用 Codex 搭建 AI 短视频批量生产线：日产 10 条不翻车

2026 年做 AI 短视频，真正的瓶颈已经不是"能不能生成"，而是"能不能日产 10 条以上、风格还不飘"。很多创作者尝试过纯在线工具（可灵、即梦等）或本地 ComfyUI，但前者风格不可控，后者环境配置劝退。

本文将拆解一套 Codex + 本地工具链 的批量生产方案，单人稳定日产 10-14 条，单条均摊 3-6 分钟，边际成本接近零。

一、目录结构：先定框架再填肉

所有代码和素材都按以下结构组织，Codex 可以直接读取和生成：

ai-shorts/
├── prompts/       # 提示词模板（风格锚点在这里）
├── scripts/       # narration.txt（每行一条旁白）
├── videos/        # 分镜视频（务必使用英文路径）
├── audios/        # 配音音频
├── output/        # 合成成片
├── tts_batch.py   # 配音批处理脚本
├── merge_batch.py # 视频合成脚本
└── main.py        # 一键启动入口
复制

关键原则：路径必须全英文，含中文的路径会导致 FFmpeg 批量处理时随机失败。

二、核心步骤 1：提示词——把"风格锚点"写死

风格漂移是批量生产最大的敌人。解决方案是在提示词中固定一个风格前缀，每次生成都不改动：

你是一位有 5 年以上短视频实战经验的导演兼爆款文案写手。
请严格按以下格式输出，不要添加任何额外解释。

主题：[你的主题]
目标时长：50 秒
目标受众：[具体人群]
风格要求：真实、有共鸣、微幽默，杜绝鸡汤和 AI 味

【旁白文案】
（口语化；前 3 秒必须强钩子；总字数 170-190 字；长句短句交替）

【分镜表】
镜头 1（0-8 秒）：
- 画面描述：
- 镜头运动：
- 文生视频关键词（必须包含统一风格前缀「电影感，冷色调，真实光影，浅景深，禁止人物变形」）：
- 字幕重点：

镜头 2（8-16 秒）：
...

【BGM 建议】
【整体色调关键词】
复制

关键就一句话：「统一风格前缀」这个字段每次都要一字不改地带上，它是抗漂移的锚点。改主题可以，改锚点不行。

三、核心步骤 2：配音批处理（Edge-TTS）

安装依赖：pip install edge-tts

# tts_batch.py
import asyncio
from pathlib import Path
import edge_tts

VOICE = "zh-CN-YunxiNeural"  # 偏年轻；晓晓偏亲和；云扬是新闻腔别用
RATE = "+8%"                 # 比默认稍快，完播率更好
OUT_DIR = Path("audios")

async def generate_voices(texts: list[str], out_dir: Path = OUT_DIR):
    out_dir.mkdir(parents=True, exist_ok=True)
    for i, text in enumerate(texts, 1):
        output_file = out_dir / f"narration_{i:03d}.mp3"
        for attempt in range(3):
            try:
                comm = edge_tts.Communicate(text, VOICE, rate=RATE)
                await comm.save(str(output_file))
                break
            except Exception as exc:
                if attempt == 2:
                    raise
                print(f"第 {i} 条失败，1.5s 后重试")
                await asyncio.sleep(1.5)
        print(f"已生成：{output_file}")
        await asyncio.sleep(0.5)  # 串行间隔，避免限流

if __name__ == "__main__":
    texts = open("scripts/narration.txt", encoding="utf-8").read().splitlines()
    texts = [ln.strip() for ln in texts if ln.strip()]
    asyncio.run(generate_voices(texts))
复制

文件名用 narration_001.mp3 三位补零格式，确保排序正确（避免 10 排在 2 前面）。

四、核心步骤 3：视频标准化 + 批量合成

视频标准化（解决音画不同步）

ffmpeg -i raw.mp4 \
  -r 25 \
  -vf "scale=1080:1920:force_original_aspect_ratio=decrease,pad=1080:1920:(ow-iw)/2:(oh-ih)/2" \
  -c:v libx264 -pix_fmt yuv420p -crf 20 \
  -c:a aac -ar 44100 -b:a 192k \
  videos/std_001.mp4
复制

全链路统一 44100Hz + 25fps，这是避免口型对不齐的关键。

批量合成脚本

# merge_batch.py
import subprocess
from pathlib import Path

def batch_merge(video_dir, audio_dir, output_dir):
    videos = sorted(Path(video_dir).glob("*.mp4"))
    audios = sorted(Path(audio_dir).glob("*.mp3"))
    if len(videos) != len(audios):
        raise ValueError(f"数量不匹配：视频 {len(videos)} 个 / 音频 {len(audios)} 个")
    for i, (v, a) in enumerate(zip(videos, audios), 1):
        output = Path(output_dir) / f"final_{i:03d}.mp4"
        subprocess.run([
            "ffmpeg", "-y", "-i", str(v), "-i", str(a),
            "-c:v", "copy", "-c:a", "aac", "-b:a", "192k", "-ar", "44100",
            "-shortest", "-movflags", "+faststart", str(output)
        ], check=True, stdout=subprocess.DEVNULL)
        print(f"合成完成：{output}")
复制

-c:v copy 不重编码秒出，-shortest 避免尾部黑屏，+faststart 支持边下边播。

五、一键启动

# main.py
import asyncio
from pathlib import Path
from tts_batch import generate_voices
from merge_batch import batch_merge

ROOT = Path(__file__).parent

def main():
    texts = [ln.strip() for ln in open(ROOT/"scripts/narration.txt", encoding="utf-8") if ln.strip()]
    asyncio.run(generate_voices(texts))
    batch_merge(ROOT/"videos", ROOT/"audios", ROOT/"output")

if __name__ == "__main__":
    main()
复制

之后每天只需：往 narration.txt 贴文案 → 把分镜视频丢进 videos/ → 运行 python main.py。

六、高频踩坑与解决方案

七、真实效率数据

• 单人稳定日产 10-14 条可直接发布的视频
• 单条均摊 3-6 分钟，人工只占约 1 分钟
• 综合效率比纯在线工具提升约 2.5 倍

这套流程的价值不在"生成"，在于把不可控的创意劳动，变成了可控的工业流程。

来源：CSDN 作者「小二爱编程」《用 Codex 从零搭一套 AI 短视频流水线：提示词 + 批量脚本 + 真实踩坑》（2026-09-20）

资料最后核对日期：2026-09-25 · 内容整理自 CodexGuide 社区公开教程