如何用 Codex 搭建视频工作流

解决这些问题，需要先定一条稳定的制作顺序。Codex 负责安排任务和检查结果，IndexTTS2 生成旁白，HeyGen 根据旁白制作数字人，HyperFrames 负责主体画面、字幕和最终渲染。

整条流程跑通以后，你只需要提交选题、资料和审核过的文稿，Codex 就能接着完成配音、数字人、画面、合成与归档。

 

Codex 是主控。它读取项目文件，编写和修改代码，调用本地命令，整理素材，也负责在每一步结束后检查输出。整个过程中，你主要和 Codex 沟通。

IndexTTS2 负责旁白。它可以根据一段参考音频克隆声线，在本地生成 WAV 文件。相同参考音频和相近参数可以让不同视频保持较为一致的声音。

HeyGen 负责数字人。它接收已经确认的旁白音频，让 Digital Twin 按照音频说话，最后返回一段带有嘴型和人物动作的视频。

HyperFrames 负责主体画面。它使用 HTML、CSS 和 JavaScript 描述文字、图片与动画，再按照时间轴渲染成视频。Codex 擅长修改网页代码，所以字幕位置、页面样式和动画节奏都比较容易调整。

每条视频单独建一个目录，所有文件使用同一个视频编号。

brief.md 保存平台、时长、画面比例和本期选题。script 放旁白文稿，references 保存 IndexTTS2 使用的声线参考。生成的音频、字幕、数字人和成片分别进入固定目录。

把本期资料放进项目，让 Codex 写一份适合朗读的旁白。文稿长度要服从视频时长。中文旁白可以先按自己的语速估算，随后用 IndexTTS2 生成测试音频，再根据实际长度增删。

人工审核旁白时，先处理事实和发音。英文缩写、数字与多音字要写成 TTS 能稳定读对的形式。长句需要拆开，标点也会影响停顿。文稿确认后保存版本，后续工具只读取这一份文件。

把参考文件保存为references/speaker.wav，再记录文件哈希。参考音频一旦被替换，后续视频的声线可能发生变化，文件名相同也不容易察觉。

让 Codex 调用 IndexTTS2，输入最终旁白和参考音频，生成audio/voice-v1.wav。第一遍重点听读音、停顿和情绪。语速需要调整时，可以重新设置生成参数，也可以让 Codex 使用 FFmpeg 的atempo调整速度。atempo=1.12表示把语速提高到 1.12 倍，同时尽量保持原有音高。

最终音频确认以后，不再单独修改它。让 Codex 从这份 WAV 转写字幕，生成带时间戳的 JSON 或 SRT。字幕时间必须来自最终音频，因为 IndexTTS2 的停顿不会完全按照文字长度平均分布。

让 Codex 提交voice-v1.wav，选择对应的 Digital Twin，创建数字人任务。画面背景可以使用纯色，或者选择方便后续抠像的形式。人物在画面中的大小和姿态要稳定，方便放进 HyperFrames 的固定区域。

HeyGen 返回视频后，保存为heygen/avatar-v1.mp4。先检查嘴型、人物动作和视频长度。开头或结尾多出的空白可以由 Codex 裁掉。嘴型明显错位时，应先检查上传音频和 HeyGen 输出，暂时不要进入合成阶段。

Codex 现在已经拿到三份关键文件。审核后的文稿、最终旁白和带时间戳的字幕。

HyperFrames 使用 HTML 和 CSS 组织画面，时间信息写在data-start、data-duration和data-track-index等属性中。需要动画时，可以加入 GSAP。Codex 根据 transcript 填入每段的开始时间和持续时间，字幕也从同一份时间数据生成。

HyperFrames 的优势会在返工时体现出来。字幕整体太低，只需改一处 CSS。某个镜头停留太短，只改相应时间属性。需要换图或改标题，也不用重新建立传统剪辑工程。

最终成片只保留一条主旁白音轨。可以使用原始的voice-v1.wav，删除数字人视频里重复的声音。背景音乐随后加入，响度要低于旁白，开头和结尾可以做短暂淡入淡出。

Codex 可以先读取音视频信息，检查分辨率、帧率、时长和音轨数量。随后按固定间隔抽帧，查看字幕位置、数字人遮挡和图片比例。

字幕不同步时，回到 transcript 调整时间。画面切换太早，就修改 HyperFrames 对应段落。数字人嘴型正常但人物挡住内容，只需要移动或缩小数字人图层，不必重新调用 HeyGen。