Codex 自动剪辑：开源爆火涨粉 100w 的人生副本视频（系列一）

“人生副本”是一类第二人称人生体验视频：用电影感插画、低沉旁白和缓慢镜头，在约 8 分钟内讲完一段人生，例如“在县城躺平的一生”或“30 岁被裁员的第 100 天”。

这类内容的主要特点是节奏舒缓、画面统一、故事强调现实共鸣。资料中提到过“单条视频涨粉 100w”和“相关账号涨粉 50w+”两个案例数据，但未提供后台数据或进一步验证材料，可将它们视为选题热度案例，不应直接当作普遍收益预期。

一次实际制作包含 102 张图片，资料中分别出现了“约 6 小时”和“约 8 小时”两种耗时记录。核心经验不是单纯依靠 AI 生图，而是用 Codex 或类似 Agent 环境组织剧本、分镜、生图、配音与渲染任务，并尽可能并行执行。

成片应该具备的五个特征

第二人称叙事：观众就是主角，由“你”体验一段人生，这是代入感的主要来源。
一句旁白对应一张图：每句话配一幅插画，画面缓慢推近，搭配低沉、平缓的人声。
固定栏目片头：轮播外卖员、代驾、货车司机、白领、老板、医生、教师、工人等暗色人生画面，最后定格主题大字。
横屏长视频：采用 4:3 画幅，成片约 8～10 分钟，整体接近微型纪录片。
固定画风：正常头身与自然五官的二维电影化插画，避免明显的 AI 网红脸和过度写真实感。

开工前的准备

1. 支持多 Agent 的 AI 工作环境

需要能够并行处理多个生产分支，并可调用生图、语音合成和渲染工具。生产环节至少包括：

剧本与质检
分镜与视觉设计
批量生图
语音合成
视频渲染

重点不在于让 AI 画出一张图，而在于把整条内容生产链组织成可重复执行的流水线。

2. 火山引擎语音合成

用于生成平缓、低沉的克隆音色旁白。资料给出的配置是：

服务：火山引擎大模型语音合成
资源：克隆音色 seed-icl-2.0
音色号：资料中以 xxx 代替，未提供真实编号
采样率：24k
语速：默认，不额外加速
免费额度：资料称有 20000 字免费额度，实际额度与计费应以使用时的官方页面为准

3. FFmpeg 与剪映

FFmpeg：把静态图片渲染成平滑推近的镜头，并按时间轴拼接成片。
剪映：生成或打开可编辑草稿，用于发布前调整字幕、音乐和节奏。

4. 固定栏目素材包

建议提前准备并反复复用：

片头人生职业轮播图
齿轮机械音效
主题卡入场重鼓音效
固定字体、颜色和主题卡版式

为什么必须采用并行流水线

以 102 句旁白、102 张正文图的 8 分钟视频为例：

每张图生成和质检若平均需要 90 秒，串行完成约需 153 分钟。
每句 TTS 若需 5 秒，串行等待约需 8.5 分钟。
每个镜头若渲染 15 秒，串行渲染还需约 25 分钟。

仅这三项就超过 3 小时，还没有计算剧本写作、视觉设计、失败重试和最终质检。批量生产时，应把互不依赖的任务并发执行，并让单张图片或单段音频的失败只影响自己的队列。

前期只保留两个必须由人确认的决策点：

确认主题。
确认剧本。

剧本锁定后，再按任务依赖关系同时启动视觉设计、配音、生图和渲染准备，不必让所有工作排成一条串行队列。

图中的箭头表示任务依赖关系，并不意味着全部任务都要依次等待。

第一步：生成 6 个候选选题并评分

不要直接凭感觉定题。先让主控大模型生成 6 个候选人生方向，然后从七个维度评分：

代入感：普通人是否容易产生共鸣，例如裁员、相亲失败通常比登月更贴近日常经验。
冲突感：故事是否具有足够张力。
延展性：主题能否支撑 8～10 分钟内容。
画面可生成性：场景和动作是否容易转化成稳定、清晰的画面。
事实风险：健康、法律、金钱和职业相关数字是否有可靠来源。
平台风险：题材和表达是否可能触碰平台规则。
原创风险：是否与既有热门内容高度重复。

可使用 Claude、GPT 等对话模型完成候选生成与打分。选择总分最高的方向；分数并列时，优先选择原创风险更低的主题。

选题必须在开头 15 秒内兑现。标题如果是“体验在县城躺平的一生”，第一句就直接说：

今天你要体验的人生副本是，在县城躺平的一生。

随后立刻进入具体人生体验，不添加教程式预告或冗长铺垫。

第二步：写成一句一图的第二人称剧本

剧本需要遵守以下硬性结构。

固定开场

首句使用“今天你要体验的人生副本是……”并接上本期主题。第二句直接进入事件，不解释接下来会讲什么。

先列剧情节拍，再扩写全文

先规划 8～10 个剧情大节点，例如：

童年
高考
第一份工作
关系建立或破裂
失业
中年困境
晚年与结局

剧情节拍是故事阶段，不是句子数量。确认节拍后，再扩写成完整旁白。

每 30～60 秒必须发生变化

变化可以是：

新事件发生
人物关系改变
场景切换
主角认知改变

这条规则用来避免长视频中段变平。

至少选择一种故事机制

欲望兑现：围绕一个属性或愿望，例如“有钱”，分别在日常、浪漫、喜剧和危机中展现它的不同价值，结尾再回到一个具体的感官锚点。
关系升温：按照注意、记住、照顾、接触、确认逐级推进。每一级都要有可见的行动证据，不能只依靠台词宣告关系变化。
社会痛感：从一个小问题开始，例如讨好型人格，让它逐步损害身体、社交和亲密关系，并在结尾保留无法追回的代价。

一句旁白对应一张图

以句号、问号和感叹号拆句，每句话对应一张图。旁白中的抽象感受必须改写成可见的动作、人物状态和环境结果。

不合格写法：

你的安全感在这一刻彻底崩塌。

可视化写法：

女生独自坐在玄关地面，手机停留在未接来电页面，门外母亲持续敲门，她双手抱膝、脸色发白。

这一步适合使用推理能力较强的主控模型，例如 Claude Opus 档或 GPT。先让模型列出剧情阶段，再扩写全文。剧本完成后必须进行第二次人工确认；一旦进入生图和配音，修改剧本会导致大量下游产物重做。

第三步：在生产前完成四项内容质检

剧本确认后，不要立即生图。先让主控模型逐项检查：

事实准确性：核查健康、法律、金钱和职业数据。无法核实的数字直接删除，不编造看似真实的数据。
原创性：可以参考热门内容的结构，但不复用其事件组合、金句、人物关系顺序和分镜顺序。
第二人称与口语可读性：检查是否始终以“你”为叙事主体，并实际朗读确认句子是否顺口。
平台风险：检查可能违规或不适合发布的内容。

质检应输出明确的问题清单。发现问题时只修改剧本，并在剧本再次锁定后生成其他素材。越晚修改剧本，返工成本越高。

第四步：建立角色身份证、场景表和视觉圣经

AI 连续生图最常见的问题是角色外貌漂移。可以用三层约束控制一致性。

1. 角色身份证

为每个长期角色固定以下字段：

角色编号
性别
年龄阶段
脸型
眉、眼、鼻、嘴的比例
发型
体型
一个稳定识别点
按场景编号登记的服装

性别属于跨全片硬锁定字段，从婴儿到老年都不能改变。

2. 场景表与视觉圣经

统一记录：

场景结构
时间
光线
服装
道具
画风与色彩规则

3. 连续性状态

同一场景的连续镜头需要继承：

时间与光线
服装和发型
人物左右位置
房间布局
道具数量和位置

只有剧本明确发生变化时才允许修改。

同时把“一句一图”的剧本单元扩展成完整分镜，为每个镜头确定景别、机位、情绪、动效和转场。动效以缓慢推近为主；转场默认硬切，只有情绪连续的镜头使用 0.12 秒短叠化。

角色身份证、场景表、视觉圣经和分镜可以由主控模型生成，再用格式校验脚本检查镜头是否遗漏、旁白句子是否被意外修改。

第五步：逐句生成配音和字幕时间轴

配音与视觉设计没有直接依赖，可以同时执行。将剧本拆成单句，用火山引擎克隆音色并行生成音频，再按原始剧本顺序拼接。

需要特别注意：

保持慢速、平稳，不要为了缩短成片而偷偷加速。
必须读取每句音频的真实时长，再建立镜头时间轴和字幕。
不要根据字数估算语音时长，否则字幕和声音容易错位。
字幕使用白色粗体、黑色描边，底部居中。
一句旁白对应一个字幕段。
遇到逗号时换行，但不显示逗号本身，任何一行都不保留逗号。

第六步：先做锚点，再用三条队列并行生图

生图遵循“先锚点、后正文”的顺序。

先生成角色和场景锚点

生成角色母图和场景基准图。
检查并确认锚点。
后续正文图引用相应母图，尽量保持同一张脸和一致的场景结构。
某个镜头所需的角色与场景锚点通过后，就可以立即释放该镜头，不必等待全部母图完成。

正文图分三条队列

每张图独立生成，但根据风险类型并行处理：

高风险队列：包含手部、手机、工具接触、多人肢体重叠和身份关键画面。必须用全分辨率检查手指、手腕、前臂、手机屏幕方向以及物体接触关系。筷子、烟卷等不能穿掌；画坏后直接重画。
角色队列：普通人物镜头，重点检查脸型、年龄、发型、服装和人物左右位置。
环境队列：空镜、道路、建筑和房间，重点检查场景结构、时间与光线。

每张图失败最多重试三次，失败任务不得阻塞其他队列。全部完成后，校验每个镜头是否恰好对应一张图片，存在漏图时不能进入交片。

每张正文图都应作为独立调用生成，不使用九宫格拆图。可选模型包括 GPT 系列生图模型或火山引擎 Seedream；关键要求是能够逐张调用，并支持传入角色母图以保持人物一致性。

统一正向画风提示词

正常人头与自然人脸比例、真实发型、二维插画感不写真摄影、环境细节丰富的电影化生活插画、人物与场景光影统一、干净细腻线稿、柔和赛璐璐上色、画面内无任何文字水印。

负面提示词

真人摄影、3D 渲染、塑料皮肤、Q 版大头、多余手指、手部畸形、肢体融合、乱码文字水印。

第七步：用 FFmpeg 完成片头和正文渲染

当图片、音频和时间轴全部就绪后，进入视频渲染。

固定片头参数

使用 6 张暗色人生素材。
按非等距节奏切换。
用齿轮机械声推动节奏。
在主题卡切入前 87 毫秒加入一记重鼓。
主题卡定格在画面下三分之一处。
使用超大红白斜体主题字。

固定片头应作为栏目包装重复使用，不必每期重新设计。

正文镜头参数

所有镜头保持中心锁定，图片中心不移动。
默认从 1.00 平滑放大到 1.04。
近景可放大到 1.06。
使用平滑曲线匀速推进。
禁止左右横移。
禁止缩小。
禁止随机抖动。
禁止呼吸式回弹。
禁止出现黑边。

克制的中心推近是画面安静感的主要技术来源。

并行渲染和拼接

启动多个渲染进程分别处理单镜头，完成后必须按照剧本顺序无损拼接，不能按任务完成先后排列。FFmpeg 根据时间轴完成缩放、推近和拼接，最终导出 H.264 成片。

同时按照同一时间轴生成一份可编辑的剪映草稿，方便在发布前替换背景音乐、微调字幕或剪辑节奏。

第八步：交付前验收并发布

成片必须逐项验收：

剧本内容完整，没有漏句。
每张图片都有对应的配音时间段。
片头能够覆盖首句。
正文无黑边、无随机抖动。
音频、字幕和镜头总时长一致。
没有异常的超长静音。
所有镜头均有且仅有一张对应图片。

可以让主控模型核对成片参数，并通过抽帧检查画面。资料建议将同一条成品同步发布到抖音、B 站、小红书和视频号；实际发布仍需分别检查各平台当时的尺寸、时长、版权和内容规范。

流水线的核心

这类视频的可复制能力主要来自以下标准动作：

用评分制选择主题。
使用第二人称人生体验叙事。
坚持一句旁白对应一张图。
用角色身份证和视觉圣经控制连续性。
将配音、生图和渲染任务并行处理。
使用固定片头建立栏目辨识度。
在正式生产前完成剧本质检。

资料给出的目标是把流程稳定到“一天产出一条约 8 分钟成片”。这是一项生产设计目标，不代表所有设备、模型和团队都能达到相同速度；真实产能会受到模型调用速度、失败率、人工质检和渲染资源影响。

资料末尾另附有 AI 自媒体、AI 编程与 AI 办公课程推荐图，未提供更具体的课程链接或可验证信息：

参考：X 长文/动态