皓月千里

用 Codex 三小时做视频的完整复盘

获奖视频

一次实战中，用 Codex 三小时做出一条预热视频。这条片子最后不但拿了奖，还成了首届 OPC 场景共创实战营现场循环播放的片子。这件事的冲击在于：过去理解「AI 做视频」，往往是打开一个视频生成工具，输入提示词，等它吐出几秒钟画面。但这次不是单纯让 AI 生成一段视频，而是把 Codex 当成一个「视频制作执行系统」来用——它不是只给建议，而是真的参与了执行。

先说结论：不是「一键成片」

很多人一听 Codex 做视频，会以为它本身就是一个视频生成模型。不是。Codex 更准确的定位是：一个能读文件、写代码、调用本地工具、整理素材、生成脚本、执行命令、反复修改项目的 AI 工作代理。

核心定位：视频模型负责「生成画面」；剪辑软件负责「组装成片」；Codex 负责「组织整个过程」。

它像一个执行制片 + 剪辑助理 + 脚本工程师 + 项目管理员。告诉它目标，它可以帮你拆需求、写脚本、做分镜、整理素材、写 ffmpeg / python 脚本、生成剪辑方案、导出版本、检查问题，再继续迭代。AI 视频真正的关键不只是「生成一段画面」，而是：把一个模糊需求，组织成一个可以交付的结果。

这条片子的制作流程

这条预热视频的流程大概是：

需求分析 —— 脚本设计 —— 丢给 Codex —— 让 Codex 自我迭代 —— 不断改版本 —— 导出可用成片

前后大概迭代了四轮。第一轮，先让 AI 理解活动背景和甲方需求。第二轮，确定片子的核心方向、节奏和结构。第三轮，把内容拆成镜头、画面、字幕、音乐、音效和转场。第四轮，让 Codex 根据反馈不断调整，直到能在现场大屏循环播放。

最后入选的是「保底版」。这里的「保底版」不是低级，而是更稳。它没有过度追求复杂美术风格，而是优先保证三件事：第一，信息清楚；第二，节奏稳定；第三，现场播放不出错。

现场片的本质：在展会、路演、活动现场，片子不是给观众坐下来慢慢研究的。现场人来人往，注意力很短。所以这种片子的第一目标不是炫技，而是让人一眼知道：这是什么活动？它在讲什么？为什么值得停下来看看？

AI 能给很多方案，但真正决定片子能不能用的，还是人的判断。

第一步：需求分析，不要急着做画面

这次需求分析用的是 GPT-5.5 Thinking 进阶版。不太建议一上来就直接用 5.5 Pro 做这一步——不是说它不好，而是它太强了，强到有时候会分析得过细，文本很长，分支很多，反而让人更难判断。5.5 Pro 更适合复杂编程、长链路推理、代码排查等任务。在创意项目的早期，更需要的是：快速看清方向，而不是被大量细节淹没。

核心观点：需求分析最关键的不是让 AI 出多少方案，而是判断甲方真正想要什么。 很多甲方不会直接说清楚自己的真实需求。

他嘴上可能说：「帮我们做一条活动视频。」但真实需求可能是：

这些东西，AI 可以辅助分析。但最后的判断、取舍、优先级，还是人来定。这是创作者不能丢掉的部分。

什么是 Codex 里的 video skill？

很多人听到 skill，以为是一个神秘插件。其实可以简单理解成：skill 就是给 Codex 装上的一套「专业工作说明书」。要让 Codex 做视频，就可以给它安装或创建一个 video-production skill。这个 skill 里通常包括四类东西：

  1. SKILL.md —— 最核心的说明文件。它会告诉 Codex：遇到视频制作任务时，应该怎么拆解、怎么命名文件、怎么生成分镜、怎么检查素材、怎么导出版本。
  2. scripts 文件夹 —— 放脚本。比如自动合并视频、转码、压缩、加字幕、提取音频、生成封面、检查分辨率等。
  3. references 文件夹 —— 放参考资料。比如品牌规范、剪辑规范、字幕规范、短剧分镜模板、活动信息、甲方 brief。
  4. assets 文件夹 —— 放素材。比如片头、片尾、logo、字体、背景音乐、音效、转场模板。

本质理解：video skill 的本质不是「AI 会自动变成剪辑师」，而是你给它一套固定流程，让它每次做视频都按同样的方法执行。这就像给一个新人剪辑助理写了一份 SOP。没有 SOP，它每次都乱试；有了 SOP，它就知道先干什么、后干什么、输出什么、怎么自查。

做视频前，要先准备什么？

不要一上来就说「帮我做个视频」，这样太空。至少要准备下面这些信息：

  1. 视频用途 —— 是路演？展会？朋友圈？公众号？大屏循环播放？课程宣传？品牌片？
  2. 视频时长 —— 比如 30 秒、60 秒、90 秒。
  3. 视频比例 —— 常见有：16:9 横版，适合大屏、B 站、路演；9:16 竖版，适合抖音、视频号、小红书；3:4，适合海报感内容和公众号配图。
  4. 观众是谁 —— 给政府看，给企业主看，给投资人看，给普通用户看，表达方式完全不一样。
  5. 必须出现的信息 —— 比如活动名称、时间、地点、主办方、核心主题、重要嘉宾、品牌 logo。
  6. 风格参考 —— 最好给参考图、参考视频、关键词。比如：未来感、游戏任务系统、高级科技感、黑金、蓝紫、极简、电影预告片感。
  7. 素材文件夹 —— 把图片、logo、音乐、视频片段、字体统一放到一个项目文件夹里。

一个推荐的项目文件夹结构：

project-video/
├── 01_brief/        放活动资料、需求文档
├── 02_assets/       放图片、logo、音乐、视频素材
├── 03_scripts/      放脚本、分镜、提示词
├── 04_working/      放中间文件
├── 05_exports/      放导出版本
└── 06_review/       放修改意见和复盘

这样 Codex 才不会乱。AI 最怕的不是任务复杂，而是上下文混乱。文件越清楚，AI 越容易干活。

Codex / video skill 怎么安装？

分两层：第一层是安装 Codex 本身，第二层是给 Codex 增加视频制作能力。

1. 安装 Codex

如果用的是 Codex App，直接安装桌面版即可，Mac 和 Windows 都可以用。安装后打开 Codex，登录 ChatGPT 账号，选择一个项目文件夹，然后确认是在 Local 本地模式下工作。这一步的意思是：Codex 会在你选择的文件夹里读文件、写文件、执行任务。所以不要随便选整个电脑根目录，最好专门建一个项目文件夹（比如 OPC_video_project），只让 Codex 在这个文件夹里工作。这样安全，也方便管理。

2. 安装必要的音视频工具

Codex 本身不是剪辑软件。它要真正处理视频，通常需要调用本地工具。最常见的是：

重要提示：新手可以先让 Codex 帮忙检查环境。直接对 Codex 说：「请检查我的电脑是否已经安装 ffmpeg、python、moviepy、opencv。如果没有，请告诉我适合我系统的安装步骤。不要直接乱改系统，先给我计划，等我确认后再执行。」这句话很重要——Codex 可以执行命令，但不要一开始就让它全自动乱跑，尤其是涉及安装、联网、删除、覆盖文件时，最好让它先解释，再执行。

3. 创建一个本地 video skill

如果没有现成的视频插件，最简单的方法是自己创建一个本地 skill。在项目文件夹里新建这个路径：

.agents/skills/video-production/SKILL.md

完整结构大概是：

project-video/
└── .agents/
    └── skills/
        └── video-production/
            ├── SKILL.md
            ├── scripts/
            ├── references/
            └── assets/

SKILL.md 可以先写成这样：

---
name: video-production
description: Use this skill when the user asks Codex to plan, edit, assemble, render, review, or optimize short videos, trailers, event loop videos, subtitles, BGM, SFX, FFmpeg, MoviePy, storyboard-to-video workflows.
---

# Video Production Skill

你是一个视频制作执行助手。当用户要求制作视频、活动预热视频、短剧预告片、展会循环播放片、AI短片、分镜脚本、剪辑方案、字幕包装、配乐音效方案时，使用本 skill。

工作流程：

1. 先阅读项目文件夹中的 brief、素材、参考图、参考视频和用户说明。
2. 不要立刻开始剪辑，先输出制作计划。
3. 制作计划必须包含：视频用途、目标观众、时长、画面比例、核心信息、情绪关键词、视觉风格、镜头结构、素材缺口、风险点。
...

创建好之后，重启 Codex，或者在 Codex 里刷新 skills。之后就可以在 Codex 里输入 $video-production，或者直接说：「请使用 video-production skill，帮我根据项目资料制作一条 60 秒活动预热视频。」

真正使用 Codex 做视频，可以这样发指令

不要一上来就让它「做完」，最好分阶段。

第一阶段：只做需求分析

请先不要制作视频。请阅读项目文件夹里的 brief 和素材，帮我完成需求分析。输出以下内容：1. 这条视频真正要解决什么问题 2. 目标观众是谁 3. 现场观看场景是什么 4. 必须传达的 3 个核心信息 5. 最适合的视觉方向 6. 哪些方向看似炫酷但可能不适合 7. 推荐一个最稳妥的执行方案

第二阶段：生成脚本和分镜

基于刚才确定的方向，请生成 60 秒视频脚本。要求：1. 适合现场大屏循环播放 2. 开头 3 秒必须抓人 3. 信息不要堆太满 4. 每 5-8 秒一个节奏变化 5. 输出表格：时间轴 / 画面 / 字幕 / 音乐音效 / 素材需求

第三阶段：整理素材和缺口

请检查素材文件夹。根据分镜表，判断哪些素材已经有，哪些素材缺失。请输出素材清单，并告诉我哪些素材需要用 GPT-Image 2 生成，哪些需要用 Seedance 2.0 生成视频，哪些可以直接用现有素材剪辑。

第四阶段：生成关键帧提示词

请根据分镜表，为每个关键画面生成 GPT-Image 2 提示词。要求：1. 保持统一视觉系统 2. 保持同一套色彩和材质语言 3. 不要生成真实可读文字 4. 画面保留字幕安全区 5. 输出中英文双语提示词

第五阶段：生成视频提示词

请把关键帧转成图生视频提示词。每个镜头输出：1. 镜头运动 2. 主体动作 3. 景别 4. 光影变化 5. 节奏 6. 禁止事项 7. 建议时长

第六阶段：交给 Codex 做剪辑执行

请使用 video-production skill，基于 03_scripts 中的分镜表和 02_assets 中的素材，生成一个粗剪版本。要求：1. 使用 16:9 2. 时长控制在 60 秒左右 3. 输出到 05_exports 4. 保留工程脚本 5. 导出后自查黑屏、音画不同步、字幕越界、节奏拖沓等问题

第七阶段：让 Codex 自我迭代

请从观众视角审查这个版本。重点检查：1. 前 3 秒是否有吸引力 2. 信息是否一眼看懂 3. 哪些地方节奏慢 4. 哪些字幕太多 5. 哪些画面不够高级 6. 给出修改方案，并生成 v02 版本

关键提示：这个步骤非常关键。以前做视频，很多时间花在「人工发现问题」。现在 Codex 可以先帮你做一轮自查，人再做最终判断。

为什么做了两个版本？

这次其实做了两条路线。

第一条是 Codex 主导的保底版：需求分析 —— 脚本设计 —— Codex 执行 —— 自我迭代 —— 导出成片。优点是快、稳、能交付，适合时间紧、现场播放、需要快速验证的项目。

第二条是手搓比例更高的创意版：Claude 辅助需求分析 —— 脚本制作 —— GPT-Image 2 生成关键帧 —— Seedance 2.0 生成视频 —— 剪辑成片 —— Gemini 3.1 测评优化 —— 剪辑最终版。这一版脑海里有更清晰的美术概念，所以要求也更高。

但创意版最后卡在了第三步：美术设定。这也说明一件事：AI 时代不是要求降低了，而是要求更高了。 当脑子里没有清晰画面时，AI 能帮你快速做出「还不错」的东西。但当脑子里有一个非常明确、非常高级的画面时，AI 反而会暴露很多问题：

所以 AI 创作不是没有门槛了，而是门槛从「会不会操作软件」，转移到了「你能不能判断好坏」。

最大的收获

这次最有感触的，不是 Codex 帮做出了一条片子，而是第一次强烈感觉到：AI 正在从「工具」变成「工作伙伴」。

以前的软件，是你点一下，它动一下。现在的 Codex，是你给它目标，它能自己拆任务、自己执行、自己检查、自己改版本。它不完美，但它会进步，而且进步速度非常快。三四年前，AI 视频还像玩具；现在，它已经开始靠近过去影视工业几十年、上百年积累出的部分能力。

当然，它还不能完全替代导演、剪辑师、美术指导和制片人。但它已经可以替代很多重复执行、流程组织、技术处理和版本迭代工作。

未来稀缺的能力：不是「我会不会点某个软件」，而是——我能不能定义目标；我能不能判断方向；我能不能组织资源；我能不能控制审美；我能不能把一个模糊想法变成可交付成果。

最后建议

如果想用 Codex 做视频，不要一开始就追求「一键大片」。先从一个小项目开始：30 秒朋友圈短片、60 秒活动预热视频、一条课程宣传片、一条产品介绍片、一个公众号封面视频。

先学会四件事：

  1. 写清楚需求。
  2. 整理好素材。
  3. 把任务拆成阶段。
  4. 让 Codex 每一步都输出可检查的结果。

不要把 AI 当许愿池，要把 AI 当团队成员。你说得越清楚，它做得越稳定；你判断力越强，它越能放大你的能力。

用 Codex 做视频，表面上是一次项目交付，更深一层看是一种新的生产方式：人负责判断方向，AI 负责组织执行，人再做最终取舍。 未来的 AI 影视不会只是单个工具的竞争，一定会变成一整套工作流的竞争——谁能把需求分析、脚本、分镜、关键帧、视频生成、剪辑、配乐、审查、迭代全部串起来，谁就会先进入下一阶段。