发视频比发四格图更“容易”？我用 GPT Image 2 + Codex 跑了一套生产线

你有没有这种崩溃：

• 四格图画到第 3 格，人物脸已经变成“远房亲戚”了 😅
• 每格都要重新构图、重新排字
• 发出去还不一定被推荐

反过来，短视频（哪怕就是“图像关键帧 + 字幕 + BGM”）更像流水线：

• 只要几张关键帧就能动起来
• 转场、字幕、节奏一加，完成度立刻上去
• 平台也更爱推（至少我自己账号的体感是这样）

这篇给你一套能直接照抄的方案：

• GPT Image 2：出稳定的分镜关键帧
• Codex：自动写生成脚本 + 合成视频脚本
• FFmpeg：把帧合成视频、加字幕、加音频

目标很明确：你每天能早下班一小时，而不是在 PS 里抠到凌晨。

你要准备什么

工具清单

• OpenAI API Key
• Node.js 或 Python（下面给 Node 版本，复制就能跑）
• FFmpeg（本地装一下就行）

成品是什么样

• 5～9 张关键帧（1:1 或 9:16）
• 每张帧有一致角色 + 一致场景风格
• 合成一个 6～12 秒短视频（可加 BGM、字幕）

关键思路：别死磕“四格”，用“分镜”碾压它

四格图难在“每一格都必须完美”。

短视频分镜不一样：

• 帧与帧之间允许有一点变化
• 转场一做，观众反而觉得“更有动感”
• 你可以用字幕把信息补齐

所以策略是：用最少的画面成本，拿到更高的内容完成度。

流程长这样（你照着跑就行）

1）先写一个“分镜表”（很短，别写小说）

建议 6 帧起步：

• 1：建立场景
• 2：角色出现
• 3：冲突/问题
• 4：误会/反转
• 5：解决方案
• 6：收尾梗/金句

示例（你可以直接替换主题）：

主题：打工人用 AI 做日报
角色：同一个年轻上班族，圆框眼镜，浅色衬衫
风格：日系清爽插画，干净背景

镜头1：工位，电脑弹出“今晚前交日报”
镜头2：主角抱头崩溃，桌上咖啡摇摇欲坠
镜头3：主角打开 AI 工具，屏幕出现“生成日报”按钮
镜头4：屏幕飞速输出，主角表情从痛苦变成震惊
镜头5：主角把日报发出去，主管竖大拇指
镜头6：主角背包下班，字幕：明天也别熬夜了

分镜写到这个程度就够了。别贪多。

2）用“角色锚点”锁住一致性（这一步决定你成片像不像专业号）

你要在每一帧提示词里固定这些信息：

• 角色特征（发型、衣服、配饰）
• 画风（插画 / 3D / 写实）
• 镜头语言（中景、近景、俯拍）
• 色彩（干净、低饱和、暖色）

我常用的“角色锚点模板”👇

同一角色：25岁亚洲年轻男性，圆框眼镜，短黑发偏分，浅蓝衬衫，灰色工牌，干净清爽，表情自然
统一画风：日系扁平插画，线条干净，低饱和配色，柔和阴影
统一场景：现代办公工位，白色桌面，笔记本电脑，窗外白天城市背景虚化
镜头：电影感构图，中景为主，景深轻微

你会发现：四格图拼命想一致，经常翻车。

分镜帧只要“70%一致”，视频里观众很难挑刺。

3）提示词直接给你：GPT Image 2 分镜生成版

把“角色锚点 + 单帧剧情”拼起来就行。

镜头 1 提示词示例：

日系扁平插画，线条干净，低饱和配色，柔和阴影。
同一角色：25岁亚洲年轻男性，圆框眼镜，短黑发偏分，浅蓝衬衫，灰色工牌。
统一场景：现代办公工位，白色桌面，笔记本电脑，窗外白天城市背景虚化。
镜头：中景，电影感构图。
剧情：电脑屏幕弹出提示“今晚前交日报”，主角盯着屏幕，表情紧张。
画面干净，主体突出，留出顶部字幕空间。

镜头 2～6同理，把剧情句换掉。

小技巧：每帧都加一句“留出字幕空间”。你后期会谢我。

代码开源版：Codex 负责把脏活累活全写完

你可以让 Codex 生成一份脚本，做三件事：

• 读取分镜表
• 调用 GPT Image 2 批量出图
• 用 FFmpeg 合成视频（加字幕/加音乐）

下面我直接给一个可跑的 Node.js 示例（你把 OPENAI_API_KEY 配上即可）。

说明：不同 SDK 版本接口名可能略有差异，你照这个结构写，改起来很快。

1）安装依赖

npm i openai

2）生成关键帧（frames）

// generate_frames.mjs
import fs from "fs";
import path from "path";
import OpenAI from "openai";

const client = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });

const outDir = "./frames";
if (!fs.existsSync(outDir)) fs.mkdirSync(outDir);

const characterAnchor = `
同一角色：25岁亚洲年轻男性，圆框眼镜，短黑发偏分，浅蓝衬衫，灰色工牌，干净清爽，表情自然。
统一画风：日系扁平插画，线条干净，低饱和配色，柔和阴影。
统一场景：现代办公工位，白色桌面，笔记本电脑，窗外白天城市背景虚化。
镜头：电影感构图，中景为主，景深轻微。
`;

const storyboard = [
  "电脑屏幕弹出提示‘今晚前交日报’，主角盯着屏幕，表情紧张，画面留出顶部字幕空间。",
  "主角抱头崩溃，桌上咖啡快要打翻，画面留出顶部字幕空间。",
  "主角打开 AI 工具，屏幕出现‘生成日报’按钮，画面留出顶部字幕空间。",
  "屏幕飞速输出内容，主角从痛苦变成震惊，画面留出顶部字幕空间。",
  "主角把日报发出去，主管在旁边竖大拇指，画面留出顶部字幕空间。",
  "主角背包下班走出办公室，轻松表情，画面留出顶部字幕空间。"
];

for (let i = 0; i < storyboard.length; i++) {
  const prompt = `${characterAnchor}\n剧情：${storyboard[i]}\n画面干净，主体突出，无水印，无乱码文字。`;

  const res = await client.images.generate({
    model: "gpt-image-2",
    prompt,
    size: "1024x1024" // 做 9:16 也行：后期裁切或用扩图
  });

  const b64 = res.data[0].b64_json;
  const file = path.join(outDir, String(i + 1).padStart(2, "0") + ".png");
  fs.writeFileSync(file, Buffer.from(b64, "base64"));
  console.log("saved", file);
}

运行：

node generate_frames.mjs

你会得到 frames/01.png ... 06.png。

合成视频：FFmpeg 一句搞定（再也别手动拖剪辑软件了）

方案 A：最简单的“图片轮播视频”

每张图 1.2 秒，6 张图就是 7.2 秒：

ffmpeg -y \
  -framerate 1/1.2 \
  -i frames/%02d.png \
  -c:v libx264 -pix_fmt yuv420p \
  out.mp4

方案 B：加字幕（建议把字幕写到文件里）

建一个 captions.srt：

1
00:00:00,000 --> 00:00:01,200
今晚前交日报？

2
00:00:01,200 --> 00:00:02,400
我人都麻了

3
00:00:02,400 --> 00:00:03,600
打开 AI：生成日报

4
00:00:03,600 --> 00:00:04,800
输出速度离谱

5
00:00:04,800 --> 00:00:06,000
主管：可以啊

6
00:00:06,000 --> 00:00:07,200
下班！

合成字幕：

ffmpeg -y \
  -framerate 1/1.2 \
  -i frames/%02d.png \
  -vf "subtitles=captions.srt" \
  -c:v libx264 -pix_fmt yuv420p \
  out_sub.mp4

想更好看？给字幕加描边、阴影、位置，这些都能在 FFmpeg 或 ASS 字幕里搞。

让 Codex 变成你的“短视频工头”：一条指令让它生成整套工程

你可以把下面这段话丢给 Codex，当作需求文档：

帮我生成一个 Node.js 小项目：
1) 读取 storyboard.json（包含角色锚点、6段分镜、每段字幕）
2) 调用 OpenAI 的 gpt-image-2 生成 1024x1024 PNG，保存到 frames/%02d.png
3) 自动生成 captions.srt
4) 自动调用 ffmpeg 合成 out.mp4（每张图 1.2 秒）并叠加字幕
要求：
- 提供 package.json、可运行命令
- 代码里把 API Key 从环境变量读取
- 输出目录不存在则自动创建

你会发现：真正省时间的是这步。

你不需要当“脚本工程师”。你只要当导演。

避坑清单（都是我踩过的坑）

• 字幕空间不留：生成图把画面塞满，后期字幕只能糊脸。
• 每帧提示词写太自由：角色锚点没固定，脸分分钟崩。
• 画面出现乱码字：提示词里加“无水印，无乱码文字”，还能减少翻车。
• 帧数太多：新手别一上来做 20 帧。6～9 帧更容易做完、发出去。
• 一味追求“完全一致”：视频容错比四格高，别把自己逼死。

你可以直接套用的“选题模板”（发出去更像一个系列）

• 《把 XX 交给 AI 以后，我下班早了》
• 《XX 崩溃瞬间 vs AI 介入后》
• 《领导一句话，我用 AI 5 秒搞定》
• 《同事以为我通宵，其实我用脚本》

配上这套分镜流水线，你就能稳定日更。

你要我帮你把它变成“可一键运行”的仓库吗？

你把这三样发我就行：

• 账号内容方向（职场/学习/带货/情感/知识科普）
• 角色设定一句话（比如“戴眼镜的打工人”）
• 想做 6 帧还是 9 帧

我给你一份标准化目录结构（含 storyboard.json 示例、脚本、FFmpeg 命令），你直接改文案就能批量出片。