AI 视频工作流 · 实战拆解

这是我一个长期用的codex工作流分享，平时只要发布任务，基本上除了关键帧部分母版我需要确认，其他全程一键自动完成。

已经跑了两个月了，非常成熟的一套工作流，今天开源给大家看。

记住，做ai视频能真正省时间的，不是再找一个“更强”的模型，而是让脚本、人物资产、关键帧、视频生成和剪辑共享同一条时间线。

从需求到成片，五个环节共享同一套脚本、资产编号、时间线和质量标准。 01　人负责目标与审美判断02　先做图片路由分工03　Midjourney 锁定关键帧04　AI 视频只负责运动05　Hyper 统一剪辑与信息层

核心判断Midjourney 决定画面长什么样，视频模型决定画面怎样动，Hyper 决定观众最终怎样看懂它们。Codex 的价值，是把这三件事接成同一条生产线。

很多人说用 AI 做视频，实际流程还是手工作坊：先写几段提示词，去 Midjourney 抽图；再把图片丢进视频模型；最后打开剪辑软件，一段段对旁白、加字幕、补信息卡。

每个环节都有 AI，但真正费时间的部分没有消失。人物会变，场景会漂，提示词互相打架，生成的视频长短不一。到了剪辑阶段，还要重新理解一遍文案。

我现在的做法，是把关键帧、AI 视频和 HyperFrames 看成一个整体，让 Codex 管理从脚本到成片的全部中间状态。

01 · ROUTING FIRST先做好图片路由，不要一上来就写提示词

同样是“生成一张图”，实际可能是完全不同的任务：确认方向的快速预览、决定全片质感的审美母帧、保持人物连续的正式关键帧，或者带书名、Logo、价格和准确文案的发布画面。

如果不先区分任务，模型选择基本靠感觉。所以 Codex 接到需求后，第一步不是打开生图网站，而是把自然语言整理成一份结构化请求。

一张图该交给谁做，先看用途、连续性、精确文字和最终去向，而不是先看哪个模型更热门。 01　图片路由：先分工，再生成02　快速预览03　AI 视频素材04　连续关键帧05　确定性精修

真正被记录的，不只是提示词每次路由还会留下用途、风险、分辨率、允许变化、禁止项和人工确认阶段。这样后面失败时，Codex 知道该修哪一层，而不是重新猜一遍需求。

02 · MIDJOURNEY KEYFRAMES人物一致性，不是多写几遍“同一个人”

人物一致性最差的做法，是给每个镜头单独写一句“同一个女人”“同一个房间”。模型并不知道这个“同一个”具体指什么。

在这套流程里，Midjourney 的第一项任务不是逐镜抽图，而是先制作连续性母版。人物的年龄、脸部结构、发型、服装和体态，场景的门窗、道路、道具和空间关系，以及整片的色彩、光线和镜头焦段，都先在同一张参考板里建立。

先把版本说清楚当前 Midjourney 网页版默认是 V8.2。V8.x 保持人物和物体一致性的主入口，是 Edit Model Reference；V7 时代的 Character Reference 和 Omni Reference，不要继续当成 V8 的默认操作。

第一步：先清空会偷偷改变结果的旧设置

01　打开 Imagine 输入栏右侧的 Settings，确认整组镜头使用同一个模型版本：V8.2。不要在同一组镜头中途切换版本。02　先固定画幅，例如全片统一 16:9；决定使用 Raw 就整组保持 Raw，不要某几张开、某几张关。Raw 的作用是减少 Midjourney 自己加戏，让画面更听提示词。03　检查 Personalization、Moodboard、Style Reference、Stylize 和速度模式。不是本项目明确要用的就先关闭；要用的则把同一设置固定到全部镜头。04　在 Organize 里为这个项目单独建文件夹。后续母版、候选、通过帧和废片都放在同一处，避免误拿旧项目素材。

第二步：不要只做一张人物图，要做四类母版资产

01　人物母版：同一人物的正面、四分之三侧面、侧面和全身，发型、脸部结构、体态、衣服颜色与鞋子必须看清。02　场景母版：用广角或中广角拍清门、窗、道路、桌椅和主要道具的空间关系；场景不是一团氛围词，而是一张可核对的地图。03　道具母版：会反复出现的书、包、椅子、杯子单独做清晰图。精确书名、Logo 和文字不交给 Midjourney，留到后期。04　风格母版：只负责纸张质感、线条、色彩、光线和镜头气质，不负责人物身份。人物参考和风格参考必须分开。

为什么要分开Style Reference 只应该管画面气质；Edit Model Reference 才承担人物、物体和场景的连续性。把一张图同时当人物、场景、构图和风格，模型会把这些职责混在一起。

第三步：在 Midjourney Web 里这样挂参考图

01　点击 Imagine 输入栏左侧的图片按钮，把批准的人物母版、场景母版和关键道具上传到图片库。02　把人物、场景、道具拖进 Edit Model Reference 区域。V8 Edit Model 最多可以带四张参考图，所以每张图只承担一个明确角色。03　把批准的风格图单独拖进 Style Reference 区域，并点击锁定图标，让它固定在后续提示词上。风格图不要再塞回人物参考区。04　如果要使用 Style Weight，就先在母版阶段找出一个可用值，然后整组镜头保持不变。不要边生成边随手改强度。

📷人物、场景、道具和风格各走各的参考通道；镜头 01—03 只改动作与机位，局部失败回到 Editor，而不是整张重抽。 01　人物、场景、道具进入 Edit Model Reference02　风格母版单独进入 Style Reference03　镜头 01—03 只改动作与机位04　局部错误回到 Editor 修复

第四步：先做 01 号镜头，再用它派生后面的镜头

Codex 实际写的提示词骨架同一人物的固定外貌与服装 ＋ 同一场景的固定空间关系 ＋ 本镜头唯一动作 ＋ 本镜头机位与景别 ＋ 光线和时间 ＋ 禁止变化。

例如 01 号镜头不是写“同一个年轻人在旧房子前”。Codex 会把它展开成：黑色微卷短发、窄脸、蓝色针织上衣、深灰长裤、黄色双肩包；站在同一栋海边石屋的绿色木门外三步；中广角、背后三分之二机位；右手自然下垂，身体面向门；不换衣服、不增加人物、不改变门窗位置。

01 号镜头通过后，点击图片的 Use，把它的提示词和参考图重新带回 Imagine 输入栏。生成 02 号镜头时，只改“右手抬起准备敲门”和镜头景别；人物描述、场景描述、画幅、版本、Raw、风格参考全部不动。生成 03 号镜头时，也只改变坐姿与机位。

小改动不要重新抽整张如果只是手的位置、门把手或局部表情不对，打开 Editor，只擦除需要变化的区域再提交。未被擦除、仍然可见的部分会被保留；重新生成整张图，等于主动放弃已经获得的一致性。

先把人物、场景和道具变成可复用资产，再让每个镜头只改变动作、机位和景别。 01　先建立连续性母版02　人物、场景、道具分开登记03　同一资产绑定全部镜头04　镜头 0105　镜头 0206　镜头 03

生成前：先建立世界

01　锁定文案与旁白时间02　建立人物 / 场景母版03　分配资产 ID 与镜头范围

生成中：只改变当前镜头

01　继承同一份参考资产02　只改动作、机位、景别03　固定画幅、色彩和禁止项

生成后：整组一起审查

01　检查脸、服装与空间漂移02　联系表统一比较03　批准图片写入哈希锁

第五步：不要迷信 Seed，用联系表做最终一致性审查

Seed 适合做提示词 A/B 测试：锁住随机起点，观察你只改一个词以后发生了什么。它不能保存人物、风格或场景，也不应该被当成一致性资产。真正有用的是同一组参考图、同一套固定设置、只改一个镜头变量，以及生成后的整组联系表。

01　脸漂了：换成更清楚、更接近当前机位的人物母版，不要继续叠加形容词。02　衣服漂了：补全身参考，同时把颜色、材质和款式写进每一条镜头提示词。03　场景漂了：补一张能看清空间关系的场景广角图，并把门窗、道路和道具位置写成固定句。04　风格压过人物：降低风格影响，或者换一张更少人物信息的纯风格图；不要让风格图兼任身份图。05　只坏了一个局部：进入 Editor 做遮罩修改；只有整张构图都错了才重新生成。

真正的通过标准不是单张看起来漂亮，而是六张关键帧放在一起时，观众仍然相信这是同一个人、同一个地方、同一组道具，只是动作和机位在变化。

一致性不是一句提示词，而是一条资产链母版 → 资产登记 → 镜头绑定 → 联系表审查 → 哈希锁定

一次真实制作里，第一轮候选把老年女性全部画成了男性。Codex 没有继续重复同一条提示词，而是记录失败原因，缩短描述，把身份要求改成更直接的“SAME ELDERLY WOMAN”，同时排除男性特征，再重新生成。

合格母版被批准后，才会升级为正式资产。后面每一张关键帧都会携带同一份人物和场景绑定；通过的图片排成联系表统一查看，最后被标记为 production master。

03 · KEYFRAME TO VIDEOCodex 怎样写提示词、生成视频，并自动处理失败

关键帧通过以后，Codex 会根据旁白音频生成完整时间线。每个镜头不只有开始和结束时间，还会写清楚观众必须看懂什么、画面只能发生哪一个主动作、哪些运动允许出现，以及什么变化属于人物或场景漂移。

视频模型不负责重新设计画面，只在锁定的关键帧上执行一个清楚动作。 01　动作提示词只写可观察变化02　已批准关键帧03　允许的动作04　同一人物的连续运动05　通过06　可修07　重做

MOTION PROMPT · 抽象情绪，要拆成四个可观察部分 01　起始状态：人物在哪里，手脚和物体处于什么状态02　一个主动作：转身、放手、推椅子或走三步03　可见结果：手松开、肩膀落下、坐到身边04　禁止漂移：不说话、不换脸、不加新动作 不要写“两个人温暖地坐在一起。” 改成“老人稍微转向对方并露出克制的笑；晚辈握紧的手慢慢松开，肩膀随之落下；不要说话，不做口型。”

接下来才做视频路由。Midjourney 负责审美母帧，但不必负责运动。Codex 会根据动作、物理交互、连续性和编辑需求，在不同视频路线之间重新判断。审美作者和运动供应商，是两次不同的选择。

正式提交时，上传的是经过批准、带有哈希记录的关键帧。生成完成后，Codex 会下载文件，记录尺寸和时长，检查黑屏、卡顿、人物崩坏、核心动作做反，以及意外对白和可见标识。

不是所有瑕疵都值得重新生成

一次真实时间线90 秒　→　15 镜　→　13 段原生 AI 视频　→　约 90% 动态覆盖

04 · HYPER EDITING最后用 Hyper，把素材变成一条真正的视频

素材生成完，并不等于视频完成。我用 HyperFrames，也就是 Hyper，完成最后的程序化剪辑。Codex 会根据旁白时间，把视频、字幕、环境声、书封和信息层装进同一条可重复渲染的时间线。

画面服从旁白时钟，生成模型负责场景和动作，Hyper 负责准确文字、节奏、信息层与最终输出。 01　视频轨02　旁白与环境声03　字幕轨04　信息层05　手机安全区复检06　精确文字只在后期加入07　1080 × 1920 成片

四层内容，共用一条旁白时间线

字幕直接来自通过审核的文案，不再重新听写一遍。真实书封、书名、引文和其他精确信息，也全部在这一层加入。生成模型负责人物、空间和动作；Hyper 负责准确文字和版式。

信息块也不是看到画面有空就加一张黑卡。Codex 会先判断观众在哪个位置需要额外解释：是因果关系、时间跳跃、人物关系，还是多条行动线汇合。只有画面和旁白无法立刻说清楚时，才增加信息层。

可以复用的是解释原则，不是黑色圆角卡片历史题材可以从竹简、印章和案卷里推导视觉语言；现代故事可以使用稿纸页边、时间线和人物关系轨道。信息结构相同，视觉表达仍然要从内容里重新长出来。

END · THE REAL AUTOMATION这套流程的核心，不是“一键生成”

这套方法仍然保留几个明确的人工门槛：文案要确认，连续性母版要确认，整组关键帧要确认，最终预览也要确认。

因为 AI 可以自动执行大量工作，但审美方向、人物是否正确、故事有没有被讲歪，暂时还不适合完全交给模型自己批准。

所以我更愿意把 Codex 理解成一个 AI 视频制片系统。它管理的不是某一次生成，而是脚本、资产、提示词、模型、失败记录、时间线和最终交付之间的关系。

最后一句当所有环节开始共享同一套脚本、资产编号、时间线和质量标准，AI 视频才从“抽几段素材”，变成可以持续复用的生产流程。

05 · START HERE如果你也想照着做，先跑通这个最小版本

先别急着把十几个模型和工具一次接完。拿一篇已经定稿的 60—90 秒文案，目标只设一个：同一份输入能够再跑一次，过程里用过什么资产、哪里失败、最后用了哪段素材，都能查到。

这条路线故意保留两样东西：人工确认门和可复跑记录。前者防止 AI 把错误一路放大，后者让下一次生产不必从零开始。 01　建项目模板02　写三份配置03　Codex 拆镜头04　图片路由05　关键帧确认06　生视频并质检07　Hyper 渲染成片08　人工确认门09　记录可复跑

第一步：把项目目录固定下来

每条视频都用同一套目录：script 放定稿文案，assets 放人物、场景、道具和真实素材，keyframes 放批准后的关键帧，videos 放逐镜视频，hyper 放剪辑工程，reports 放路由、质检和失败记录。目录一旦固定，Codex 才知道去哪里读、往哪里写。

第二步：只写三份长期配置

01　PROJECT_PROFILE：写清时长、画幅、分辨率、可用模型和人工确认点。02　STYLE_BIBLE：写清人物、场景、色彩、镜头语言，以及绝对不能出现的东西。03　ASSET_MANIFEST：给每个参考资产登记编号、路径、哈希和批准状态。

这三份文件相当于项目的共同记忆。以后换文案，可以换镜头，但不必重新解释人物是谁、画面应该长什么样、哪些素材已经通过。

第三步：把执行顺序写进 Codex 的总任务指令

读取当前项目的文案、配置和资产清单。 先检查缺失项，不完整就停止并列出。 完整后生成镜头表、时间线和图片路由。 审美母帧交给 Midjourney，精确文字留给确定性后期。 关键帧通过人工确认后，再生成逐镜视频。 对结果执行 PASS / REPAIR / RETRY 质检。 把通过素材写入 Hyper 时间线，加入字幕和信息层，渲染成片。 每一步保存输入、输出、失败原因和文件路径；遇到人工门槛必须停止等待确认。

第四步：先跑一条，再谈全自动

01　让 Codex 先拆镜头和计算时间线，不完整就补材料，不生成。02　按图片职责分流：预览、审美母帧、连续关键帧和精确后期分开处理。03　先确认人物、场景、道具和风格母版，再批量做正式关键帧。04　逐镜生成视频，并按通过、可修、重做三类处理；可修问题优先后期解决。05　把通过素材交给 Hyper，以旁白为时钟加入字幕、信息层和精确文字。06　渲染后检查手机安全区、字幕、书封、引文、黑屏、卡顿和声音，再存档整次运行记录。

真正有用的自动化不是把人彻底拿掉，而是把重复执行交给 AI，把人物、审美、事实和最终发布这些关键判断留给人。第一条完整跑通以后，再把成功的配置复制到下一条视频，这条生产线才会越来越快。

CODEX × KEYFRAMES × AI VIDEO × HYPER
CODEX × KEYFRAMES × 人工智能视频 × 超高清