一口气盘完 Codex 视频插件全家桶,今晚你就能出第一条片子

各位朋友，大家好！今天和大家聊聊AI时代视频生成和剪辑方面的工具。

前阵子有条叫「人类通信进化史」的短视频刷屏了。从结绳记事一路讲到 5G，动效丝滑得不像话，转场踩点踩得死死的。评论区一堆人猜，这得是哪个 AE 大神肝了半个月吧。

结果谜底揭晓，作者连剪辑软件的时间线都没打开过。

对，就是写网页那种 HTML。背后那个工具叫 HyperFrames，HeyGen 出品的开源框架，现在是 Codex 插件里热度最高的一个。

这事之后我就开始留意 Codex 的视频插件生态，越挖越觉得离谱。前前后后十来个工具翻了一遍，今天这篇，就是把我翻到的东西一次性分享给你。

这些工具都是我耗费大量时间亲手实测的，说这篇文章是一份上手指南，我觉得也不为过。每个工具的来历、能干嘛、怎么装、仓库在哪、坑在哪，我一次讲完。你看完不用再搜第二篇，今晚就能动手做你的第一条片子。

我也不知道能帮到多少人，但这些信息差，磨平一点是一点。

不过在讲工具之前，你脑子里得先装一张地图。

AI 时代搞视频，其实就三条路。

第一条，生成式。Minimax、Seedance、Kling 这些，你打字，它凭空给你造画面。爽是爽，但贵，而且不听话，你永远猜不到下一帧它要抽什么风。

第二条，剪辑式。剪映、Pr 那套，素材已经有了，人坐在时间线前面一格一格拖。

第三条，也是今天的主角，代码式。视频不再是拖出来的，是写出来的。你用大白话告诉一个 AI Agent，Agent 替你写代码，代码渲染成 MP4。

Codex之类的工具。就是那个 Agent。OpenAI 的那个编程工具，本来是拿来做开发的，结果一群人发现，用它搞视频，比写代码还顺手。

于是插件生态就这么炸了。下面一个个说。

     

先讲它，因为它是现在的事实标准。

先说背后的公司。HeyGen，2020 年成立，创始人徐卓（Joshua Xu），之前在 Snap 做 AI，出来创业最初叫 Movio，后来改名 HeyGen，主打 AI 数字人。就是那种你录一段视频，它克隆一个你的分身，念任何稿子口型都对得上的那种产品。AI 视频圈顶流，没争议。

2026 年，HeyGen 把内部用了很久的渲染框架开源了，就是 HyperFrames。口号喊得特别直白，Write HTML. Render video. 写网页，出视频。

原理不复杂。你写一个 HTML 文件，用 CSS 排版，用 GSAP 做动画，HyperFrames 用无头浏览器一帧一帧截图，再交给 FFmpeg 拼成 MP4。同一份代码，渲染一万次，画面一模一样，这点对 AI 特别友好。

GitHub 上 18.3 万……不对，是 18.3K star，1.7K fork，发布没几个月就冲到这个数。4 月 28 日正式进了 Codex 官方插件列表，一键安装。

那条人类通信进化史，就是它干的。

怎么上手。如果你用 Codex，插件市场搜 HyperFrames，装上，然后直接说，给我做一段 10 秒的产品发布动画，深色背景，标题淡入。如果你用 Claude Code 或者 Cursor，一条命令，npx skills add heygen-com/hyperframes，装完同样是说话就出活。

想手动跑也行，npx hyperframes init 建项目，npx hyperframes preview 在浏览器里实时预览，npx hyperframes render 出 MP4。三个命令，没了。

前置条件就两个，Node.js 22 以上，装个 FFmpeg。

适合做科普视频、知识卡片、时间线、产品动画、动态海报。缺陷也得说，它只能做图文动效，剪不了实拍素材；动画的上限取决于 GSAP 那套东西，特别复杂的物理效果做不了；还有渲染速度，几分钟的片子在你自己电脑上渲，得有点耐心。

很多人以为 HyperFrames 开创了写代码做视频这条路。不是的。

这条路是 Remotion 开的。

2021 年 2 月 8 日，瑞士苏黎世一个叫 Jonny Burger 的独立开发者发布了 Remotion 1.0。这哥们本来是想给自己的 app 做个宣传预告片，受不了 After Effects，就用 React 加无头浏览器截帧，再用 FFmpeg 拼接，做出了个原型，后来干脆做成了框架。

2022 年正式成立公司，就在苏黎世。GitHub 上 21K star，四年多一直稳定更新。

思路跟 HyperFrames 一模一样，唯一区别是，Remotion 押注的是 React 组件，HyperFrames 押注的是纯 HTML。HyperFrames 的文档里大大方方写着，我们在 HeyGen 生产环境用过 Remotion，学了很多，源码里还留着致谢注释。

Remotion 的强项是工程化。视频是 React 组件，组件可以复用，参数可以传递。什么意思呢，就是你写一个排行榜视频的模板，喂进去一百组数据，出一百条不同的视频。GitHub 每年的年度回顾、各种个性化账单视频，底下很多就是 Remotion 在跑。它还有个 Lambda 云渲染，把渲染任务拆到几百个 AWS 函数上并行跑，几分钟的片子几十秒渲完。

官方也有 Agent Skills，npx skills add remotion-dev/skills，仓库在 github.com/remotion-dev/remotion。

但有一个坑必须提前说，它不是传统意义的开源。许可证是自己写的，个人用，以及三人以下的团队商用，免费。四人以上的公司用，要买 license，一个月一百美元起步。我看到不少博主张口就说它开源免费，这里帮你把话说全，省得你公司用出事。

缺陷还有一条，你得会点 React。虽然现在是 AI 替你写，但出了问题你自己看不懂代码的话，排查起来会很痛苦。学习曲线比 HyperFrames 陡，这是事实。

顺着 Remotion 再聊聊这个，是我这次扒资料过程中最惊喜的发现。

一个叫 Vincentwei1021 的开发者，2026 年开源了这个项目，现在 2.2K star，Apache 2.0 协议，还进了 Remotion 官方的资源列表。

他干了件什么骚事呢。把 Notion、Figma、ClickUp 这些大厂宣传片里的动效，一个镜头一个镜头拆解出来，做成了一百多张「镜头配方卡」。每张卡记录这个镜头的用途、能量级别、建议时长、实现参数、常见的坑，还配了动态样片可以在线预览。

相当于把别人家大厂花几百万做宣传片积累的镜头语言，打包成了一套卡牌。

除了零散的镜头卡，它还内置了一个完整的成片模板，叫 Ink Press，纸墨风格，36 秒，十个镜头，转场字幕音效全配好了。

装法跟前面一样，npx skills add Vincentwei1021/video-shotcraft，或者直接把仓库链接甩给你的 Agent，说帮我装这个 skill。

然后你只需要说，用 video-shotcraft 给我的产品做一支宣传片。它会先问你用不用现成模板，或者让你去 Gallery 挑镜头卡。做出来的东西基于 Remotion 渲染，还能导出到剪映接着精修，这一点对国内用户特别友好。

缺陷，它只擅长产品宣传片这一类内容，你让它做剧情、做口播，它帮不上忙。镜头卡是作者总结的审美，想要完全自己的风格，得自己改代码。

前面三个都是「无中生有」派，画出来的视频。接下来换个流派，处理你实拍的东西。

ChatCut，ChatCut Inc. 出品，开源的 Codex 插件，网页版在 chatcut.io。它专治真人出镜的 A-roll 素材。

你录了一段口播，中间有气口、口误、卡壳、语气词，正常流程是你坐在时间线前面一刀一刀剪。ChatCut 的流程是，把视频丢进去，它自动转写语音，定位气口和口误，咔咔剪掉，顺手把字幕生成好，调色，加转场，卡点配乐，一条龙。

技术上有个设计我觉得特别值得学。它把自己的剪辑能力封装成了一个 MCP server，暴露成接口，任何支持 MCP 的 AI Agent 都能调。插件里带了 15 个工作流，从导入素材、改时间线、做动态图形，到生成配音 B-roll、转写、上字幕、导出成片，全流程都有。而且 Agent 干完活还会回头验证，检查剪辑点对不对、字幕同步不同步。

它还能调 Seedance 2.0 这类生成模型，剪辑和生成在一个工作流里完成。李一帆那条爆火的广告片，用的就是 ChatCut。

装法，Codex 插件市场装 ChatCut-Inc/agent-plugin，授权走 Codex 自己的 OAuth 登录，全程不碰密钥。不想折腾插件的，直接上 chatcut.io 网页版也行。

缺陷，重度依赖云端，账号、网络、它的服务器，缺一个都跑不顺。另外它的定位是粗剪，专业级的精修还是要回传统软件。国内用户用网页版，网络这块自己掂量。

这个项目来自 browser-use 团队，就是那个做浏览器自动化的明星开源组织。项目叫 video-use，GitHub 上 2.6 万星。

它的理念是我今年看到最野的。整个剪辑过程，AI 完全不看画面。

流水线是这样的，先把所有素材转写，打包成结构化文本，让大模型基于文字推理哪些该剪哪些该留，输出一份剪辑决策表，然后交给 FFmpeg 渲染，渲完还有一个自评环节，检查有没有跳切、有没有爆音，不满意就带着修改意见重渲，最多循环三轮。

不看画面反而剪得好，这事你细品。因为口播视频的信息九成都在语音里，画面只是陪衬。

能干的活包括，删口水词和死时间，自动调色，每个剪切点加 30 毫秒的音频淡入淡出防爆音，烧录字幕，还能并行调用 HyperFrames、Remotion 去做动画叠加层，等于把前面几个工具串起来了。所有剪辑上下文存在一个 project.md 里，跨会话可以接着干。

装法是 git clone 仓库再加个软链，仓库地址 github.com/browser-use/video-use。用起来也野，你把素材放一个文件夹，启动 Agent，说一句，edit these into a launch video，它就自己盘素材、给方案、等你确认、出片。

前置条件两个，ElevenLabs 的 API key 负责转写，按字符量付费，本机要装 FFmpeg。

缺陷，转写依赖海外 API，国内用网络是道坎，转录费在素材很长的时候也不算便宜。另外它擅长内容型视频，你指望它剪出一支卡点炫技大片，它做不到。

这个要简短讲，因为它的角色是配角。

Generative Media Skills，一个素材生成工具箱，图片、BGM、音效、AI 配音，都在里面。前面那些工具负责把片子做出来，但做片子的过程中你总会缺东西，缺一张背景图，缺一段音效，缺一个配音。Codex 会自动调它去补。

仓库在 GitHub 上搜 Generative Media Skills 就能找到。要注意的是，部分功能需要配置 MuAPI 才能用，生成是按量计费的，不是完全白嫖。

接下来这个思路又不一样了。

Flova 不是剪辑工具，是一个 AI 视频 Agent 平台。你在浏览器里跟它说想拍什么，它给你出剧本、拆分镜、定角色、生成每个镜头的素材、配乐、配音，最后在时间线上拼成片。全流程一站。

它自己不训模型，接的是各家顶流，视频有 Seedance 2.5、Wan 3.0、MiniMax H3，图片有 Nano Banana 2.1，音乐接 Suno，配音接 ElevenLabs。它的价值在组织，像一个小剧组，Agent 是导演。

最戳痛点的是资产库和评论修改。做短剧最怕角色一会儿黑发一会儿金发，Flova 把角色、场景、风格存进资产库，跨项目复用，一致性有保障。某个镜头不满意，在那一帧底下写条评论，它只重做那一个镜头，不用整个项目推倒重来。

它也有 CLI 和插件，能接进 Codex、Claude Code、WorkBuddy 这些 Agent 里用。

缺陷很直接，吃积分。视频按秒计费，注册只送 300 积分，订阅从一个月 17 美元到 167 美元不等。跟单次出片的工具比，它步骤多、速度慢，但换来的是整条片子的可控。适合真想做成系列内容的人，玩票的话先想好钱包。

这个工具我翻了一圈，公开资料还不多，不想给你编故事。

大致定位是 VibeCoding 体系下的剪辑 skill，自动粗剪、配乐、字幕、素材补全，路数跟 video-use 和 ChatCut 是一头的。等它生态长起来我再单独写一篇，现在就不展开了。信息少就少写，这是我写工具文的底线。

最后这个，严格说不属于这个新生态，但没有它，上面所有工具都得熄火。

FFmpeg，2000 年由法国程序员 Fabrice Bellard 创建，到今天 26 年了。这位老哥是传奇人物，顺手还写了虚拟机 QEMU，还用台式机算出过圆周率的世界纪录。

你现在用的所有视频软件，剪映、Pr、抖音、B 站、YouTube，底层都有 FFmpeg 的代码在跑。转码、拼接、抽帧、混音，视频世界的水电煤。

     

今天讲的这堆 AI 工具，你去翻它们的渲染流程，最后那一步，把一帧帧画面变成 MP4 的，几乎全是 FFmpeg 在干活。HyperFrames 是，Remotion 是，video-use 也是。

2026 年最火的一批 AI 视频插件，渲染的底座是 2000 年一个法国程序员写的东西。有时候想想还挺感动的，工具的形态一直在变，从命令行到时间线再到对话框，但底下的地基没变过。好东西，真的能吃二十多年。

好了，九个工具讲完了，收个尾。

屏幕前的你如果从头看到这里，大概率已经眼花了。没关系，我给你一条最短的上手路径，照着走就行。

Node.js，FFmpeg，再加一个 Codex 或者 Claude Code。这三样装完，你已经超过九成只会收藏文章的人了。

让它给你做一个 10 秒的标题动画。目的不是做出多牛的片子，是跑通一次「说话、出码、渲染、出 MP4」的完整循环。第一次渲出成片的那个瞬间，你会明白我的意思。

做口播实拍，装 ChatCut 或者 video-use。想批量做栏目和数据视频，上 Remotion。做产品宣传片，直接 video-shotcraft。想做漫剧短剧，去看 Flova。缺素材就配 Generatemedia。不用全装，也别贪多，你是什么类型的创作者，就装什么。

最后说回开头那条人类通信进化史。

从结绳记事到 5G，人类每一次通信革命，都是在把表达的门槛往下砸一刀。文字把说话固化，印刷把文字复制，互联网把复制变成零成本。而现在这一刀，砍向的是视频。

以前做一条像样的片子，机器、软件、审美，三座山。现在山没了，剩下的唯一门槛，是你能不能把脑子里的东西说清楚。

这是我今年最深的感受。视频创作这个行当的门票，从来没这么便宜过。

以上，既然看到这里了，如果觉得不错，随手点个赞、关注、转发三连吧。

谢谢你看我的文章，我们，下次再见。

关注公众号 前沿AI玩法

点赞 · 关注 · 分享