一条视频带来 1000+ 订单：我用 Codex 搭了一套带货视频自动化剪辑流程

AI 剪辑工具正在成为内容生产的新变量。最近一些 AI 剪辑产品受到关注，本质上说明了一件事：过去高度依赖人工的剪辑环节，正在被拆成一套可以标准化、自动化的流程。

618 前，为了提升带货视频的产能，我用 Codex 搭了一套自动化剪辑工作流。

跑下来之后，原本一天最多剪 6 条视频，现在可以稳定做到 30 条左右。其中表现最好的一条，带来了接近 1000 个订单。

618 期间，我们跑量素材里大约有三分之一来自这套流程。它并不替代创意，也不是一键生成精品视频的“万能工具”，但在需要高频测试的带货场景里，确实把产能拉上来了。

这篇文章，我把这套工作流从 0 到 1 的搭建思路、关键步骤和踩过的坑都整理出来。

先说结论：它适合什么，不适合什么

这套流程的核心，不是让 AI 从零创作，而是让它复刻一条已经被验证过的视频结构。

比如你刷到一条爆款带货视频，觉得它的开头、镜头节奏和文案逻辑都不错，想用自己的产品素材再做一条。传统做法通常是打开剪映，逐帧分析参考视频，再去素材库找画面、对字幕、卡节奏。一条视频做下来，两三个小时很常见。

而在这套流程里，你只需要准备好参考视频和素材库，剩下的交给 Codex：

• 识别参考视频的镜头切换点；
• 拆出每个镜头的结构和时长；
• 从素材库里匹配合适的画面；
• 生成配音与字幕；
• 输出预览视频，以及可继续编辑的剪映草稿。虚拟卡

流程跑熟后，单条视频从准备到出样稿，大约需要 20—30 分钟；如果素材库足够完整，最快可以压缩到 5 分钟左右。当然，最后的审核和微调仍然少不了。

它更适合以下几类内容：

• 电商与广告素材，例如抖音千川、硬广类视频；
• 无人出镜的带货视频，例如图书、日用品等内容；
• 素材拼接型的混剪内容或 Vlog。

第三类也能做，但效果通常一般。原因很简单：Codex 目前能够理解镜头结构和基础视觉特征，但对复杂情绪、叙事转折和微妙的节奏感，仍然不如成熟剪辑师。

所以我对这套工作流的定位很明确：它是自动化生产工具，不是精品创作工具。

我自己的 Skill 里包含一些内部内容，不便直接公开。不过下面这套流程和关键提示词已经足够你搭出一个可用版本。你也可以把本文直接交给 Codex，让它协助你整理成自己的 Skill。

用 AI 批量复刻爆款结构

做内容或做电商，最快拿到流量的方法之一，就是研究已经被市场验证过的爆款。

这里说的“模仿”，不是搬运，而是拆解它的结构：前几秒怎么抓人、镜头怎么切、卖点怎么铺、文案怎么推进、哪里该强调、哪里该停顿。

以前，这件事只能靠人工完成。现在可以把其中大量重复的部分交给 AI。虚拟卡

我自己的工作方式是：先找到合适的爆款参考视频，再准备好产品素材。Codex 负责完成拆解、匹配和初步合成，我只做审核和最后的细化。

在没有这套流程前，同类视频一天最多做 6 条；现在可以做到 30 条左右，效率至少提升了 5 倍。即使如此，我们还是会保留一部分人工精剪视频，用来维持内容上限和测试新的创意方向。

正式开始前，先准备好工具和项目结构

搭建这套流程前，要先准备两部分内容：工具环境和项目文件夹。

1. 工具环境

整个流程基于 Codex，需要准备以下工具：

• Codex；
• FFmpeg；
• Python 3.8 及以上版本；
• 配音工具；
• 剪映专业版。

其中，FFmpeg 用来处理视频拆分、合成和格式转换；Python 用来运行自动化脚本；剪映专业版用于打开和继续编辑最终生成的草稿。

配音工具可以按需求选。我做带货视频时，实测相对稳定的是豆包语音大模型；如果有声音克隆需求，也可以使用 VoxCPM 这类开源方案。

你可以把下面这段话发给 Codex，先检查环境：

请帮我检查视频自动化剪辑所需的环境：

1. 检查 FFmpeg 是否已安装；如果没有，请告诉我安装方式。
2. 检查 Python 版本是否 >= 3.8；如果没有，请告诉我升级方式。
3. 检查是否已安装剪映专业版；如果没有，请提供官方下载入口。
4. 检查并安装 Python 依赖包：opencv-python、numpy、pillow。

检查完成后，请告诉我：
- 哪些环境已经准备好；
- 哪些需要我手动处理；
- 下一步建议如何继续。

配音成本需要单独算。以我现在的使用情况，一条 1 分钟左右的带货视频，配音成本大约在 4—8 毛之间。

2. 项目文件夹

项目结构越清晰，后面越不容易出错。我通常按下面的方式组织：

项目文件夹/
├─ assets/       # 素材库
├─ work/         # 工作区，每次剪辑建立独立日期文件夹
├─ final/        # 最终成品
└─ AGENTS.md     # 项目规则与验收标准

assets/ 用来存放全部原始素材。建议按产品、卖点、场景、人物、拍摄方式等维度分类。比如带货素材可以继续拆成 AI 生成素材、真人实拍、产品展示、使用场景等。

素材库前期多花一点时间整理，后面会省下大量返工。素材本身越完整，自动匹配的稳定性就越高。

work/ 是每次任务的工作区。每做一条视频，就建立一个独立文件夹，例如 2026-07-05，把参考视频、中间文件、语音、字幕和草稿都放在里面。

AGENTS.md 则相当于项目说明书，用来告诉 Codex：项目要做什么、输出规格是什么、哪些情况算合格。这个文件很重要，写得越清楚，结果越接近你的预期。

四步跑通自动化剪辑

整个工作流可以拆成四步：

1. 拆解参考视频；
2. 匹配替换素材；
3. 生成配音；
4. 输出样稿和剪映草稿。

第一步：拆解参考视频

这一步的目标，是把参考视频拆成独立镜头，并提取每个镜头的关键帧、时长和文案。

先找一条参考视频。它可以是外部爆款，也可以是你自己已经验证过、数据不错的视频。下载后放进 work/ 文件夹，并用便于识别的名字命名。

然后把下面的提示词发给 Codex：

我需要拆解一个参考视频。

参考视频位置：@（输入文件名，Codex 会自动搜索）

请完成以下工作：
1. 用 FFmpeg 识别视频的镜头切换点，可结合帧间差异分析；
2. 为每个镜头提取关键帧，并保存为图片；
3. 提取视频音轨，单独保存；
4. 生成 recipe.json，记录每个镜头的开始时间、结束时间、时长和关键帧路径；
5. 如果视频中有文案，请根据音频生成配音文本，并按镜头分段；
6. 对文案进行校对，避免明显错字、漏字和识别错误。

请按 AGENTS.md 的要求保存文件。完成后告诉我：
- 一共识别出多少个镜头；
- 每个镜头的时长；
- 是否存在疑似误切分的位置，等待我确认。

recipe.json 是后续流程的核心文件。它记录了参考视频的结构，后面的素材匹配、配音生成和草稿制作，都会以它为依据。

拆解完成后，建议你先人工检查一次。重点看镜头有没有被错误切开：例如一个完整画面被拆成两段，或者两个镜头没有分开。发现问题后，直接让 Codex 调整即可。

第二步：筛选和匹配素材

这一步是整个流程里最关键的部分，也是自动化最有价值的地方。

传统剪辑需要一个镜头一个镜头翻素材库，再把合适的画面拖到时间线上。素材多的时候，不仅耗时，也很容易遗漏更好的选择。

自动化流程里，只要告诉 Codex 素材库的位置，它就能先提取素材的关键帧，再根据颜色、亮度、构图和场景等特征，为参考镜头筛选相对匹配的素材。虚拟卡

可以这样提示：

我需要从素材库中匹配替换素材。

项目信息：
- recipe.json 路径：@（上一步生成的 recipe.json）
- 素材库路径：assets/
- 输出路径：work/（本次任务文件夹）

匹配要求：
1. 读取 recipe.json 中每个镜头的关键帧；
2. 遍历素材库，为每个素材提取关键帧；
3. 根据颜色、亮度、构图和场景特征，为每个镜头推荐最匹配的素材，并给出置信度得分；
4. 避免连续 3 个镜头使用同一类素材；
5. 避免相邻镜头出现明显重复的房间、人物或构图；
6. 生成 fragment_plan.json 和 matches.json；
7. 将选中的素材复制到 material/fragment01/、fragment02/ 等对应文件夹中。

重要原则：
如果某个镜头的匹配置信度低于 0.6，请标记为“缺素材”，不要用无关素材硬凑。

完成后，请汇总匹配结果，并列出需要人工补充素材的镜头。

这里一定要坚持一个原则：宁可留空，也不要硬凑。

我早期版本为了让每个镜头都有画面，会自动降低匹配标准。最后的结果很难看：部分镜头和上下文完全不搭，明明视频能跑，观感却很“假”。

后来我改成了低置信度直接标记“缺素材”。虽然会增加一点人工补素材的工作，但成片质量提升很明显。

还有一点要注意：匹配完成后，素材应该是“复制”到项目文件夹，而不是“移动”。原始素材库一旦被破坏，后面很容易出问题。

第三步：生成配音

素材匹配完成后，就可以开始做配音。

在拆解参考视频时，我们已经让 Codex 提取了文案。但 OCR 和 ASR 的识别准确率不可能百分之百，所以生成配音前，一定要先人工检查一遍文案。

确认无误后，可以用下面的提示词：

我需要为视频生成配音。

配音文本：@（你的文案.txt）

要求：
1. 调用豆包 TTS 接口，为每个镜头生成独立语音文件；
2. 读取每段语音的实际时长；
3. 如果配音时长与参考镜头时长不一致，记录时长差异；
4. 将所有语音片段拼接为完整配音文件：final_voice.mp3；
5. 更新 recipe.json，写入真实的配音时长。

完成后，请告诉我：
- 每段配音的实际时长；
- 与参考时长差异较大的镜头；
- 是否存在语速、生硬停顿或发音异常的问题。

配音时长要以实际生成结果为准。

举个例子：参考视频里一个镜头时长是 3 秒，但生成的配音需要 5 秒读完，那么最终视频就应该把这个镜头延长到 5 秒，保证声音和画面自然对齐。不要为了强行卡时长，把语音压得很急，观感通常会很差。

第四步：生成样稿和剪映草稿

最后一步是把素材、配音和字幕合成为预览视频，并生成可编辑的剪映草稿。

这一步相对复杂，因为剪映草稿格式比较严格。素材路径、时间轴和各类 ID 只要有一个不对，就可能出现打不开、素材丢失或草稿异常的问题。

我自己踩过几个典型的坑：

• 内容 ID、元数据 ID、根索引 ID 需要保持正确的关联关系，且不能和已有草稿冲突；
• 草稿引用的素材路径通常需要使用绝对路径；
• 素材文件必须真实存在，文件移动后草稿可能会失效；
• 不同剪映版本的草稿格式可能有差异，建议先拿一条样稿做兼容性验证。

可以直接使用下面的提示词：

我需要生成最终预览视频和剪映草稿。

输入信息：
- recipe.json：work/recipe.json
- matches.json：work/matches.json
- 素材路径：work/material/
- 配音文件（可选）：work/voice/final_voice.mp3
- 字幕文本（可选）：work/script.txt

输出内容：
1. 预览视频：work/remix.mp4
2. 字幕文件：work/captions.srt
3. 剪映草稿：work/jianying_draft/

要求：
1. 按 recipe.json 和 matches.json 的顺序拼接素材；
2. 如果有配音，优先以配音实际时长为基准；没有配音时，使用参考视频的镜头时长；
3. 生成 .srt 格式字幕文件；
4. 生成可被剪映打开的草稿；
5. 所有素材先复制到项目文件夹，避免原素材路径变化导致草稿失效；
6. 草稿生成后，请提醒我检查素材、字幕、配音和时间轴。

完成后，请说明：
- 预览视频是否生成成功；
- 草稿文件位置；
- 是否存在缺失素材、时长冲突或字幕异常。

第一次生成通常会慢一些，大约需要十几分钟。生成完成后，打开剪映重点检查以下内容：

• 草稿能否正常打开；
• 素材是否正常显示；
• 时间轴顺序是否正确；
• 字幕是否错位、遮挡或出现错字；
• 配音和画面是否同步。

如果有问题，就回到前面的步骤排查：是素材匹配出了问题，还是配音时长不对，或者是剪映草稿结构有误。不要一上来就推翻整套流程，逐个环节定位通常更快。

真正稳定的关键：把流程沉淀成 Skill

跑通一次，不代表流程就稳定了。

从参考视频拆解、素材匹配、生成配音到输出草稿，整套流程第一次跑下来通常需要 20—30 分钟。素材库足够完整、规则足够明确后，速度才会越来越快。

更重要的是，跑通之后要让 Codex 把流程封装成 Skill。

这样下一次你不需要反复输入一长串提示词，只要告诉它参考视频在哪里、使用哪个素材库，就能调用整个工作流。

刚开始的 Skill 一定会有问题，这很正常。你要做的不是期待它第一次就完美，而是在实际使用中不断发现问题、让 Codex 修正、再把经验写回 Skill。

几轮迭代后，流程会越来越稳定。虚拟卡

我现在的使用方式基本是：调用自动剪辑 Skill，告诉它参考视频位置，过一会儿去查看生成结果，再进剪映做最后的人工审核。

最后这一步人工细化，我通常会处理 BGM、音效、重点花字和少量节奏调整。Codex 也能做一部分，但在画面情绪、节奏协同和细微的审美判断上，人工依然更可靠。

每条视频多花 10 分钟做这一步，整体质感往往能提升一个档次。成片发出去，用户通常不会觉得它是一条“AI 拼出来的视频”。

自动化的价值，不是完全取消人工，而是把人从重复劳动里解放出来，把时间留给选题、素材、创意和最后的判断。

这才是这套工作流真正带来的变化。