博客日志

我用 Codex、Google Flow和 Remotion做完了第一支 YouTube视频

最近，我完成并发布了自己的第一支 YouTube视频——《PlayStation游戏主机发展史》。

视频最终时长约2分29秒，包含旁白、字幕、背景音乐、动画素材、转场、定格画面和片尾声明，最后以1920×1080分辨率导出。

整个过程并不是输入一句提示词，然后等待 AI自动生成成片。我先整理故事和脚本，再生成字幕、旁白与动画素材，最后通过 Codex和 Remotion完成画面拼接、声音对齐和逐帧调整。

先把故事和场景写清楚

真正开始制作视频之前，我先整理了一份 PlayStation发展史故事方案。

这份方案不只有旁白正文，还包含视频定位、章节结构、场景设计、屏幕文字、转场方式和素材清单。

每个场景需要提前回答几个问题：

• 这一段准备讲什么；
• 旁白应该怎么说；
• 画面中应该出现哪些内容；
• 镜头如何运动；
• 下一段怎样衔接。

例如，故事开头没有直接介绍主机参数，而是从索尼进入游戏行业的经历讲起，再引出 PlayStation的诞生。

有了这份故事底稿，后面的字幕、语音和画面生成就有了统一方向。真正制作短视频时，再根据成片长度压缩脚本，保留最重要的故事线。

提前生成字幕和旁白

脚本确定后，我先提取适合朗读的旁白，将长段落拆成比较自然的句子，再整理成带时间结构的 SRT字幕。

接着使用 CosyVoice生成中文旁白。

语音生成并不是输出一个音频文件就结束了。实际测试中，我遇到过句首漏字，以及 PlayStation、1994年 这类中英文和数字混合内容读不完整的问题。

后来又使用 WhisperX检查语音内容，并根据真实发音时间重新对齐字幕。如果发现句首缺失，就重新生成对应句子，而不是直接把错误语音放进成片。

最终得到两份重要素材：

• 一条完整的旁白音频；
• 一份按照实际语音时间对齐的字幕。

到了剪辑阶段，旁白和字幕就成为整条时间线的基础。后面的动画画面需要配合声音，而不是让声音不断迁就已经拼好的视频。

根据场景脚本，用 Google Flow生成动画画面

旁白和字幕准备好以后，下一步是制作动画画面。

因为故事脚本里已经写好了每个场景的内容，所以我可以直接根据场景描述，让 Google Flow生成对应的视频素材。

例如，一个场景需要出现初代 PlayStation、CRT电视、游戏光盘和复古房间，就把这些元素连同镜头运动、光线、画面风格一起写进提示词。生成后再选择动作和构图比较合适的版本。

Google Flow在制作这种短动画素材时比较方便，尤其适合生成带有镜头运动的场景。不过使用时有一个限制需要提前考虑：它一次只能生成大约10秒的视频。

这意味着不能指望它一次完成一整段两三分钟的故事。更合适的方式，是把脚本拆成一个个短场景：

1. 根据旁白内容划分镜头；
2. 为每个镜头编写独立的画面描述；
3. 使用 Google Flow生成10秒左右的视频；
4. 选择合适的片段保存下来；
5. 最后在 Remotion中裁切和拼接。

如果一段旁白超过10秒，就需要使用两个或多个动画片段。也可以将某个关键画面的最后一帧适当延长，让画面停留到旁白结束。

如果旁白比较短，则直接裁掉生成视频中多余的部分。

所以在这套流程里，Google Flow更像是一个动画素材生成器，而不是最终的视频剪辑工具。它负责生成一个个镜头，Remotion负责把这些镜头组织成完整故事。

用 Codex和 Remotion拼接画面

动画素材准备完成后，我把它们全部放进 Remotion工程。

Remotion是一个基于 React的视频制作工具。视频、字幕、旁白、背景音乐和转场都可以放在独立轨道上，每个片段通过开始帧、持续帧数和素材裁切位置控制。

实际制作时，我只需要把剪辑要求告诉 Codex，例如：

• 删除素材原来的声音；
• 把第二个视频接在第一个视频后面；
• 从指定位置裁切片段；
• 把后半段移动到新的时间；
• 延长某个镜头的最后一帧；
• 保持旁白和字幕不变；
• 在场景之间增加淡入、淡出和转场；
• 调低背景音乐，避免盖住解说。

Codex会把这些要求转换成 Remotion时间线代码。

由于 Google Flow生成的素材长度通常是10秒，而旁白长度并不固定，所以很多工作都集中在“画面对齐声音”上。

有些镜头需要裁短，有些需要提前，有些则需要提取最后一帧并定格一段时间。这样既能保留旁白的自然语速，也不会为了迁就画面而强行加速声音。

先看工程，最后再导出

在大部分制作阶段，我都会特别说明：先修改工程，不要急着导出。

每次修改后，我会在 Remotion Studio中拖动时间线，检查画面、字幕和声音是否同步。

如果两个视频被放在同一个时间段，后面的画面可能会被前面的轨道遮住；如果某个片段提前或延后几帧，旁白和字幕听起来也会不自然。这些问题需要实际播放才能发现。

音效和背景音乐也经过了多次调整。

我曾尝试从免费素材库为不同场景加入音效，但试听后觉得影响旁白，于是全部删除。背景音乐也更换过几次，最后才选择一首比较适合解说节奏的音乐，并将音量控制在不会盖住人声的范围内。

AI可以帮助搜索素材、放置轨道和调整参数，但“好不好听”“这个镜头该不该停留久一点”，仍然需要人来判断。

从720p重新导出到1080p

第一次导出并上传 YouTube后，我发现视频最高只能选择720p。

检查后才发现，大部分动画素材虽然是1920×1080，但 Remotion工程最初被设置成了1280×720，所以导出的文件也只有720p。

后来我们把工程改成1920×1080，并同步调整字幕、片尾文字、边距和阴影，避免分辨率改变后文字比例出现问题。

最终成片信息如下：

• 分辨率：1920×1080；
• 帧率：24fps；
• 时长：约149秒；
• 视频编码：H.264；
• 音频编码：AAC；
• 文件大小：约170MB。

需要注意的是，分辨率调整并不能提升原始素材的真实细节。720p素材放进1080p工程，只是被放大了。想得到更清晰的结果，最好从生成动画素材时就选择较高分辨率。

Codex已经可以完成比较细致的视频剪辑

完成这支视频后，我发现 Codex配合 Remotion，已经能够承担不少实际的视频制作工作：

• 整理故事和视频脚本；
• 根据脚本生成旁白和SRT字幕；
• 检查语音与字幕时间；
• 配合Google Flow生成场景素材；
• 删除原视频音频；
• 拼接和裁切视频片段；
• 按帧移动画面；
• 延长某一帧；
• 添加字幕、旁白和背景音乐；
• 制作简单转场；
• 调整分辨率并导出成片。

它的优势不是完全代替剪辑师，而是把自然语言变成一条可以执行、检查和反复修改的视频时间线。

当然，要求越明确，结果越稳定。

“帮我把视频剪得好一点”很难执行，而“保持旁白和字幕不变，把这个镜头裁短，再把下一个镜头提前”就清楚得多。

这支《PlayStation游戏主机发展史》是我的第一支 YouTube视频，也是我第一次完整走完故事策划、脚本整理、SRT字幕、语音生成、动画制作、画面对齐、剪辑和导出的全过程。

对我来说，这次最大的收获并不是让 AI自动完成了一条视频，而是找到了一种新的协作方式：

我负责决定故事怎么讲、画面怎么选、哪里应该停下来；Google Flow负责生成动画镜头；Codex和 Remotion负责把这些素材准确地组织到时间线上。

起初只是抱着试一试、玩一玩的心态，看看 AI能帮我做视频剪辑吗？想不到从最终结果来看，这套方式已经能够完成一套相当完整、细致并且可以继续修改的视频制作流程。

PlayStation游戏主机发展史

视频：https://www.youtube.com/watch?v=tSFHWog8UeU