别再研究一堆 AI 工具了：我用 Codex 做完一条图书号视频后，发现关键其实是流程

很多人一听到「AI 做短视频」，第一反应往往是：要剪辑、要写代码、要调音，还要同时掌握一堆复杂工具。

我这次真正跑完一遍之后，发现门槛没有想象中那么高。

真正拉开差距的地方，是能不能把一条视频拆成清楚的制作流程。

嵌入推文（联网查看）

只要流程顺了，很多事情都可以交给 AI 做。人真正需要参与的地方其实不多，主要就是做几个关键判断：

1. 参考视频要模仿什么？

2. 旁白文案能不能打动人？

3. 声音是不是对味？

4. 字幕和语音有没有对齐？

5. 成片是否像一个真实账号会发的东西？

这篇文章我就用我这次做《悉达多》图书号视频的过程，整理一套小白也能照着走的工作流。

你不一定要会代码。你可以用剪映、手机录音、ElevenLabs、GPT-SoVITS，也可以让 Codex 这种 Agent 帮你自动处理画面、配音、字幕和合成。工具可以换，但流程最好别乱。

1. 开始前：需要准备哪些工具？

先把工具讲清楚。

这套流程需要把不同工具串成一条生产线。

你可以按自己的阶段选择：

• 小白先用最低配置跑通一条

• 熟练后再加 Codex、Skills、HyperFrames、声音克隆这些自动化工具

• 真正批量做账号时，再把固定流程沉淀成模板

最低配置：今天就能开始

如果你只是想先做出第一条图书号视频，最低只需要这些：

1. 一条参考视频

用来拆风格、声音、字幕和节奏。视频号、抖音、小红书都可以，拿不到原文件就录屏。

1. 一个 AI 对话工具

用来写旁白、拆参考视频、整理分镜和提示词。Codex、ChatGPT、Claude 都可以。

1. 一个配音方案

可以用 ElevenLabs，也可以自己手机录音。先别卡在声音工具上，能出清楚的人声最重要。

1. 一个画图工具

用来生成 3-4 张统一风格的无字背景图。

1. 一个剪辑工具

剪映、必剪、CapCut 都可以。导入音频、图片、字幕，最后导出竖屏视频。

这套最低配置不需要写代码。

你只要能复制文案、导入素材、调整字幕，就能做出第一条。

进阶配置：让 Codex 帮你跑流程

如果你想像我这次一样，把很多重复动作交给 AI 自动处理，就可以用 Codex。

在这个流程里，Codex 更像一个「视频制作 Agent」。它可以协助完成一整条链路：

• 分析参考视频

• 抽取参考音频

• 判断语速、字幕节奏和画面风格

• 根据书籍主题写旁白

• 生成或整理背景图提示词

• 处理音频速度、响度、降噪和压缩

• 根据最终音频重新对齐字幕

• 合成竖屏视频

• 抽帧检查字幕和画面

• 根据反馈返工

我这次做《悉达多》视频，最有价值的地方就在这里：让 Codex 像一个执行导演一样，把文案、声音、字幕、画面、合成、验片串起来。

Skill 框架：把经验变成可复用流程

如果你后面想长期做图书号，我建议一定要理解 Skill 框架。

简单说，Skill 就是一套写给 Agent 的固定工作说明。

你可以把某一类任务的流程、规则、审美要求、避坑点，写成一个 Skill。下次再做同类视频时，Codex 就不用从零理解你的偏好。

比如图书号视频就很适合做成 Skill：

• 先拆参考视频，不直接生成

• 旁白先定稿，画面后做

• 字幕必须根据最终音频对齐

• 图片不能有文字、水印和 AI 乱码

• 声音优先慢速、沉稳、有故事感

• 每次导出前必须做预览检查

这就是 Skill 的价值。

它的核心价值，是把你的经验沉淀成一份「可重复调用的制作规范」。

等你做完 3-5 条图书号视频，就可以把这套流程固定成自己的图书号 Skill。以后换一本书，本质上只是换文案、换声音、换画面素材，而不是重新摸索一遍。

我这次实际用到的工具组合

这次《悉达多》视频，我的实际工具链大概是：

如果你是小白，不需要一开始就全上。

可以这样分阶段：

1. 第一条：AI 写文案 + 手机录音 / ElevenLabs + 剪映

2. 第三条：加入 Codex，让它帮你拆参考视频和写分镜

3. 第五条：引入 Skill，把图书号流程固定下来

4. 第十条：用 HyperFrames 承接画面、字幕、预览和批量合成

先出片，再自动化。

这是普通人做 AI 自媒体最稳的路线。

2. 先说结果：我们到底要做什么视频？

我这次做的是一条竖屏图书介绍视频。

主题是黑塞的《悉达多》。

视频方向不是「讲完这本书」，而是做一种偏沉浸、偏文学感、偏情绪价值的图书号内容。

它的核心感觉是：

• 画面克制，有文学感

• 旁白偏慢，不急着讲道理

• 声音要低一点、稳一点、有故事感

• 字幕要跟语音严丝合缝

• 整体像一个成熟图书号，而不是 PPT 式讲书

我用的旁白大概是这一类：

每次重读黑塞的《悉达多》，都会陷入久久沉默。

有时候忍不住感慨，这大概是我这辈子，都难以抵达的文学高度。

悉达多出身高贵的婆罗门，一生都在追寻自我……

这类视频的重点不是信息密度，而是氛围和情绪。

所以它不是知识科普号的节奏，也不是口播带货的节奏。它更像一个人慢慢讲一段读书后的感受。

这决定了后面所有制作选择：声音要慢，画面要安静，字幕不能乱飞，BGM 不能抢人声。

3. 第一步：先找参考视频，不要急着生成

我一开始没有直接让 AI 生成《悉达多》视频，而是先给它一个参考视频。

这一步非常重要。

因为你只跟 AI 说「做得高级一点」「做得像抖音爆款一点」，它很难理解你的审美。每个人理解的高级感都不一样。

但你给它一个参考视频，事情就具体了。

参考视频可以让 AI 分析：

• 画面比例

• 视频时长

• 字幕位置

• 字幕大小

• 字幕出现节奏

• 旁白语速

• 停顿方式

• 声音质感

• 镜头推进感

• 背景图风格

• 整体情绪

我这次就是先把微信视频号里的参考内容录屏下来，然后把录屏文件交给 Codex 分析。

为什么是录屏？

因为很多平台的视频不方便直接下载。对小白来说，录屏反而是最稳的办法。

只要你能拿到参考视频，就可以开始拆。

这里要注意：参考视频不是让你去搬运别人的内容，而是学习它的结构和风格。文案、画面、书籍主题、最终成片都要重新做。

4. 第二步：拆参考视频，重点拆声音和节奏

很多人拆视频只看画面，但我这次发现，真正决定视频像不像的，其实是声音。

同样一段文案，如果声音太快、太亮、太机械，就会立刻变成「AI 味」。

而图书号这种内容，声音尤其重要。

我让 Codex 重点拆了参考视频的几个部分：

• 旁白是男声还是女声

• 音色偏低沉还是明亮

• 语速是快还是慢

• 句子之间有没有自然停顿

• 有没有轻微压缩、降噪、均衡处理

• 字幕是按句出现，还是按语义块出现

• 画面切换是不是跟旁白段落一致

这一步拆完之后，后面就不是凭感觉做了，而是有一个明确目标：

我要做的《悉达多》视频，也要是慢一点、沉一点、自然停顿明显、偏故事感的声音。

这也是我后面返工的核心原因。

第一版出来之后，我发现音色不对，语速也太快。字幕虽然有了，但文字跑在声音前面，看起来就会很出戏。

所以我重新调整了声音和字幕同步。

5. 第三步：先定旁白，不要先做画面

做图书号视频，最容易犯的错是先做画面。

但真正应该先定的是旁白。

因为这类视频是声音驱动的，画面只是承托情绪。

我这次给《悉达多》写的旁白，不是从「介绍作者」开始，也不是从「这本书讲了什么」开始，而是先抓一种读完书后的感受：

每次重读黑塞的《悉达多》，都会陷入久久沉默。

这个开头的好处是，它不是硬讲知识，而是先给观众一个情绪入口。

然后再进入人物经历：

• 悉达多出身婆罗门

• 他追随沙门苦修

• 他拜见佛陀

• 他进入世俗生活

• 他沉迷金钱、情欲、赌博

• 最后来到河边听见流水

• 最终领悟每个人都只能走自己的路

这类文案有一个关键：不要试图在几十秒里讲完整本书。

你只要讲清楚一个核心感受就够了：

《悉达多》不是教你立刻得到答案，而是告诉你，真正的领悟只能自己走过一遍。

如果要让 AI 帮你写，可以这样提示：

我要做一条图书号短视频，书名是《悉达多》。

请先不要做视频，只写旁白。

要求：
1. 中文，适合竖屏图书号
2. 语气克制、文学感、不要鸡汤
3. 不要写成书评腔
4. 不要频繁使用“不是……而是……”
5. 先用一句读后感做钩子，再讲悉达多的人生路径，最后落到“每个人的路只能自己走”
6. 旁白适合慢速朗读，有自然停顿

文案定下来之后，再进入声音。

6. 第四步：声音是成败关键，建议准备三条路线

这次制作里，我最明显的感受是：声音一旦不对，画面再好也不像。

所以我建议把声音方案拆成三条路线。

路线 A：ElevenLabs，最快出片

如果你今天就想跑通第一条视频，ElevenLabs 是最快的。

你只需要：

1. 选一个适合中文的音色

2. 把旁白粘进去

3. 设置偏慢的语速

4. 生成整段音频

5. 下载 wav 或 mp3

适合图书号的声音，不要太播音腔，也不要太情绪化。

我会优先找这类关键词：

• calm

• deep

• warm

• narrative

• documentary

• soft

• mature

中文可以理解为：沉稳、温和、低一点、有叙事感。

不要选那种太激昂、太广告、太像课程宣传片的音色。

可以给 AI 这样说：

我准备在 ElevenLabs 里生成《悉达多》图书号旁白。
请帮我写一段 voice direction。

要求：
1. 语速偏慢
2. 声音低沉、自然、有故事感
3. 不要播音腔
4. 句子之间有自然停顿
5. 适合文学类短视频

ElevenLabs 的优点是快，缺点是中文音色不一定每个都稳定。你要多试几个。

路线 B：GPT-SoVITS，自己做声音

如果你想长期做账号，或者想拥有更固定的账号声音，可以研究 GPT-SoVITS。

它是一个开源的声音克隆项目，地址是：

https://github.com/RVC-Boss/GPT-SoVITS

小白可以先这样理解：

你准备一段干净的人声样本，然后让模型用这个声音去朗读你的新文案。

它适合两类人：

• 想用自己的声音，但不想每次都录完整旁白

• 想做一个长期稳定的账号音色

准备参考音频时，最好做到：

• 没有背景音乐

• 没有环境噪音

• 人声清楚

• 不要多人说话

• 语气和你想要的视频风格接近

如果是图书号，就录一段慢一点、稳一点、像讲故事一样的声音。

不过这里有一个边界一定要注意：

声音克隆只建议用于你自己有权使用的声音。不要拿别人的声音去做商用发布，更不要克隆明星、博主或普通人的声音来冒充本人。

我这次在制作时，就是围绕参考视频的音色、语速和停顿去做相似风格调整，但真正长期做账号，最好还是建立自己的声音资产。

路线 C：手机自录，最稳的兜底方案

如果你不想折腾工具，手机自录完全可以。

很多新手会误以为：声音一定要 AI 生成才高级。

其实不是。

图书号最重要的是清楚、自然、可信。

手机自录只要注意几点：

1. 找一个安静房间

2. 手机离嘴 15 到 25 厘米

3. 不要贴太近，避免喷麦

4. 语速放慢

5. 每句话之间留一点停顿

6. 读错就停一下，从上一句重新念

录完之后丢给 Codex 或剪映处理：

• 降噪

• 压缩

• 音量标准化

• 去掉明显空白

• 加轻微混响或 EQ

这条路线最笨，但也最稳。

而且用自己的声音，长期看更容易形成账号辨识度。

7. 第五步：声音生成之后，一定要先验，不要急着合成

我这次踩的坑就是：第一版声音出来之后，感觉不够像参考视频。

主要问题有两个：

1. 音色不够接近参考视频

2. 语速偏快，字幕显得比语音跑得更快

这类问题不能靠画面补救。

所以我重新做了两件事：

• 把声音整体放慢

• 用最终声音重新做字幕对齐

这里有一个很重要的原则：

字幕必须根据最终音频来做，不要根据文案猜时间。

如果你先按文案大概切字幕，后面又把语音变慢，字幕一定会错。

正确顺序应该是：

旁白定稿
↓
生成最终声音
↓
确认语速和音色
↓
用最终声音做转写 / 对齐
↓
生成字幕时间轴
↓
合成视频

这一步看起来麻烦，但它决定成片质感。

字幕早 0.5 秒，观众都会觉得怪。

8. 第六步：画面不要抢戏，重点是统一气质

《悉达多》这种书，不适合花里胡哨的画面。

我这次给画面定的关键词是：

• 河流

• 修行

• 东方气息

• 暗色背景

• 静默

• 时间感

• 轻微镜头推进

• 文学感

最后用的是几类背景：

• 河边行走

• 苦修与孤独

• 世俗沉沦

• 河边顿悟

做图书号画面时，有一个硬规则：

背景图不要带任何文字。

尤其是 AI 生成图，很容易生成假字、乱码、奇怪标牌。图书号最怕这种，因为观众会立刻看出来是 AI 乱字。

可以这样提示 AI 生成背景图：

请为《悉达多》图书号短视频生成 4 张竖屏背景图。

风格：
安静、克制、文学感、东方气息、暗色调、电影感。

画面方向：
1. 河边独行
2. 苦修与孤独
3. 世俗欲望与迷失
4. 河边顿悟

硬性要求：
不要任何文字、字母、水印、书名、标语。
不要海报排版。
不要夸张宗教符号。
不要卡通。
画面要适合叠加中文字幕。

然后再把背景图做成短视频背景，可以加很轻微的推近、移动、模糊、颗粒感。

记住：这类视频画面不是主角，声音和文字才是主角。

9. 第七步：字幕要最后做，而且要按声音对齐

这是我这次返工后最想强调的一点。

字幕不是把文案复制上去就完了。

尤其是图书号这种慢节奏旁白，字幕要跟着停顿走。

我这次最后是用最终慢速语音做对齐，再生成字幕。

实际做的时候，字幕可以按语义拆成短句，比如：

• 每次重读黑塞的《悉达多》

• 都会陷入久久沉默

• 悉达多出身高贵的婆罗门

• 一生都在追寻自我

• 他追随沙门苦修

• 以为禁欲就能找到真理

不要一屏塞太多字。

字幕的作用是帮助观看，不是让人读 PPT。

如果你用剪映，也可以这样做：

1. 导入最终旁白

2. 自动识别字幕

3. 人工改错字

4. 按语义断句

5. 调整字幕出现时间

6. 导出前完整看一遍

一定要人工检查这些词：

• 悉达多

• 黑塞

• 婆罗门

• 沙门

• 佛陀

• 禁欲

• 顿悟

自动字幕很容易把这些词识别错。

10. 第八步：合成时，先预览，不要直接导出最终版

成片合成可以用剪映，也可以走 HyperFrames。

小白建议先用剪映跑通。

如果想批量做，后面建议尽量走 HyperFrames。

原因很简单：HyperFrames 用 HTML composition 来管理画面、字幕、时间轴和动画，预览和返工都更直观。FFmpeg 更适合做底层转码、压缩、抽帧检查，不太适合作为新手理解的主制作流程。

还有一个实际体验：如果把声音处理过度依赖 FFmpeg 参数，很容易出现一点「电音感」或不自然的机械感。图书号尤其怕这个，因为观众主要是在听人声。

所以更稳的路线是：

声音：用 ElevenLabs / GPT-SoVITS / 手机自录先做好
音频：只做轻度降噪、音量统一、必要降速
画面和字幕：交给 HyperFrames 组织时间轴
导出：最后再做必要转码

我这次的流程更偏自动化：

• 准备旁白文本

• 生成声音

• 声音只做轻度处理，避免过度修出电音感

• 用最终声音生成字幕时间

• 生成背景图

• 在 HyperFrames 里组织背景、封面、叠字、字幕、音频

• 先 preview，看字幕和语音是否同步

• 输出竖屏 MP4

• 抽帧检查字幕和画面

但逻辑跟剪映是一样的。

剪映里的顺序就是：

1. 导入最终旁白

2. 导入背景图或背景视频

3. 让每段画面对应一段旁白

4. 加字幕

5. 加书名、作者、轻微装饰

6. 加低音量 BGM

7. 导出前预览

这里有一个小经验：

BGM 一定要小。

图书号不是靠音乐炸场，而是靠旁白把人带进去。

如果背景音乐抢人声，再好的文案都会被毁掉。

11. 第九步：返工检查，比一次生成更重要

这次视频不是一次就完美的。

中间至少返工过几个地方：

• 声音不像参考视频

• 语速偏快

• 字幕比语音快

• 需要重新按最终音频对齐字幕

• 需要检查画面是否挡字幕

• 需要确认整体节奏是否偏急

这其实很正常。

AI 做视频不是按一下按钮就结束，而是把每个环节拆开，然后一个个调。

我建议每次出片都按这份清单检查：

1. 前 3 秒有没有让人停住？

2. 旁白是不是自然？

3. 声音是不是太快？

4. 字幕有没有比声音快？

5. 字幕有没有错字？

6. 画面有没有 AI 乱字？

7. BGM 有没有压过人声？

8. 整体气质是否统一？

9. 结尾有没有余味？

10. 这条视频像不像一个真实账号会发的内容？

如果其中一项很明显不对，就先别发。

尤其是声音和字幕。

短视频观众可能说不出哪里不对，但只要音画不同步，就会马上划走。

12. 一张图记住完整流程

这次《悉达多》视频的完整流程，可以压缩成这条线：

找参考视频
↓
拆声音、画面、字幕、节奏
↓
确定书和切口
↓
写旁白
↓
确认文案
↓
选择声音路线
  - ElevenLabs
  - GPT-SoVITS
  - 手机自录
↓
生成最终旁白音频
↓
处理语速、音色、音量
↓
用最终音频做字幕对齐
↓
生成 3-4 张统一风格背景图
↓
合成竖屏视频
↓
抽帧 / 预览检查
↓
返工声音、字幕或画面
↓
导出最终 MP4

这套流程跑通之后，你就不是只会做一条《悉达多》。

你可以继续做：

• 《瓦尔登湖》

• 《月亮与六便士》

• 《局外人》

• 《百年孤独》

• 《活着》

• 《悉达多》系列第二条

因为工作流已经固定了。

以后换书，本质上只是换旁白、换金句、换背景图。

13. 小白最短路径：今天就能照着做

如果你是第一次做，不要一上来就追求全自动。

最短路径是：

1. 找一条你喜欢的图书号视频，录屏当参考

2. 让 AI 拆它的风格

3. 选一本书，比如《悉达多》

4. 让 AI 写 30-60 秒旁白

5. 自己审核文案，改到自然

6. 用 ElevenLabs 生成声音，或手机自录

7. 用 AI 生成 3-4 张无字背景图

8. 用剪映合成

9. 自动字幕后人工校对

10. 导出前完整看一遍

这就够了。

先做出第一条，比研究十个工具更重要。

14. 给 Codex 的完整提示词

如果你想让 Codex 直接按这个流程帮你做，可以把下面这段发给它：

我要做一条图书号竖屏短视频，参考视频我会上传。

请按这个流程协助我：

1. 先分析参考视频：
   - 时长
   - 画面风格
   - 字幕位置
   - 字幕节奏
   - 旁白语速
   - 声音质感
   - 情绪氛围

2. 再基于书名写旁白：
   - 书名：《悉达多》
   - 中文
   - 克制、有文学感、自然口语
   - 不要鸡汤
   - 不要明显 AI 味
   - 适合慢速朗读

3. 声音方案给我三条：
   - ElevenLabs：最快出片
   - GPT-SoVITS：自己做声音
   - 手机自录：兜底

4. 如果我提供参考声音：
   - 请分析参考声音的音色、语速、停顿
   - 新旁白尽量靠近这种节奏
   - 字幕必须用最终音频对齐

5. 生成画面：
   - 3-4 张竖屏背景图
   - 风格统一
   - 不要任何文字、水印、乱码
   - 适合叠加字幕

6. 合成视频：
   - 竖屏 9:16
   - 旁白驱动
   - 字幕清晰
   - BGM 不抢人声
   - 先预览，再导出

7. 导出前检查：
   - 声音是否太快
   - 字幕是否同步
   - 画面是否遮挡字幕
   - 是否有错字
   - 整体是否像参考视频的节奏

不要跳步。
每一步完成后告诉我现在需要确认什么。

15. 最后：AI 做视频，本质是把审美变成流程

这次做《悉达多》给我最大的启发是：

AI 不是替你拥有审美。

AI 是把你的审美拆成步骤，然后稳定执行。

你喜欢什么样的声音，就拿参考视频让它拆。

你喜欢什么样的文案，就不断告诉它哪里太 AI、哪里太快、哪里太满。

你觉得字幕不对，就让它重新按最终音频对齐。

你觉得语速太快，就让它降速再渲染。

最后留下来的，不只是一条视频，而是一套以后可以复用的生产线。

图书号尤其适合这样做。

因为它的结构很稳定：

一本书
一个切口
一段旁白
一个声音
几张画面
一次合成

当你把这条链路跑通，后面就可以批量做。

先做《悉达多》，再做第二本、第三本。

真正的自由不是一次生成爆款，而是你终于有了一套可以反复启动的工作流。

关于作者

Kimberly｜

@king1818888

Australia AI Engineer，每天用 AI 建系统、做内容，也是 X 创作者。