▲ Codex + Remotion 视频创作新范式

输入一句提示词，模型就能把文字变成画面。

它解决了从无到有，却没有解决从“能看”到“能用”：标题要向左移 20 像素怎么办？字幕提前 8 帧出现怎么办？品牌色、转场和版式要复用到下一条视频怎么办？客户只改一句文案，是否又要重新生成整段画面？

当视频进入高频生产，真正困难的往往不是生成一段素材，而是稳定地控制、修改、复用和交付。

这正是“视频即代码”开始成立的地方。

在这种工作流里，视频不只是一个导出的 MP4，也是一套由代码、组件、素材、字幕、音频、分镜和渲染配置组成的工程。

Codex 负责理解项目、编写和修改代码、运行命令、排查错误；Remotion 负责把 React 组件逐帧渲染为视频。需要处理真实素材、数学动画、转码或抠像时，再把 FFmpeg、video-use、Manim、SAM 2、MatAnyone 等工具接入流水线。

以前做视频，主要是在时间轴上拖动素材。

现在做视频，也可以像开发软件一样：先定义结构，再组合组件，然后预览、测试、修改和渲染。

1. AI 视频的分水岭：从“生成结果”到“管理系统”

提示词生成视频，本质是在追求一个结果；视频即代码，本质是在建设一套系统。

两者并不冲突。

生成式模型擅长创造镜头、角色和场景，解决“画面从哪里来”；代码化视频擅长控制字幕、排版、节奏、数据和品牌规范，解决“这些素材如何稳定组成一条片子”。

如果只做一条实验短片，直接生成可能更快。但如果要连续做 50 条栏目视频、为 100 个客户生成个性化产品介绍，或者每周更新数据榜单，可控性与复用率就比单次惊艳更重要了。

这时，视频工程会表现出与软件工程相似的特征：

• 可版本化：项目用 Git 管理，每次修改都有记录，也能回滚。
• 可组件化：片头、字幕、图表、转场和行动号召封装成组件。
• 可参数化：替换文案、数据、图片、配色，就能生成新版本。
• 可测试：先渲染关键帧或短片段，检查排版、遮挡、时间轴和安全边距。
• 可自动化：从结构化数据生成分镜，批量渲染不同尺寸和语言版本。
• 可协作：人负责内容与审美判断，Agent 负责实现、检查和机械迭代。

这不是把创作降格为流水线，而是把不值得重复的劳动交给流水线。

2. 为什么是 Codex + Remotion

Codex 的价值不只是“会写 React”，而是它能在一个真实项目里持续工作：读取目录和现有代码，理解组件之间的关系，根据反馈修改文件，运行构建或渲染命令，查看报错后继续修复。

相比一次性生成一段代码，这种围绕仓库进行多轮迭代的能力，更接近一名工程协作者。OpenAI 对 Codex CLI 的说明也将读取、修改和运行本地代码列为核心能力。

Remotion 则提供了视频工程的执行层：用 React 描述画面，用帧数和时间控制动画，在浏览器里预览，最后逐帧编码为真正的视频文件。

内容还可以由 API 或参数驱动，并通过 Remotion Lambda 做分布式云渲染。Remotion 官方介绍明确支持 React 创作、浏览器预览、程序化内容与云端渲染。

两者组合，形成了清晰分工：Codex 把自然语言需求翻译为项目修改，Remotion 把项目代码翻译为确定的视频帧，人决定什么值得表达，以及结果是否足够好。

例如，“把第二幕缩短半秒，把标题放到人物后面，字幕不要超过两行，结尾替换成竖屏 CTA”，不再只是一段模糊提示，而可以被拆成具体的组件、层级、帧区间和样式修改。这就是代码化工作流最重要的优势：反馈可以落到确定的位置。

3. 什么视频最适合代码化

并非所有视频都应该用代码制作。

电影叙事、纪录片剪辑、依赖演员表演的情绪片，仍然高度依赖导演、摄影和剪辑师的连续判断。代码不会自动提供审美，也不会替你决定哪个停顿最有力量。

“视频即代码”最适合结构明确、视觉规范稳定、需要频繁修改或批量生产的内容：

• 产品介绍与 SaaS 功能演示
• 数据可视化和年度报告
• 知识科普、课程讲解和技术教程
• 新闻快报、榜单和信息卡片
• 品牌栏目片头、片尾与包装
• 多语言、多尺寸的营销素材
• 基于模板的个性化视频

以产品介绍为例，传统项目通常是一个完整时间轴；代码化项目则可以拆成开场、问题、功能、数据、评价、价格和 CTA 等场景组件。

下次换产品时，不必重新搭建整条视频，只要替换数据、截图、Logo 和主题配置。真正产生复利的不是某一个动画，而是组件库和生产规范。

4. 一个可维护的视频项目长什么样

4.1. 组件、配置与资产分离

下面是一种简单的项目结构：

public/
  images/       # 图片与产品截图
  audio/        # 配音、音乐和音效
  fonts/        # 项目字体
  frames/       # 关键帧检查图

src/
  components/   # 字幕、按钮、图表等通用组件
  scenes/       # 按分镜拆分的场景
  theme/        # 颜色、字体、间距和安全边距
  data/         # 文案、字幕时间戳和图表数据
  Root.tsx      # Composition 注册入口

这套结构的重点不是目录名称，而是把三类东西分开：

1. 内容：文案、数据、字幕和素材
2. 表现：组件、动画和视觉主题
3. 生产配置：分辨率、帧率、时长与渲染参数

三者解耦后，同一套视觉系统可以消费不同内容，同一份内容也可以输出 16:9、9:16 和 1:1 等多个版本。

5. 不要先做一分钟，先跑通十秒钟

很多人第一次用 Coding Agent 做视频，会直接提一个巨大需求：做一条 60 秒宣传片，要有高级转场、动态字幕、3D 效果和背景音乐。

这通常会同时引入脚本、审美、素材、依赖、动画和渲染问题。一旦结果不对，很难判断是哪一层出了错。

5.1. 从 10 秒样片开始

更稳的做法是先完成一个 10 秒样片，只验证四件事：项目能否正常预览和渲染；字体、配色和版式是否成立；三个场景的节奏是否自然；反馈能否被准确修改。

5.1.1. 第一步：创建项目

Remotion 当前官方入口是：

npm init video
cd my-video
npm install
npm run dev

5.1.2. 第二步：让 Codex 先读项目，不要急着改

请先阅读当前 Remotion 项目，不要修改代码。

请告诉我：
1. Composition 在哪里注册；
2. 当前有哪些组件；
3. 如何启动预览和执行渲染；
4. 如果制作一个 10 秒产品介绍视频，建议新增哪些文件。

这一步的目的是先对齐项目事实，避免 Agent 根据过时模板猜测文件结构。

5.1.3. 第三步：生成最小样片

请基于当前项目制作一个 10 秒的产品介绍样片。

要求：
1. 画幅为 16:9；
2. 只有三个场景：标题、核心卖点、行动号召；
3. 场景组件放入 src/scenes/；
4. 颜色、字体、间距和安全边距统一放入 src/theme/；
5. 所有时间计算使用 useVideoConfig() 提供的 fps；
6. 先保证预览和渲染成功，不安装非必要依赖；
7. 完成后列出修改文件、预览命令和渲染命令。

5.1.4. 第四步：先看关键帧，再看整片

不要每改一个像素就渲染完整 MP4。

先检查第 0、3、6、9 秒的静帧，能更快发现文字溢出、元素遮挡、字体缺失、对比度不足和安全边距问题。

静帧通过后，再渲染十秒样片，重点检查动画连续性、字幕同步、转场节奏与音画关系。

5.1.5. 第五步：把主观反馈改写成工程约束

“高级一点”“更有感觉”很难直接执行。更有效的反馈是：

1. 开场标题宽度不超过画面安全区的 70%；
2. 第二幕只保留一个主标题和两个卖点；
3. CTA 在最后 1.5 秒保持静止，按钮对比度提高；
4. 任何字幕最多两行，底部保留 8% 安全边距；
5. 不改变现有目录结构和视频总时长。

这个最小闭环是整套方法的核心：需求 → 代码 → 预览 → 检查 → 反馈 → 修改 → 渲染。

十秒钟跑通以后，再扩展到三十秒、六十秒和批量生产。

6. Remotion 是主干，但不必包办一切

稳定的视频系统通常不是一个工具，而是一组边界清楚的工具。

6.1.1. HyperFrames：轻量化方案

如果 Remotion 是“React 即视频”，HyperFrames 更接近“HTML 即视频”。

它使用 HTML、CSS 和 JavaScript 描述画面，通过虚拟时钟按帧驱动浏览器渲染，再输出 MP4。HyperFrames 文档将其定位为面向人与 Agent 的确定性 HTML 视频运行时。

它适合网页动效、竖屏信息卡、数据榜单和批量模板。对于已有 Web 页面或熟悉 CSS、GSAP 的团队，这是一条更直接的路线。

6.1.2. video-use：剪辑 Agent

Remotion 擅长生成和编排图形层，但口播、访谈和播客切片首先需要理解真实素材。

video-use 采用转录优先的方式：Agent 读取带有词级时间戳、说话人和声音事件的文本，再决定裁剪位置；FFmpeg 执行切割、拼接、压制和音频处理；Remotion 负责字幕、标题和视觉包装，参见 video-use 项目说明。

这类流程适合长视频拆短视频、访谈高光、课程精华和教程包装。

6.1.3. Manim：精确表达数学与算法

当内容包含公式、坐标系、几何变化或算法过程，Manim 往往比通用动效工具更合适。

它以 Mobject、Animation 和 Scene 为核心组织数学动画，再将渲染结果交给 Remotion 统一包装。Manim 官方文档

6.1.4. SAM 2 + MatAnyone：分割与精细抠像

要实现人物遮挡文字、主体跟踪、背景替换或无绿幕合成，需要把“主体在哪里”和“主体边缘的透明度是多少”分开处理。

SAM 2 可以在图像和视频中选择并跟踪对象；MatAnyone 更聚焦人物视频抠像和稳定的细节边缘。

前者适合目标分割，后者适合生成更细腻的 Alpha Matte。

两者都可能在遮挡、相似对象、头发边缘和长视频中出现误差，因此仍需关键帧检查和人工修正。

Meta SAM 2；MatAnyone 项目

6.1.5. FFmpeg：所有路线的底层工具

转码、裁剪、拼接、音频混合、格式转换和最终压制，仍然离不开 FFmpeg。

它不负责创意，却是连接各类生成、动画和剪辑工具的基础设施。

工具选型可以归纳为：

7. 最容易踩的七个坑

7.1.1. 把 Agent 当成审美总监

Agent 可以快速实现方案，但它不知道你的品牌为什么应该克制、热烈或专业。没有参考图、设计令牌和明确约束，结果很容易滑向通用模板感。

7.1.2. 一开始就追求复杂效果

复杂度会乘法增长。先验证结构、节奏和可渲染性，再增加 3D、粒子、抠像或高级转场。

7.1.3. 没有统一的项目结构

如果不规定素材、组件、字幕、关键帧和临时文件的位置，项目很快就会失控。目录规范应该在第一条视频之前建立。

7.1.4. 用字符数猜字幕时间

真人语音的停顿、语速和重音并不均匀。应使用词级时间戳驱动字幕，并在断句层做二次处理。

7.1.5. 到处写死 30fps

动画应该根据项目的 fps 计算，而不是散落硬编码帧数。否则切换到 24fps 或 60fps 后，节奏会整体漂移。

7.1.6. 每次修改都全量渲染

先检查静帧，再检查局部片段，最后输出全片。渲染策略本身也是生产效率的一部分。

7.1.7. 让 Agent 随意安装依赖和执行脚本

第三方包、外部服务和素材上传都可能引入安全、许可和供应链风险。要求 Agent 先解释用途、来源、权限与替代方案，再批准执行。

8. 真正的终点不是一条视频，而是一套生产系统

当十秒样片的闭环稳定后，接下来最值得积累的不是更多提示词，而是更多可复用资产：

• 选题、脚本和分镜模板
• 片头、字幕、图表和 CTA 组件库
• 品牌主题、字体与动效规范
• 配音、转录与字幕对齐流程
• 关键帧和局部片段审阅流程
• 横屏、竖屏和多语言适配规则
• 渲染队列、失败重试与发布前检查清单

当这些模块建立起来，输入就可以逐渐标准化为主题、脚本、数据、素材、音频、品牌和目标平台，输出则不只是一条成片，而是一个可预览、可修改、可追踪、可再次渲染的项目。

这套系统不会替代创作者。

恰恰相反，它会迫使创作者把真正重要的判断说清楚：这条内容为什么值得做？信息应该以什么顺序出现？哪个画面是必要的？什么节奏符合品牌？哪些反馈属于审美偏好，哪些可以转化成规则？

创作者负责价值、叙事和品味。Agent 与代码负责实现、复用和规模化。

9. 结语：未来最稀缺的不是提示词，而是工作流

生成式视频解决的是“如何更快得到一段画面”。

视频即代码解决的是“如何稳定地生产、修改和复用一类视频”。

Codex + Remotion 的真正意义，不是多了一个新奇的视频玩法，而是让视频第一次可以被当作长期维护的工程资产：能被拆分、复用、测试、版本化和自动化。

对个人创作者，这意味着一个人也能搭建自己的视频工作台；对内容团队，这意味着栏目包装和营销素材可以沉淀成系统；对开发者，这意味着视频不再只存在于剪辑软件的时间轴里，也可以成为产品能力的一部分。

下一阶段最有竞争力的 AI 视频创作者，未必是最会写提示词的人，也未必是最熟悉某一个模型的人。更可能是最会把创意、模型、代码、素材和审阅机制连接成稳定工作流的人。

单次生成带来惊喜，系统化生产才会带来复利。