Codex + 剪映自动化剪辑
工作流的底层逻辑
这套工作流的核心，就是抄爆款
Codex会自动识别参考视频的每个镜头切换点，自动从你的素材库里找到最匹配的素材，自动生成配音和字幕，最后直接给你一个可以打开编辑的剪映草稿。
这套工作流的定位是自动生产，不是精品创作。
工作流前期准备
安装对应工具
这套工作流是基于 Codex 实现的，所以你首先需要有 Codex。如果你还没用过 Codex，可以先去看我上周写的Codex入门文章。
具体来说，这套工作流需要这几个核心工具：
•
FFmpeg：用来处理视频拆分、合成、格式转换这些底层操作。这是整个流程的基础，必须要装。
•
Python 环境：因为整套流程是用 Python 写的，至少需要 Python 3.8 以上版本。
•
配音工具：如果你想要自动配音，最稳定的就是字节的豆包语音大模型，费用不高，效果稳定；如果你想要克隆声音就用VoxCPM，这是一个免费开源的声音克隆工具。
•
剪映：最后生成的草稿是剪映格式的，所以你需要在电脑上装一个剪映专业版。
你可以直接把下面这段话复制发给 Codex，让它帮你检查环境并安装缺失的工具：
代码块
Plain Text
请帮我检查视频自动化剪辑需要的环境：
1. 检查 FFmpeg 是否已安装，如果没有请帮我安装
2. 检查 Python 版本是否 >= 3.8，如果没有请帮我安装或升级
3. 检查是否安装了剪映专业版，如果没有请告诉我下载链接
4. 安装 Python 依赖包：opencv-python, numpy, pillow
检查完之后，告诉我哪些已经装好了，哪些需要我手动处理。
配音的话，看你需求。如果说你想做的是电商带货视频，豆包语音模型效果是最稳定的。
它用的是剪映同源的AI配音，基本上在剪映里能找到的配音，在豆包语音模型里都有。定价也不高，平常我们生成一条1分钟左右的视频，配音的费用大概是4-8毛。
如果你想用自己的声音，或者克隆别人的声音，用VoxCPM就行，是一个免费开源的工具。
在Github里面找到这个配音工具，然后把链接发给Codex让它安装就行。
创建文件夹
装好这些之后，你需要建一个项目文件夹。我一般是按照这样的结构来组织：
代码块
Plain Text
项目文件夹/
../assets/ # 你的素材库
work/ # 工作区，每次剪辑都在这里建一个日期文件夹
final/ # 最终成品
AGENTS.md # 项目配置文件
•
assets 文件夹就是你的素材库，把所有可能用到的素材都放进去。
•
work 文件夹是工作区，每次你要做一条新视频，就在这里建一个日期文件夹，比如 2026-07-05，然后把参考视频、生成的中间文件、最终的草稿都放在这个文件夹里。
✅
AGENTS.md 是项目的配置文件，里面记录了你这个项目的目标、输出规格、验收标准这些信息。这个文件很重要，因为 Codex 会根据这个文件来理解你的项目需求，然后帮你做出符合要求的视频。
剪辑工作流搭建
拆解参考视频
第一步是拆解参考视频。这一步的核心目的，是把参考视频拆分成一个个独立的镜头，然后提取每个镜头的关键帧，作为后面素材匹配的依据。
你需要先找到一个你想要参考的视频。这个视频可以是爆款视频，也可以是你自己剪过的觉得效果不错的视频。
把它下载下来，放到 work 文件夹里，写一个容易搜索和区分的文件名。
然后把下面这段话复制发给 Codex：
代码块
Plain Text
我需要拆解一个参考视频。
参考视频位置在@（输入你的文件名，Codex会自动搜索）
请帮我完成这几件事：
1. 用 FFmpeg 识别视频的镜头切换点（通过帧间差异分析）
这个 recipe.json 文件，就是后面整个流程的核心依据。
它记录了参考视频的完整结构，后面的素材匹配、配音生成、草稿制作，都是基于这个文件来做的。
拆解完之后，你会在对应文件夹里看到一堆小视频片段和截图。
打开看看，确认一下拆分的镜头是不是合理。如果有些地方切得不太对，比如把一个完整的镜头切成了两段，或者两个镜头没切开，你可以让Codex再调整一下。
但大部分情况下，自动识别的结果都是可以用的。
筛选和匹配素材
传统的做法是你要一个镜头一个镜头地去素材库里翻，找到合适的素材，然后拖到时间线上。这个过程很费时间，而且很容易漏掉一些更合适的素材。
但用这套工作流，你只需要告诉 Codex 你的素材库在哪里，它会自动帮你做视觉匹配。
下面是提示词，你可以直接发给Codex：
代码块
Plain Text
我需要从素材库中匹配替换素材。
项目信息：
- recipe.json 路径：(上一步的拆解路径)/recipe.json
- 素材库路径：../assets/
- 输出路径：work/（你的保存路径）
匹配要求：
1. 读取 recipe.json 中每个镜头的关键帧
2. 遍历素材库，为每个素材提取关键帧
3. 通过颜色、亮度、构图等视觉推荐最匹配的素材（给出置信度得分）
4. 应用这些规则：
- 避免连续3个镜头都用同 - 避免相邻镜头出现明显重复的房间或构图
6. 生成 fragment_plan.json 和 matches.json
7. 把选中的素材复制（不是移动）到 material/fragment01/, fragment02/ 等文件夹
大概的匹配逻辑就是，Codex 会读取参考视频每个镜头的关键帧，然后遍历你的素材库，给每个素材也提取关键帧。然后通过颜色、亮度、构图这些视觉特征，计算每个素材和参考镜头的相似度，给出一个匹配得分。
得分高的素材就会被优先推荐。
还有提示词里面提到的一些规则，都是我在实际使用中总结出来的。如果不加这些限制，自动匹配出来的视频可能会显得很单调，观众一看就知道是机器生成的。
匹配完之后，Codex 会生成一个 fragment_plan.json 和 matches.json。
fragment_plan.json 记录了每个镜头的需求。比如某个镜头需要什么样的场景、什么样的动作、什么样的景别、哪些素材是必须避免的。这个文件是给匹配算法看的。
matches.json 记录了最终的匹配结果。每个镜头用哪个素材、置信度是多少、是不是降级匹配 （找不到完美匹配，用了次优选择）。
匹配完成后，Codex 会把选中的素材复制到对应文件夹里，并且按照参考视频的镜头数量进行分类保存。
生成配音
素材筛选完成以后，下一步就是生成配音。
我们在最开始拆解视频的时候，其实有让Codex提取文案，并且每个文案都有对应镜头。
因为Codex通常使用的是OCR或ASR来提取，准确率很难做到百分之百，所以你需要先检查下文案有没有问题。
没有问题之后，就把下面这段提示词发给Codex：
代码块
Plain Text
我需要为视频生成配音。配音文本是@（你的文案.txt）
要求：
1. 调用豆包 TTS 接口，为每个镜头生成独立的语音文件
2. 读取每个生成的语音文件的实际时长
3. 如果配音时长和参考视频的镜头时长不一致，记录时长差异
4. 将所有片段拼接成完整的配音文件：final_voice.mp3
5. 更新 recipe.json，记录真实的配音时长
Codex 会读取每个语音文件的实际时长，然后调整视频的节奏。
比如某个镜头的配音实际读了 5 秒，但参考视频里这个镜头只有 3 秒，那最终生成的视频里，这个镜头会被拉长到 5 秒，保证配音和画面对齐。
生成样稿和剪映草稿
剪映草稿的生成是这套流程里最复杂的部分，因为剪映的草稿格式很严格，素材路径、时间轴、元数据 ID 这些信息必须完全准确，否则打开会报错或者显示不正常。
我在这里踩了很多坑。比如剪映草稿里有三个关键的 ID：内容 ID、元数据 ID、根索引 ID，这三个必须一致，而且不能和已有的草稿重复。如果 ID 冲突了，要么打开失败，要么会覆盖掉你之前的草稿。
还有素材路径的问题。剪映草稿里记录的素材路径必须是绝对路径，而且文件必须真实存在。如果你移动了素材文件，草稿就打不开了。
避免这些问题的规则，我都写在了提示词里面，你直接复制就可以。
代码块
Plain Text
我需要生成最终的视频和剪映草稿。
第一次生成会比较久，大概十几分钟。完成以后，你可以打开剪映检查一下。
主要检查这几个点：
•
草稿能不能正常打开？
•
素材是不是都能正常显示？
•
时间轴对不对？每个镜头的时长和顺序是不是和预期一致？
•
字幕对不对？有没有遮挡关键内容？
•
配音和画面是不是同步？
如果有问题，回到前面的步骤检查，看是素材匹配的问题，还是配音生成的问题，还是草稿格式的问题。
代码块
Markdown
# AGENTS.md
## 目标