文本进去，视频出来：视频内容工厂的四个齿轮
2026/7/6大约 5 分钟
文本进去，视频出来：视频内容工厂的四个齿轮
在Codex上搭一套自动化视频生产流水线。
传统视频制作的痛点
做一个3分钟的视频要多久？
- 写脚本：半天
- 找配音：约档期、录音频、后期处理：1-2天
- 做动画：设计、制作、渲染：3-5天
- 加字幕：听写、校对、调样式：半天
一个星期过去了。
如果是系列视频，乘以N。
如果是热点内容，早凉了。
视频内容工厂
在Codex上搭一套自动化流水线——
文本进去，视频出来。
四个齿轮
| 齿轮 | 职责 | 能力 |
|---|---|---|
| HyperFrames | 想 | 创意策划、脚本生成 |
| ElevenLabs Skill | 说 | AI配音 |
| Remotion Skill | 动 | 程序化动画渲染 |
| Captions Skill | 字 | 字幕生成与样式 |
齿轮一：HyperFrames — 负责「想」
创意策划、脚本生成。
能力
- 把一个主题拆解成完整脚本
- 生成分镜、镜头、节奏
- 设计叙事结构（开场、发展、高潮、结尾）
- 适配不同视频风格（科普、商业、娱乐）
输入
"
- 主题（"量子计算是什么"）
- 时长（3分钟）
- 风格（科普、轻松）
输出
- 完整视频脚本
- 分镜描述
- 镜头节奏表
- 文案草稿
齿轮二：ElevenLabs Skill — 负责「说」
AI配音。
能力
- 文本转语音，高质量人声
- 多语言、多音色
- 情感控制（平静、激动、严肃）
- 语速、停顿可调
输入
- HyperFrames生成的脚本
- 音色选择（男声/女声、年龄感）
- 情感基调
输出
- 高质量音频文件
- 多音轨版本（备用）
为什么用ElevenLabs
- 自然度接近真人
- 支持中文
- API稳定
- 成本可控
齿轮三：Remotion Skill — 负责「动」
程序化动画渲染。
能力
- 代码驱动视频生成
- React组件写动画
- 参数化控制（改代码=改视频）
- 高质量渲染（4K可选）
输入
- 脚本和分镜
- 音频时长（ElevenLabs输出）
- 动画风格模板
输出
- 完整视频文件
- 多分辨率版本
- 带时间轴的工程文件
为什么用Remotion
- 程序化，可复用
- 与音频时长精确对齐
- 修改成本低（改参数重新渲染）
- 开源生态，模板丰富
齿轮四：Captions Skill — 负责「字」
字幕生成与样式。
能力
- 音频转字幕
- 自动分段
- 样式控制（字体、颜色、位置）
- 多语言翻译（可选）
输入
- 音频文件（ElevenLabs输出）
- 样式偏好
- 是否需要翻译
输出
- SRT字幕文件
- 烧录字幕的视频版本
- 多语言字幕版本
完整工作流
文本主题
↓
[HyperFrames] → 脚本 + 分镜
↓
[ElevenLabs] → 音频 + 时长
↓
[Remotion] → 视频（带时间轴）
↓
[Captions] → 字幕 + 烧录版本
↓
最终视频单次运行时间： 5-15分钟（取决于视频长度）
为什么这么快
传统方式
- 串行工作流
- 人工决策点太多
- 反馈周期长
- 重复劳动多
视频内容工厂
- 并行处理（脚本生成时可以预配音色）
- 自动化决策
- 即时反馈（改脚本=改视频）
- 可复用模板
效率提升：10-50倍
适用场景
场景1：知识科普
你有一篇文章《量子计算入门》，想做成视频。
输入：文章URL + 时长3分钟 + 风格轻松科普
输出：3分钟科普视频场景2：产品介绍
新产品上线，要做介绍视频。
输入：产品文档 + 卖点列表 + 风格商务
输出：2分钟产品介绍视频场景3：新闻速递
每天的新闻要做成短视频。
输入：新闻文本 + 时长1分钟 + 风格快节奏
输出：1分钟新闻视频场景4：教育内容
课程章节需要视频讲解。
输入：讲义内容 + 时长5分钟 + 风格教学
输出：5分钟教学视频核心价值
1. 速度
从一周到15分钟。
热点内容不再错过时效。
2. 成本
无需配音演员、动画师、后期制作。
边际成本趋近于零。
3. 质量
- HyperFrames确保脚本质量
- ElevenLabs确保配音质量
- Remotion确保动画质量
- Captions确保字幕质量
每个环节都有专业Skill把关。
4. 可扩展
想做系列视频？
批量输入文本主题，自动批量产出。
想改风格？
换模板重新渲染，不用重做。
技术栈
Codex
OpenAI的代码生成模型，负责编排四个Skill。
HyperFrames
创意策划Skill，基于GPT-4生成脚本。
ElevenLabs
业界领先的TTS服务，提供API。
Remotion
基于React的视频渲染框架，支持代码驱动动画。
Captions
字幕生成Skill，支持多种样式和语言。
实操建议
1. 准备模板库
不同风格的视频准备对应模板：
- 科普风格
- 商务风格
- 娱乐风格
- 教学风格
模板复用，效率更高。
2. 建立质量标准
每个环节设置质量检查点：
- 脚本：信息准确、逻辑清晰
- 配音：发音标准、情感到位
- 动画：节奏匹配、视觉清晰
- 字幕：准确无误、样式统一
3. 迭代优化
第一版视频出来后：
- 看数据（完播率、互动率）
- 收集反馈
- 调整参数
- 重新渲染
程序化的好处：改起来很快。
未来可能
自动化系列视频
输入一本书的目录，自动生成整套视频课程。
实时热点视频
输入热点新闻，5分钟内出视频。
多语言版本
一次生成，自动翻译成多语言版本。
个性化视频
根据用户画像，自动生成定制化视频。
局限
不是所有视频都适合这种自动化方式：
- 需要实地拍摄的内容（纪录片、访谈）
- 需要复杂3D动画的内容
- 需要真人出镜的内容
适合：脚本驱动的知识类、科普类、商业类视频。
最后
视频内容工厂不是要取代所有视频制作——
它是为大规模、标准化、快速迭代的视频需求提供解决方案。
文本进去，视频出来。
从一周到15分钟，从人工到自动化。
这就是视频生产的未来。
关注公众号 Fen9Pi，聊聊AI时代的内容生产。