最近看到蛮多朋友在研究智能体 + HyperFrames 剪辑视频，这里我也分享下我朋友的爬坑指南吧。最近也是在跟着学习，算是一起探讨。

网上已经有很多教你用智能体 + HyperFrames 剪辑视频的教程了，最近我也在尝试，踩了很多坑。今天主要分享一下：这些坑，为什么别人能做出丝滑的动画效果，你却不能。最后我再送出两份重磅的 AI 资料。

先来看一下我做的视频演示。

专注研究 AI 领域技术胖

bilibili.com/video/BV1qbGt6gEkX/?spm_id_from=888.80997.embed_other.whitelist&bvid=BV1qbGt6gEkX

你看到的这段视频是 Codex + HyperFrames 自动剪辑的。

它可以自动生成图表（停顿 3 秒），生成图片（停顿 3 秒），也可以自动生成字幕（停顿 3 秒），还可以生成 MG 动画辅助对视频内容的解释（停顿 3 秒）。最适合知识类视频的全自动剪辑。

到此为止，上面这段视频是我用 AI 生成的。虽然是 AI 全制作，但也有些坑需要避开。现在我就手把手教你如何制作这个视频，并且在视频最后送出两份重磅 AI 相关的资料。

[!info] 阅读导览
坑一 请使用 Codex，而不是其他智能体 → 坑二 粗糙的提示词 + 私人提示词分享 → 坑三 没有字幕文件，用剪映一键导出字幕文件 → 坑四 大段视频直接给 Codex 处理 → Token 花费问题

1. 坑一：请使用 Codex，而不是其他智能体

我刚开始用的是 Claude Code 制作，效果不好。

然后我开始使用小龙虾（国外的国内的都用），效果也不是很好。

直到使用了 Codex，一切变得容易了，想要的效果也出现了。使用 Codex 无论是画图、编码还是制作视频，给我感觉就是用上之后，就回不去了。

首先你需要安装 Codex，它的安装需要科学上网，在注册时甚至需要其他国家的手机号。但我觉得无论你想什么办法，都应该去使用这个软件。

所以想办法去使用 Codex，这就是你和普通人中间那堵墙。如果你实在不会，可以私信我，我会尽我所能给你帮助。

安装 HyperFrames 插件

来到 Codex 软件，左侧找到"插件"这个菜单，然后在搜索栏输入"HyperFrames"，你就找到了"HyperFrames by HeyGen"这个插件，直接进行安装。而且它目前已经是 Codex 官方认证插件了，所以只要搜索安装就可以了。

2. 坑二：粗糙的提示词 + 私人提示词分享

很多人直接上来就把视频一上传，然后让 Codex 用 HyperFrames 制作一个视频动画。这种制作出来的只能是垃圾，不能使用。

其实跟 AI 交流，最重要的就是提示词。所以我分享一下我的提示词。为了得到最好的效果，我写的提示词还是很多的。提示词我分享到博客里了，有需要的可以在评论区里找到具体的链接。

可以看到，刚开始提示词就提出了简单的要求：AI 到底帮我们做什么？然后我又给出了视频概要、视觉识别系统，最后还要求了前提条件。我要求 Codex 给我生成动画计划，然后需要我批准后才会执行视频操作。只有这样详尽的提示词，才能把控视频制作的每一个细节。

用 HyperFrames 制作视频，

我给了你视频制作的 Summary、Visual Identity 和 Assumptions。

你需要自己去根据原始视频完善 Animation Plan、Implementation Changes 和 Test Plan。然后重新生成计划，让我来确认，特别是 Animation Plan 部分，必须等我再次给你新的计划，才可以执行视频制作。

## Summary（概要）

- 基本描述：基于 原始视频.mp4 和 视频字幕.srt，视频时长遵守原始视频.mp4 的时长、1920x1080、60fps 的横屏科技风口播增强版。保留原视频和原声，用 HyperFrames 叠加高频解释型动画、中文关键词、液态玻璃 HUD、信息流动线和数据节点。可以遮挡人物脸部，但遮挡动画要有半透明效果，说明性元素主要放在左右侧。动画顺序是左侧最先出现，然后是右侧动画，最后是中间动画。保证每个动画完全结束后，停留 1.5 秒。

- 左侧动画说明：左侧说明性文字不要使用外边框（比如液体玻璃 HUD），以文字、数字和图标为主，如果出现产品，请找到产品对应的企业或产品图标，放在左侧，并表明产品名称。采用半透明效果（70% 不透明）。左侧动画，如果是文字，需要有打字机效果入场，并且有重点关键词，关键词使用橙色，放大字体展示，但并不是所有的展示都是关键词。橙色关键词不要有任何底框，把左侧关键词全部改为纯橙色发光文字，并给左侧整体加轻微透明度和柔和边缘光。在挡住人脸的情况下，尽量占据左侧位置，让信息更加清晰可见。并在完成动画后，信息停留 2 秒钟。
- 右侧动画说明：右侧动画需要使用液态玻璃 HUD（用来对左侧动画的进一步解释和演示动画）。右侧动画要有中文的说明文字，是对左侧的具体解释。出现时要保证左侧所有动画效果结束后，才出现，并在完成动画后停留至少 2 秒钟。
- 屏幕中间动画说明：屏幕中间主要展示步骤和详细数据（步骤全部使用赛博朋克风格，不再使用液态玻璃 HUD），如果不是展示步骤和详细数据，中间动画不用制作。数据尽量使用对比的图标进行展示。中间这些动画出现在字幕上方，但不遮挡字幕。并且中间区域的动画透明度为 80%，并且动画区域要扩大。
- 注意事项：动画效果多在视频左侧上半部分和右侧上半部分出现，并且每次动画尽量让人看得清楚，不要太小，并保持美学设计。左侧出现动画文字时，右侧尽量同时出现对左侧动画的具体解释或操作动画。因为已经有了视频字幕，所以底部不再增加字幕效果。

## Visual Identity（视觉识别）

- 主风格：苹果液态玻璃 + 科技信息流，半透明、模糊背景、折射高光、细边框、柔和阴影。
- 配色：
    - 背景深色遮罩：#071018
    - 玻璃面板：rgba(238, 248, 255, 0.16)
    - 冷光青色：#54D7FF
    - 数据蓝紫：#6E8CFF
    - 重点橙色：#FF8A2A
    - 文本白：#F7FBFF
- 字体：中文用 PingFang SC / Microsoft YaHei 兜底；英文产品名用同一字体加粗，不额外引入花哨字体。
- 禁止：大面积纯橙色、厚重不透明卡片、遮脸大标题、低频静态字幕、过度炫光影响人物可见度。

## Assumptions（前提条件）

- 输出比例保持原视频 1920x1080 横屏。
- 不剪掉口播内容，只做视觉增强和解释型动画叠加。
- 保证动画频率不低于 5 秒一套，左右动画都进行变换。
- 所有说明文字使用中文为主，因为标注的形式，产品名 Skill、OpenClaw、AI、Vibe Coding 保留原文。
- 动画密度偏高，但人物和口播仍是主视觉；橙色只用于重点、路径和数字强调。
- 输出要保持高清、60 帧输出，保证视频质量。

这套提示词也是我反复优化了十几遍才最终呈现的效果，所以说提示词的好坏对视频最终结果起到关键作用。

但是除了提示词，还有一些小细节需要注意。如果需要提示词，我已经放在博客上了，评论区找地址就可以了。

3. 坑三：没有字幕文件，用剪映一键导出字幕文件

这是没有字幕文件时我第一版做的效果，可以说还行，但不能使用。有错位现象。

你需要把字幕文件分离出来，我这里就用剪映来演示一遍如何导出字幕文件。先用剪映的自动上字幕功能，然后检查一遍字幕有没有问题，没有问题直接选择导出，然后最下面有个"导出字幕 SRT"按钮，就可以导出字幕文件了。

这时候再告诉 Codex 你是有字幕文件的，这时候效果就会好很多，也就是你片头看到的那个样子。

4. 坑四：大段的视频直接给 Codex 处理

把一大段视频，比如 10 分钟、20 分钟的视频直接丢给 Codex，然后让它处理。这样如果中间有问题，那你的 Token 消耗是巨大的，而且在我测试的时候，这种方式出来的效果也是不好的。

所以我的建议是把长时间视频分成 30 秒一段的分段视频，然后最后再整合到一起。这样预期和 Token 效果都是可控的。

flowchart LR
    A[原始视频 + 字幕 SRT] --> B[剪映自动上字幕<br>导出 SRT 字幕文件]
    B --> C[把长视频切成 30 秒一段]
    C --> D[Codex + HyperFrames<br>逐段处理：写提示词 → 生成动画计划 → 批准后执行]
    D --> E[逐段渲染输出]
    E --> F[最后整合成完整视频]

5. Token 花费问题

肯定有一些小伙伴关注 Token 使用情况，也就是花费多少。我最近都在使用这种方式制作视频。

其实花费不算大，我用的是 ChatGPT 的 Pro 会员，30 秒视频的 Token 花费也就是 5 小时可用量的 15%-20% 左右，也就是 5 小时的 Token 使用量最少也能渲染 3 分钟左右的视频。一天 Token 用量至少可以制作 15 分钟左右的视频。

[!success] 核心要点

• 坑一：优先使用 Codex（而非 Claude Code 等）——工具选择决定上限；HyperFrames by HeyGen 已是 Codex 官方认证插件
• 坑二：提示词决定成败——需要 Summary（概要）+ Visual Identity（视觉识别）+ Assumptions（前提条件）三层结构，先让 AI 出动画计划、批准后再执行
• 坑三：必须分离字幕文件——用剪映自动上字幕 → 检查 → 导出 SRT，能显著消除动画错位
• 坑四：长视频切成 30 秒分段处理，Token 消耗与效果都可控
• Token 成本参考：ChatGPT Pro 会员下，30 秒视频约消耗 5 小时可用量的 15%-20%；一天用量至少可制作 15 分钟视频