Codex自动化剪辑从0到1，开源我在抖音赚了5W+的剪辑工作流【万字长文】
这套剪辑工作流我已经用了两个多月，迭代过不少于10版。在文章里，我会尽可能详细地把完整流程和细节，给朋友们讲清楚。
你可以跟着文章的思路过一遍，也可以直接把这篇文章发给Codex，让AI给你做成Skill。
Hi，朋友们，我来交稿啦～
上周写过一篇入门Codex的文章，很感谢朋友们的捧场，跑到了一百多万流量。
当时很多朋友问我，文章里提到的自动化剪辑可以分享吗？
包的，今天就是来陪朋友们唠唠，如何用Codex实现自动化剪辑，最大化提升视频创作效率。
工作流的底层逻辑
不管是做内容还是做电商，想要快速获得流量，最简单的办法就是抄爆款。
因为爆款，都是经过市场验证的内容，只要跟得够快，基本上流量都不会太差。（当然哈，要注意抄和搬运的区别。）
这套工作流的核心，就是抄爆款。
假如你看到一个爆款视频，想照着这个节奏和结构做一条自己的视频。传统的做法是你要手动去剪映里一帧帧对着参考视频，找素材、卡时间、对字幕，一条视频可能要花两三个小时。
但用这套工作流，你只需要准备好参考视频和你自己的素材库，剩下的事情 Codex 都能帮你自动完成。
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。
整个过程可能就几分钟。
我平常主要是做抖音带货视频的时候用这个工作流。
没有Codex以前，同样的视频一天撑死了只能剪出6条。但有了Codex之后，我只需要找到合适的爆款视频作为参考，然后把产品素材准备好，剩下的就是自动生成、审核、微调。
一天轻轻松松可以剪完30条，效率提升了至少五倍。
但这里要说清楚，这套工作流的定位是自动生产，不是精品创作。
它适合的是需要多段素材拼接的偏混剪类视频，比如电商带货、营销推广、混剪Vlog之类的内容。
参考视频提供结构和节奏，你的素材库提供画面，配音和字幕自动生成，最后自动出片。
如果你想做高质量的原创内容，需要非常精细的镜头语言、复杂的转场、细腻的情绪表达，那这套流程可能不太适合。
因为自动化的匹配逻辑，目前还做不到那么精准的语义理解和情绪把控。
我自己现在也在研究怎么把这套流程往原创视频的方向优化，等稳定了再给朋友们分享。
工作流前期准备
OK，回到自动化剪辑工作流。下面我会一步步讲清楚，这套工作流具体怎么搭建。在正式开始前，你需要准备好两样东西。
1. 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。
这些工具里，FFmpeg 和 Python 是核心依赖，必须要有。
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：
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。
2. 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：
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。
这里的素材可以是AI生成的，也可以是你自己实拍的，但一定要提前准备，以可复用的素材为主。
然后，素材可以按照不同类别去分类。
比方说带货素材，你可以按照外观、功能、场景这些维度区分，再进一步还可以区分AI生成、真人实拍。
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。
PS：我自己的AGENTS有点长，为了不影响阅读，我放在了最后面。朋友们可以参考借鉴。
剪辑工作流搭建
1. 拆解参考视频
准备工作做完之后，就可以开始真正的剪辑流程了。
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：
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。
2. 筛选和匹配素材
这一步是整个流程里最关键的，也是最能体现自动化价值的地方。
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：
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）。
这里有个很重要的原则：宁可留空素材，也不要用无关素材硬凑。
我在早期版本里，为了让每个镜头都有素材，会自动降低匹配标准，实在找不到就随便找一个素材填进去。结果生成出来的视频看起来很怪，有些镜头明显和上下文不搭。
后来我改了逻辑，如果某个镜头的匹配置信度太低，就直接标记为缺素材，让人工去补充。这样虽然多了一些手动工作，但最终的视频质量会好很多。
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。
这里注意，一定要强调复制，不是移动，避免Codex破坏你的原始素材库。
完成后，你可以先检查下匹配结果。如果有些镜头的素材不满意，让Codex重新替换，或者手动替换一下都可以。
3. 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：
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。
配音生成完之后，建议你听一遍，确认一下语音自然度和语速。
4. 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。
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。
让Codex逐一去优化。
写在最后
到这里，整套工作流就完整走完了。
从参考视频，到拆解分析，到素材匹配，到配音生成，再到最终的剪映草稿，整个流程可能就 20-30分钟。
如果你的素材库准备好，甚至可以做到 5 分钟一条视频。
最关键的是跑通整个工作流以后，你可以直接跟Codex说：帮我把工作流封装成Skill。
下一次，就不需要这么复杂的流程，直接调用Skill就可以生成。
以上，就是全部，希望对朋友们有些帮助。有问题的话，也可以随时找我交流。
祝好。🍀
哦，对了，这是我的AGENTS.md的模板，仅作参考👇🏻。