Codex 能不能真正做视频？我把一条 30 秒视频从代码跑到了成品

这两天，我给 Codex 的任务很具体：做一条 30 秒中文竖屏视频，最后要交付能播放的 MP4。主题是《AI 时代，普通人如何提高工作效率》。我想知道的不是它能不能写一段动画代码，而是脚本、画面、配音、字幕和编码之间那些零碎的工作，能不能一起落到成片上。

结果是跑通了。原版和后来升级配音的版本都保留下来，最终文件是 1080×1920、30 FPS、H.264，时长 30 秒。但这个结果最让我改变判断的地方，并不是“AI 会做视频了”，而是我开始看清：一条视频从构想到交付，中间有很多种不同性质的劳动。

Codex 组织的，是一组互相牵连的决定

项目从空目录开始。Codex 整理旁白和分镜，用 Remotion 写画面与动画，调用 TTS 生成声音，再用 FFmpeg 混音、编码和检查。它还要处理环境问题，以及渲染出来以后才暴露的画面问题。这些环节放在同一个项目里，前一个决定会改变后一个决定。

例如，视频分成开场、拆任务、写要求、核验复用和结尾五段。文字不能只是把旁白复制到屏幕上：会议记录拆成结论、待办和负责人，需要有对应的卡片；讲清要求，需要把背景、目标、格式和例子逐步展开。Codex 在这里承担的是把表达意图落成具体画面，再把素材和程序连接起来的工作。

这条片主要是文字、卡片和几何动画，没有依赖生成模型逐镜头生成视频。Remotion 负责可编辑的场景、布局、入场和逐帧渲染；TTS 负责真实的语音素材；字幕把文案与声音时间联系起来；FFmpeg 负责声音处理、最终封装和媒体检查。没有哪个工具单独完成了整条片。

第一版使用 macOS 系统语音，把旁白拆成 11 段，分别测量长度再放进预设时间槽。它完成了第一条成片，也让我有了可以比较的基准。后来我试听了三种 MiniMax 声音，选定一种，重新生成正式旁白。这里改变的不只是音色。

新版把完整旁白一次合成，实测约 28.58 秒，不靠后期加速挤进 30 秒。片头加了短暂留白，五个场景根据实际发声边界重新安排。讲到数字、来源和提示词模板时，画面提示也跟随关键词出现。声音不再只是最后塞进去的附件，而是参与决定镜头节奏的素材。

字幕也从短句时长范围，换成服务返回的逐字时间戳，再组合成 12 条可阅读的短字幕。我核对的是原文有没有缺字、区间有没有重叠、字幕是否在成片范围内。显示在 30 FPS 的画面上，仍会有帧量化；时间戳能被正确使用，不等于已经测出了对齐算法本身的准确率。

制作记录里有一些很不“智能”的问题：系统语音曾生成空文件，音乐响度参数碰到边界，提示词面板有多余进度线，片尾过早淡出，浏览器渲染的像素范围还需要统一。它们不会因为脚本看起来完整就自动消失。

FFmpeg 在这里做的是实在的收尾工作：把画面与混音合成，统一为 H.264、yuv420p 和 BT.709，输出带完整 AAC 音轨的 MP4。检查对象也必须是最终文件。我不想只看 Remotion 预览正常，就默认转码、音轨或最后一帧都没有问题。

正式版核对了 900 帧、完整音视频解码、黑屏区间、响度和峰值；从实际 MP4 抽取十个时间点检查文字和遮挡。浏览器还从头播放到 30 秒，记录显示正常结束且没有媒体错误。尾句之后实测有约 1.18 秒静音余量，避免视频边界把最后几个字切掉。

配音属于需要外部生成的素材，改画面和字幕则经常不需要重新生成声音。项目把同配置的成功语音保存下来：正式版重新构建实际复用了缓存，没有新增 Speech 调用；原版文件也保留着。这使调整布局、镜头和混音时，可以围绕同一份声音比较。

我觉得这种分工比“让 AI 一次生成所有东西”更适合这次任务。Codex 判断如何表达、何处需要改；Remotion 和 FFmpeg 按明确的数据执行。生成结果一旦成为素材，就应该允许被测量、复用和替换，而不是每次修改都重新抽一次结果。

当前工程还做出了一条混合真实生活素材与图解的科普短片。因此，纯文字动画是这条 30 秒片的形式，不是整套路线只能做到的上限。但换主题仍要研究内容、选择素材和复核画面含义，不能把一次生产成功叫作通用的视频工厂。

技术检查能发现解码错误、缺音轨或字幕越界，不能替观众判断配音是否动人、节奏是否舒服、内容是否值得看。本地 ASR 辅助核对了语句，却有同音字偏差，也不能冒充人工听审。手机上的观看体验、不同题材的稳定质量和长期生产成本，还需要继续积累真实使用记录。

我现在的判断是，Codex 已经能在这类有明确规格的项目里，把代码、生成素材和媒体工具组织到最终成片。但“能生产一条”与“能持续生产值得发布的作品”之间，仍有内容和审美工作要做。这条 30 秒视频让我愿意继续尝试，下一次该改善什么，则要回到实际看片的感受里。