我用 Codex+ Gemini，几分钱成本，把《钱塘湖春行》做成了一条会呼吸的中国画视频

我前后调整了很多轮，才把这条三十多秒的古诗视频做成现在的样子。

它看起来只是四幅中国画、四段诗句和一首背景音乐，但真正困难的地方并不是“生成一张漂亮古画”，而是同时解决下面几件事：

• 一首诗的不同句子应该有不同颜色和不同画法，不能全部套一张泛黄古绢模板。

• 动态必须来自画里的水、鸟、马、柳枝和衣袍，不能用后期推镜假装图生视频。

• 画面要动，但寺庙不能重建、鸟不能越动越多、马不能多腿、树枝不能凭空生长。

• 白色模型星标需要处理，但传统红色方印必须保留。

• 两句诗要像题跋一样从右到左逐字出现。

• 每段 AI 视频自带的风、水、鸟鸣和马蹄声不能丢，BGM 也要连续播放。

• 场景之间需要自然溶解，不能黑一下，也不能把环境声突然切断。

这篇文章以《钱塘湖春行》为例，把这套真实工作流完整拆开。

零、这条视频用了哪些工具

这不是靠一个软件完成的，而是一条由 Codex 串起来的本地媒体流水线。

Codex 在这里不是绘图模型，也不是视频模型。它更像整条流水线的导演和质检员：

古诗 → 意象与情绪 → 分镜 → 静帧提示词 → AI 生图 → Docker I2V → 抽帧验收 → 星标处理 → 毛笔字字幕 → 原声与 BGM 混音 → 交叉溶解 → 最终 MP4 QA

一、先承认一个问题：古诗视频不等于“统一古绢色”

最初的画面都比较像：泛黄纸张、左边一棵树、右边留白、远处淡山。单张看没有问题，连续看就像同一个模板反复换主体。

《钱塘湖春行》本身不是单一情绪。它从湖寺与低云开始，转向早莺与新燕，再进入乱花浅草和骑马游春，最后落在绿杨白堤。四个段落的视觉任务不同，色调当然也不应该完全一致。

所以我最后只统一三件事：

1. 中国画的文化可信度和笔触质量。

2. 唐代人物、建筑、马具和自然物象的时代合理性。

3. 低饱和、克制颜料和竖屏题字区域。

其他部分允许变化：

统一的是“系列 DNA”，不是统一色卡。

二、长诗默认两句一景，不要把整首诗塞进第一张图

《钱塘湖春行》有八句。我把连续两句合成一景，共四景：

孤山寺北贾亭西，水面初平云脚低。 几处早莺争暖树，谁家新燕啄春泥。 乱花渐欲迷人眼，浅草才能没马蹄。 最爱湖东行不足，绿杨阴里白沙堤。

每景只承担自己的意象。第一景不能提前出现莺燕和马，第二景不能把白沙堤也画进去。

我会为每景先写一张小型清单：

• 诗句中的明确名词。

• 一个主动作。

• 前景、中景、远景和天空。

• 这一景在整首诗里的情绪作用。

• 属于其他场景、必须禁止出现的物象。

这一步看起来慢，实际能减少大量重生。图像模型最容易犯的错误，就是觉得“既然是《钱塘湖春行》，那就把花、鸟、马、柳树和白堤全部放进每张图”。

三、静帧提示词要让诗推动画面，而不是让参考图支配诗

最终四张静帧通过用户指定的兼容图像 API 并行生成，早期样片则用内置 ImageGen 验证。为了让 Skill 能在 Codex 中直接复用，开源版本默认使用内置 image_gen，但分镜、提示词和验收规则不绑定某一家图像服务。

参考图只应该锚定材质、笔触和细节质量，不能复制它的构图。

每张静帧提示词至少要包含：

完整诗歌背景 当前两句原文 本景允许出现的明确物象 一个主视觉事件 前景 / 中景 / 远景 / 天空 本景独立的画法、色调和光线 右侧两列题字安全区 禁止生成文字、水印和现代物品 禁止泄漏其他场景的物象

真正重要的是“一景一条风格通道”。第二景的工笔鸟羽和第一景的淡墨水气可以不同，但它们的颜料克制、时代细节和中国画质感必须属于同一部片。

四、用户的一句纠正，改变了整个图生视频提示词

最开始的动态方案里有慢速推近。用户很快指出：

不对，不是推移。我是指你的图生视频提示词可以琢磨一下。

这句话非常关键。

很多所谓“动态古画”，其实只是静态 PNG 在后期从 100% 放大到 104%。画面确实动了，但水没有流、鸟没有叫、柳枝没有风、马也没有呼吸。

真正的图生视频应该让画中存在的原因产生画中存在的结果：

• 鸟鸣对应鸟喙张合和注意姿态。

• 水声对应接触点扩散的水纹。

• 风声对应芦苇、柳枝和衣袍摆动。

• 马蹄声对应一次可读的抬蹄与落地。

镜头因此改为默认完全锁定：

LOCKED CAMERA no zoom, push, pan, tilt, roll, reframing, parallax or crop change

动态来自画中物象，而不是摄影机。

五、图生视频提示词最终拆成四个部分

1. 静态锚点

明确告诉模型，哪些东西绝对不能动、不能重画：

寺庙屋顶、亭台、山体轮廓、树干、主枝、岸线、人物躯干、马体、红印、题字留白区

2. 局部动作区

每景只设置一个主动作，再加一到两个小动作：

主动作：两圈水纹从现有芦苇接触点扩散 辅助动作：芦苇一起弯曲一次；倒影只闪动几个像素

动作越多，模型越容易把整张图重新画一遍。

3. 稳定收尾

每段最后约一秒让残余动作慢慢停下。这样下一景做交叉溶解时，不会一边剧烈挥动、一边突然透明。

4. 反幻觉禁令

不同场景需要不同禁令：

禁止新增主体 禁止改变鸟数 禁止树枝生长 禁止柳叶脱落 禁止云雾变成描边祥云 禁止建筑重建 禁止多腿、融合关节和身体替换 禁止生成文字与额外印章

提示词不再只是“让画面动起来”，而是“只允许指定区域以指定方式动起来”。

六、真实失败一：低云变成了祥云，寺庙也被重新搭建

第一景最初要求低云移动、薄雾绕过寺庙。模型把“云雾运动”理解成了重新设计天空，中段出现大量描边祥云，寺庙层数和位置也发生变化。

我后来彻底取消了天空动画，只让前景水纹和芦苇承担动态：

Everything above the foreground waterline is completely frozen. Sky, clouds, mist, mountains, trees, temple and pavilion do not move.

结果反而更自然。画面不需要所有区域都动，只要观众能看到水面正在发生事情，就已经不是静态壁纸。

七、真实失败二：莺越飞越多，树枝越长越

第二景的静帧里有三只莺、两只燕。最初让一只飞行中的莺落到树枝上，模型在运动过程中复制了鸟，还补画了新的垂枝。

问题在于“落到树枝”包含了较长距离移动、身体姿态变化和落点重构。

修正版不再让鸟跨画面飞行：

• 飞行中的莺围绕原身体中心振翅一次，位移不超过画面高度的 3%。

• 栖枝莺只转头和张嘴。

• 燕子只在原泥点完成低头、啄泥、抬头。

• 整棵树完全冻结，不允许摆动、生长或新增枝条。

不是动作越大越好，而是动作越可控越好。

八、真实失败三：柳树一动，叶子就飞满天空

第四景原本要求柳枝两次风动、马匹向前走一步、水面出现流光。模型把“柳枝风动”扩展成了大量脱落叶片。

修正版增加了非常具体的连接关系：

Each leaf remains connected to its original twig. No leaf, twig, petal or debris may detach or fly through the air.

图生视频最有效的限制，往往不是抽象的“不要变形”，而是写清楚物体必须继续连接到哪里。

九、只清白色星标，红色方印必须留下

视频右下角会出现白色星形或菱形标记，而静帧左下角有传统红色方印。

这两个东西在视觉上都像“标记”，但语义完全不同：

• 白色星标是需要按用户要求处理的模型覆盖层。

• 红色方印是中国画构图的一部分。

清理脚本因此只锁定右下角白色菱形区域，不能做全画面自动抹除。处理后还要重新抽取右下角和左下角画面：白色星标消失，红印仍然存在，才算通过。

十、毛笔字不是一次出现，而是像题跋一样写出来

字幕使用 Ma Shan Zheng。两句诗分别放在两列：

• 第一句在右列。

• 第二句在左列。

• 标点不显示。

• 每个字间隔约 0.42 秒出现。

• 每景末尾一起淡出，给转场留出空间。

这里使用 ASS，而不是把文字直接生成进图片。原因很简单：绘图模型生成汉字不可靠，后期字幕才能保证每个字正确、位置一致并可修改。

十一、AI 原环境声不能丢，BGM 也不能每景重启

每段 I2V 视频都带有自己的环境声：湖水、风、鸟鸣、翅膀、草叶、衣袍和马蹄。

最初拼接时最容易犯两个错误：

1. 烧录字幕时只保留画面，把模型原声丢掉。

2. 每个场景都重新播放一次 BGM，导致音乐在转场处反复从头开始。

最后的音频结构是：

场景 1 原声 ─┐ 场景 2 原声 ─┼─ acrossfade ─┐ 场景 3 原声 ─┤ ├─ amix ─ limiter 场景 4 原声 ─┘ │ 连续 BGM ────────────────────┘

BGM 可以低音量铺底，也可以按用户要求 100% 原始增益与环境声并行。两种模式都不能做逐句抽吸，也不能在每景重新开始。

十二、自然渐变不只是画面，也包括环境声

四景之间使用 1.2 秒交叉溶解：

• 画面：xfade=transition=fade

• 原环境声：acrossfade

• BGM：全片连续播放

实际编码时还遇到一个 FFmpeg 细节：xfade 会把输出提升成 4:4:4 色彩格式，而 H.264 High Profile 不接受默认的 4:4:4 输入。

最终在交叉溶解之后显式增加：

format=yuv420p

这个错误很典型：所有素材都已经是 yuv420p，但滤镜链中间仍可能改变像素格式。必须检查最终编码，不要根据输入文件推断输出一定正确。

十三、最终验收看的不是提示词，而是编码后的 MP4

最终视频是：

• 1080×1920

• 30fps

• H.264 + AAC

• 32.44 秒

• 四个场景

• 三个 1.2 秒转场

我从最终 MP4 重新抽取：

• 每景主画面。

• 三个转场中点。

• 马匹与人物高风险帧。

• 最后一帧。

• 每景右下角星标区域。

• 左下角红印区域。

同时检查：

• 寺庙有没有复制或重构。

• 鸟数是否始终正确。

• 马是否保持四腿并接触同一地面。

• 右侧题字区域是否干净。

• 白色星标是否消失。

• 红印是否保留。

• 有没有黑帧、损坏末帧和长静音。

• 视频与音频编码是否符合发布规格。

自动命令通过，只能说明文件能播放；视觉关系通过，才说明视频能交付。

十四、把一次项目改成 Skill，真正固化的是什么

这个项目最后被整理成了 classical-poem-silk-video Agent Skill。

它固化的不是《钱塘湖春行》四张图，而是下面这些可复用判断：

• 四句以内逐句成景，长诗默认两句一景。

• 风格统一不等于色调完全一致。

• 图生视频默认锁定镜头。

• 每景一个主动作，局部动作优先于长距离移动。

• 静态锚点必须具体到建筑、树干、岸线和身体中心。

• 每景最后一秒收稳，方便自然转场。

• 星标和红印必须区别处理。

• 毛笔字字幕后期生成，不交给绘图模型。

• 模型原环境声必须保留。

• BGM 全片连续，不随场景重启。

• 最终 MP4 必须重新抽帧验收。

Skill 的价值，就是把“这次终于改对了”变成“下一次默认不会再错”。

十五、完整工作流总结

读取整首诗 → 识别时代、地点、季节、意象和情绪弧线 → 逐句或两句一景 → 为每景选择独立中国画风格通道 → AI 生图并行生成无字静帧 → 写静态锚点 + 局部动作提示词 → Docker I2V 生成带环境声的视频 → 抽取早、中、晚、收尾帧验收 → 只重做不合格镜头 → 按需处理白色星标，保留红印 → 生成两列毛笔字逐字字幕 → 烧录字幕并保留原声 → 画面和环境声交叉溶解 → 连续混入 BGM → 对最终编码 MP4 做视觉与媒体 QA

这套方法不只适合唐诗。宋词、元曲、山水散文、古文名句，只要能够拆成明确意象，都可以用同一套流程制作。

真正让古画“活起来”的，不是让整幅画一直动，而是让最应该动的那一小部分，按照诗句的原因自然地动。

开源 Skill：https://github.com/Mr-funny/hbg-classical-poem-silk-video