今天我们分享一套用 Codex 制作知识类视频的方法：用固定角色负责表达，用文字、截图和图形讲清内容，再把配音、时间轴和动效组合成片。
这篇从 A-roll 和 B-roll 的分工讲起，依次整理配音与声学对齐、视觉编排表、角色三视图、多视角画面、动效模板和样片验收。提示词保留完整，方便按自己的项目替换素材与参数。
这个案例来自一位持续更新 AI 知识视频的创作者，下面先保留他分享的账号反馈，再拆解制作方法。
据创作者自述，某音 2 条视频开通精选计划，某书 2 条视频接下近四位数商单；当时两个账号各只发了 3 条视频，已有不下于 10 个商单联系，以及小破站的创作邀约和一些平台的课程邀约。这些是个案反馈，不代表复制流程就能取得同样结果。
今天我们来聊聊，偏复杂和高质量的知识类视频，如何实现Codex自动剪辑？
这套内容先发布了视频版本，创作者自述在某音获得近 20 万播放量。
视频篇幅有限，很多细节无法展开，因此这篇长文把完整的方法和思路重新拆解了一遍。
原文还提到配套的提示词、工具和素材库附件文档；当前可获取正文中未给出附件入口。下文保留正文里公开的全部提示词和项目链接。
建议跟着实操一遍。篇幅较长，也可以把内容交给 AI 整理成适合自己工作流的 Skill。
如果没有问题，那我们就开始。
01. 为什么能接到商单
这类视频的收益方式通常包括平台流量和品牌商单，因此先介绍案例中的内容思路。
这一部分是创作者的个人观察，可以作为参考。
在创作者看来，2 条视频便吸引品牌联系，主要与以下两点有关。
一是视觉层面。
这种类型的视频不能说全网独一份，但相对来说还是比较少的，所以形式上，本身就是一种差异化，容易让人记住并观看。
在这个基础上，案例还做了一些视觉设计，比如类似电视机的人物小剧场、多种视觉动效和人物动作。
做这些设计，是为了丰富视觉层次、改善观看体验，让观众愿意继续看下去。
二是内容层面。
创作者的直观感受是，AI 领域的品牌可能更青睐教程类内容。
这类内容可以毫无痕迹地把产品植入进去，并且因为你做的是具体教程，用户想要实操就必然会用到产品，所以不管是流量还是转化，都不会太差。
视觉层面和内容层面结合起来，其实就是一个相对还不错的内容了。
这种内容即使你才刚起号，品牌方看到觉得质量不错，也可能会选择和你合作尝试一下。
02. 剪辑思路是怎样的？
说完商单，我们来说说剪辑思路。
在这组案例视频里，画面被明确拆分成两种不同的表现形式。
一种是白色背景，主角是个人 IP 形象（案例中为头顶小花的白毛小人），主要用来讲话、做动作、传递情绪；
另外一种是黑色背景，主角是内容本身，文字、图形、产品截图，也可能是一段具体的操作演示。
这两种画面有专门的术语，A-roll 和 B-roll。
（A-roll、B-roll 是纪录片剪辑里常会用到的剪辑手法。A-roll 是主机位拍主体，B-roll 是补充镜头。放到我们这里，就是讲人和讲内容两条并行画面。）
A-roll画面主要承担什么
A-roll的核心在于场景化表达，把抽象的文字变成一种更容易理解的情景。
让观众感受到这是一个人在跟我说话。即便这个人是假的，只是一个IP形象，也会有一种直观的对话感。
那什么样的画面算是A-roll呢？
简单粗暴一点，只要不是讲到具体知识的，你都可以归为A-roll。
比如开场第一个画面，有时信息量不多，却承担必要的引入作用。
这种你去用A-roll表达，就会变得很有意思。
B-roll画面主要承担什么
B-roll，则是补充画面。通过图表的方式，对知识进行画面上的补充，让观众可以更简单直观的理解知识本身。
一般只有涉及到知识、概念，或其他有信息增量的内容，就适合使用B-roll。
比方说要展示三种方案的对比，要放一个完整的流程步骤，或者某些知识概念由哪些部分组成。
拆分成A/B-roll两种画面，最大的好处其实就是不那么容易枯燥。
如果你一直只有一种画面，那越往后，观众的注意力其实是越容易分散的。
但如果两种画面交替出现，观众每隔十几秒就换一次视觉刺激，看起来就会更有趣味性，更容易看下去。
另外，还有一个很大的好处是，AI的剪辑准确率会大幅提高。
当画面只分A/B两类的时候，AI 每到一个镜头，只需要先做一个非常简单的选择：这一段用 A-roll还是用 B-roll？
如果选A-roll，那就只需要按照提前设定好的A-roll规则或模板，生成对应画面就好。
03. 需要准备什么工具？
原文选用 Codex 作为主要 Agent，并使用它的生图能力完成角色和场景素材。
当然，你用workbuddy其实也可以，但这个就需要你自备一个生图模型的API。
除了Codex以外，我们还需要安装一个动效插件，HyperFrames。
这个安装方法很简单，直接在Codex的插件市场，搜索HyperFrames，找到并安装就行。
这是一个专门做动效的一个插件，A-roll 和 B-roll 里所有的动效、镜头运动、时间轴，都是靠HyperFrames渲染出来的。
类似的插件还有Remotion。
对比HyperFrames，Remotion的优势是通过帧数控制，所以动效的可控性会更好一些，并且Remotion相对成熟，你能找到很多好看的Remotion模板。
创作者更偏好 HyperFrames 的整体设计感，所以使用较多；具体选择哪一种，可以结合自己的项目对比。
安装好动效插件以后，我们还需要准备一个配音工具。
案例使用火山引擎的豆包语音合成 2.0。按创作者当时的使用体验，效果稳定，1 分钟大约几毛钱；实际费用与赠送额度以服务开通页面为准。
使用方法也很简单，直接注册一个火山引擎的账号。
然后搜索豆包语音，就可以进入专题页面。
在开通管理里开通语音合成服务，一般新用户会送20000字的生成额度。
开通后，在本机通过环境变量或工具的安全配置接入 API 凭据，再让 Codex 调用测试，避免把密钥直接粘进聊天或文档。
如果你想用自己的声音，也可以试试开源的声音克隆工具voxCPM或Voicebox。
创作者对这两个工具使用不多，需要另行探索。
基本上需要准备的工具就是Agent （也就是Codex）+动效插件+配音工具。如果你需要后期自己修改的话，也可以考虑加上ChatCut。
04. 如何调用Codex剪辑
所有东西都准备好以后，我们就可以进入实际的剪辑流程。
整个流程分为四步，下面展开说明，并保留每个环节的完整提示词。
第一步：文案 + 配音
视频文案也是 Codex 一键生成的吗？
案例中的文案使用另一套内容工作流，由 Claude 辅助撰写；这篇主要讲剪辑流程。
所以这一步，我们需要提前准备好文案。有Claude用Claude是最好的。没有的话，豆包或DeepSeek效果其实也不错。
文案准备好以后，接下来就是配音和声学对齐。
配音没什么好说的，把定稿文案丢给Codex，让它调用豆包语音合成就行。
不过这里要注意提醒Codex，文案一定要整段合成，不要分句再组合。
如果你不提醒，Codex大概率会分句合成，每句话都调用一次豆包语音，最后再组合起来。
这样生成的音频，句与句之间会有明显的差异，比方说这句话大声，另一句话就小声。
声学对齐，简单来说就是把生成好的音频重新解析，拿到一份毫秒级别的时间轴文档，例如：
- [1249ms-3580ms] 这个问题其实很多朋友都有遇到
- [3580ms-6120ms] 我自己第一次做的时候也这样
这份时间轴文档，是后面所有视觉决策的时间基准。 每个镜头持续多久，画面如何变化，声音和画面怎样对齐，都需要用到。
如果没有的话，Codex生成时就很容易会出现声音和画面错位的情况。
把下面的提示词和脚本交给 Codex，可以让它进行配音，并输出时间轴文档。
第二步：视觉编排表
配音和时间轴都拿到之后，我们还需要去做一份视觉编排表。
视觉编排表，你可以理解成剧本 + 分镜的组合体。
其实就是要让 Codex 站在视觉导演的视角，对我们的文案进行理解和拆分，变成一个个具体的视觉镜头。
比方说哪一段文案要用A-roll、哪一段文案用B-roll，每个镜头持续多久、画面上要发生什么变化、和前后镜头怎么衔接，这些都是要在视觉编排表里写清楚的。
这里同样保留一份可直接交给 Codex 的提示词。
编排表出来以后，个人建议是完整检查一遍，主要检查两个地方。
一是 A-roll 和 B-roll 的交替节奏是否自然，会不会连续三四个镜头都是 A-roll、然后又连续三四个都是 B-roll 这种情况；
二是单个A-roll 或 B-roll，会不会一直重复使用同一种类型。
在这里花一点时间，后面用 Codex 剪辑的时候就会更简单一点，也更容易做出你满意的画面。
第三步：正式剪辑
OK，说了这么多我们终于可以进入正式剪辑了。
不过因为我们前面其实做了非常多的准备工作，像时间轴还有视觉编排表这些都做好了，所以剪辑部分就会变得非常简单。
就是按照视觉编排表和时间轴的顺序，把一个个镜头做出来就行。
不过A-roll和B-roll的做法，会有一些明显的差别。
先说 A-roll。
A-roll 里有两个地方比较关键，一个是 IP 形象的一致性，一个是表达视角的多样性。
IP 形象一致性
我们都知道，提供参考图给 AI，AI 就可以生成非常相似的画面。
但你如果真的去用，就会发现，这个相似其实还是会有一些差异。
比方说生成的人物看起来是对的，但身高、胖瘦不太一样；又或者体型、年龄都跟参考图很像，笔画风格却又跟原来对不上。
即便是一次对了，你也很难保证每一次生成都是对的。
因此，给 AI 的参考图不只一张，而是同时提供人物三视图和细节笔触图。
人物三视图，主要是确保角色本身是对的，五官、体型这些不会出现偏差。
细节笔触图，就是笔画的呈现细节，比方说上色方式、线条粗细和线型。这样AI每次生成时，整体的画面风格就不会有太大偏差。
另外，还要准备一张场景图。
案例中的 A-roll 主要是小剧场，因此场景也很关键。场景图用来约束整体场景风格，让 AI 知道画面应该是什么样的。
光有参考图还不够，在提示词上还要有一些关键约束。
比如让 Codex 分析 IP 角色的身型、身高和头身比例；同时在提示词里要求背景简化、虚化，突出画面层次。
下面保留相应提示词。
如果你没有三视图，可以用下面这个提示词，先把IP的三视图做出来。
细节图其实就很简单，从你想要的风格图片里，截取一张放大的局部细节图即可。场景图就需要自己去找合适的，或者让Codex生成，你再挑选一张满意的作为场景图。
有了三视图、细节图和场景图，后面每一个A-roll镜头，你都可以用下面这个提示词来出图。
多种表达视角
IP 形象搞定之后，还有一个问题。
如果 A-roll 从头到尾都是小人站在中间讲话，观众看多了也会腻。
A-roll 还可以区分几种不同的表达视角，交替使用，让节奏更丰富。
比方说主持人视角。IP角色会像主持人一样正对镜头讲话，一般用在开场、章节过渡这些地方；
还有主角视角和配角视角。主角视角就是IP角色作为画面主体，在场景里做动作、情绪，或者和配角有交互。而配角视角则是作为补充视角，一般在主角视角的下一个A-roll。
表达一些关键信息时，也可以使用第一人称视角，直接用 IP 角色的眼睛去看，画面就是它看到的东西。
下面是生成多视角的提示词，朋友们也可以直接使用这个提示词，生成A-roll画面。
OK，说完A-roll，再来说说 B-roll。
B-roll 的思路和 A-roll 类似，也是先分类型，再决定用什么表现形式。
B-roll 主要分为三种类型：有素材类型、无素材类型、纯文字类型。
有素材类型，就是需要实际截图或录屏的内容，比如案例视频里的商单截图、工具页面录屏。
无素材类型，是没有现成素材，但可以用图形表达的内容，比如把知识中的视觉关系通过图形和动效呈现出来。
纯文字类型用得相对少，一般是章节目录或金句这些地方会用上。
分好类型之后，接下来就是具体制作。
制作通常有两种方式，核心是搭建稳定的素材库。
一是搭建本地动效素材库。
有些结构其实是每条视频都会重复出现的，比方说三步流程、方案对比、几种类型的横向排列。
这种其实我们可以提前让codex去做好几个相对比较OK的动效模板。不用太多，每种常用结构 2–3 个就够了。
做的时候把 UI 规范 （配色、字体、光标） 都加进去，动效结构做得通用一点。
之后再遇到类似的 B-roll，就可以让 Codex 直接读取本地模板，然后只替换文案，快速获得一个风格一致的 B-roll 画面。
二是从开源素材库里找现成动效。
如果本地动效模板里没有合适的，我们还可以从开源素材库里找。
GitHub 上有不少开源的动效项目，里面有大量做好的动效可以直接拿来改。比方说 Hyperframes-launches 和 video-shotcraft 这两个。
hyperframes-launches 是 HyperFrames 官方发布的动效示例库，收录了 HeyGen 自己产品发布视频用过的完整动效，都是能直接使用的 HyperFrames 源码。
video-shotcraft 是一个开源老师整理的动效库，有 152 张镜头配方卡和 209 个动效预览。原实现是基于 Remotion 的，但里面的动效思路也可以直接被 AI 读取，然后用 HyperFrames 复刻出来。
做的时候，让 Codex 先去这两个 GitHub 项目里读取，挑一个和文案语义结构最接近的动效样式，把它的骨架 （元素关系、主要动作、阶段顺序） 保留不动，只把外层的画面改成符合我们 B-roll 的样式。
下面这条通用提示词，将两种素材来源的配合逻辑写在了一起：
第四步：样片和成片
到这里，A-roll 和 B-roll 的做法，相信朋友们已经清楚了。
接下来，根据视觉编排表让 Codex 一段一段做出来即可。
这里一个比较好的建议，是先出1分钟左右的样片。
1分钟时长，可以完整看到A-roll和B-roll的节奏变化。
如果有需要调整的在样片阶段改掉，成本会低很多。
样片确认没问题，再让 Codex 按照同样标准，把剩下的内容完整剪辑出来。
拿到成片以后呢，视频看起来还是比较单调怎么办？
这时候，就需要我们把听觉补上，让整个视频看起来更完整和有节奏。
BGM 可以从爱给网等素材站寻找适合项目授权范围的音乐，也可以接入音频生成模型制作。
但有一个前提，BGM的风格一定是要适配内容的。
案例做的是 AI 知识干货分享，因此 BGM 偏轻快、快节奏，用来配合 A-roll 和 B-roll 的变化。
音效的话，其实做和不做都可以。当然，做了整体的层次感肯定会更好，但要注意数量和声音大小，避免音效加过多，破坏视频的整体节奏。
写在最后
如果不想出镜，又希望尝试知识类视频账号，可以从这种形式开始：固定角色，明确镜头分工，先做样片，再逐步完善。
最后跟朋友们分享一个感触。
创作者在持续使用 Codex 剪辑后感受到，2026 年的 AI 工具让普通人的创意更容易落地。
因为自从Agent爆发以来，AI无论是执行力还是智商，都已经到了一个真正能做好事情的水平。
所以你脑子里任何一个想法或创意，都值得丢给AI去试一遍。只要你愿意花点时间，「想到」就可以是「做到」。
以上就是全部，希望对朋友们有所帮助。
我是分辨率网络的主理人，一个爱折腾的程序员，也在做独立开发。
这里会分享 AI 工具、实用教程和应用思路：怎么上手，适合什么场景，能帮你解决什么问题。
想让 AI 帮你省点时间、少做点重复活，或者用在自己的业务里，欢迎关注我。咱们从一个具体问题开始。