AI 写轮眼:教你反推一个 Codex Skill

最近，刷小红书看到一个不错的口播视频，满足了我所有的期待和要求：有清晰的面补，不用出镜。

但是很多视频就像这个视频教程一样，要么是说话说一半；要么就是评论区领取，然后半天找不到。

所以，索性我开始自己重新反推这个技能。

这个教程不是教会你某一个视频的制作方法，而是讲解一个反推、拆解 Skill 的方法论；下面也不会给你一个前后顺序的操作步骤，而是很多错误的探索，带你完整地走一遍技能的创建。

用马斯克的话说就是第一性原理：任何事物都存在不可拆分的基本要素。

一个视频拆分到最后，其实就是声音、画面、动效。

声音可以直接录制；画面稍微复杂一点，有不同类别：矢量图标、手绘和真实图片等；动效则包括缩放、滑动、向左、向右等。

技能的创建，我们不必想象成某种专业技能，而是把它当成小孩子的游戏：不同形状、不同特征的积木，搭建起来的一座宏伟城堡。

其实很多新技能，不过是一些基础技能的改良，或者多个技能的混合。

video-shotcraft：视频动效库

doodle-icons：矢量图标库

声音：口播录制 + 脚本文字（实际不需要文字）

画面：多张原视频的参考图，锁定风格、比例等

在这里，我们基本敲定了设想视频的基本要求：手绘风格，3:4 比例，动效、图标组合。

图：先把文案、音频和画面素材拆成可组合的基本输入

我们通过自然语言，根据 Skill 创建的效果来不断迭代。

底层原理上，这类视频都是 Hyperframe 或者 Remotion 框架上的逐帧渲染。真实技能的创建经过多轮迭代，可能和最初的模样大相径庭。

没有调用矢量图标库。

画面风格不是手绘字体。

字体颜色、内容过于 AI 味。

这一轮试错，我应用了两个技巧。其一，把参考视频截图作为参考图，来确定视频的风格；其二，进一步优化提示词，在图标、配色、风格提示词上提升细节。

缺陷仍然明显。虽然已经初步具备了手绘特点，但是图标还是缺乏复杂度，内容过于单调。

接下来，又是不停地挑刺：

1. 优先确保清晰度，手绘不影响清晰度。

2. 做好排版对齐，手绘不代表混乱；标记的红线起码要和对应的字对齐。

3. 手绘图标，能采用仓库的就采用仓库的资产，不要手绘。

4. 手绘主要解决的是线条、框架、字体这些简单的关系，而不是复杂图标。

5. 检查图标库，要不要再拓展丰富一些开源资源。

请你严格思考这些问题，执行。

反复多次修改后，才慢慢有了雏形和轮廓。

看起来很简单，但是上面一轮的试错和跑图，也花掉我一晚上的时间，才得到了想象的效果。可想而知，一个技能的创建，并没有想象中的容易。

我还面临着 3 项阻碍：声音和画面对齐的问题；如何锁定每一帧的画面；优化工作流程。

声音对齐画面，根据我的推论有 2 种思路。

一种是生成音频后，我再去配音。这个没有尝试，我担心我跟不上画面速度。当然，也可以采用分段录制、调整音轨速度的办法。

另外一种是让 Codex 标记音轨速度，音频转文字，文字转图片，转动态帧视频。

我要求：1. 画面长度和音频长度保持一致；2. 根据音频确定画面，2–6 秒生成一个关键帧，从而避免视频在一个关键帧停留过久。

效果还是很不错。我发现整体开头和结尾的速度对齐了，时长也是一致的。但是细节上，还是有 3–4 处没办法对齐，因为我的声音是忽快忽慢的，时长是不定的。

我尝试了很久，才发现音频根本和画面无法真正对齐。后面看到其他人同类视频的创作思路，才明白，原来大家都是通过后期剪辑来优化的。

Codex 生产了很多帧，跑了 40–50 张图，但是我发现依赖技能自动生成的图片，总是不尽如人意。要么缺乏创意，要么画面简陋。

除此之外，很多复杂图案，矢量图标库没有对应图标，手绘的又十分简陋。我开始重新思考，如何锁定每一帧的画面和动效。

我重塑了工作流程：

浏览器自动化（搜集额外的素材图片） → 口播视频设计表（素材、动效的脚本） → 技能生成分段视频 → 二次生成不合格的视频 → 剪映合并剪辑

图：为每句话配置一个视觉重点，避免画面只是在“陪跑”

这整个的思路，我代入了剪辑的思路到其中。用浏览器搜索的手绘风格图片，来丰富技能本身资产的不足，把这部分图片作为视频的补充。

同时，在工作流程中，加入动效表格和画面设计的脚本，人工参与到前期的设计和检查中。

为了解决对齐问题和画面效果问题，我把完整的视频拆分成每个独立的段落，每个段落 2–6 秒。对不合格的视频，二次生成效果，最后统一在剪映后期处理和合并导出。

在这一步，我实现了音画同步，解决了画面质量问题。

图：不用出镜，也可以用画面、声音和字幕完成表达

得到初步效果，这只是技能的一部分。虽然效果可以，但是我们发现，这种技术路线逐帧读取本身意味着多张图片生成、逐帧合并，速度真的太慢了。

叠加素材搜集和修改，这个和剪辑都快一个速度了，一次需要 2–3 个小时。

其实在反推技能的时候，我已经盯着思维链，质疑很多不合理的需求。

比如：后期明明要剪辑，为什么还要合成音频，这不是消耗 Token 和延迟速度吗？明明已经生成视频，不可撤回，但是 Codex 居然启动时还检查，检查导出和要求的一致性；明明可以一条龙导出，脚本和画面动效在后台运行即可，不需要人工参与。

大概是五类问题：后置检查、产出要求、视频素材和特效要求。中间出现很多奇奇怪怪的问题，产出了一些脚本甚至图片，这些其实都可以砍掉，对整个工作流程没有任何影响。

1. 取消或弱化后置人工检查：不再等完整视频渲出来后，再人工看哪里错。

2. 检查前置：先用静态关键帧 + 动效设计表确认排版、元素、触发关系、入场帧、Hold 帧。

3. 短片段化输出：每段 2–6 秒，哪里不满意只重做对应编号，不重渲整条。

4. 无声片段交付：音频只做节奏参考，避免音频合成拖慢。

5. Cue 表冻结后再渲染：字幕和动效从同一份数据派生，减少返工。

技能不是一次生成的答案，而是一套在使用中不断被修正的工作流。

经过六轮反反复复地修改，才终于拿到了可以用的技能包。

很多技能的创建并不是一蹴而就的，更多的可能是花费数周，甚至 1–2 个月时间才完善的。

我们可以在使用过程中，不断优化资产，调整工作流，慢慢积累出带有个人 IP 风格的技能。