今次我做咗件好適合內容創作者嘅事：

將三篇已經寫好嘅技術文章，分別整成 1920×1080 橫屏影片，而且每條都有旁白，把聲仲盡量貼近我提供嘅嗰段錄音。

三篇文章分別係：

• 零成本打造全模態 AI 工作流，咁樣配置，唔輸畀主流模型嘅全模態能力

• 如果唔知 Codex 呢啲功能，等於白裝

• Hermes Agent 可以接入 iMessage 喇，三分鐘搞掂設定「完整攻略」

最後整出嚟唔係三條套模板嘅影片，而係每篇獨立定風格、獨立寫口播、獨立開資料夾、獨立匯出。

先睇結果。

瑕疵一定有㗎，始終係一次過，好多細節之後可以再優化，例如語速、發音等。

主要睇過程

你可以將呢篇文 send 畀 codex ，佢會知道點樣一步一步做

第一步：唔好急住整影片，先將文章拆成「講得出」嘅內容

文章同影片唔一樣。

文章可以慢慢睇，可以來回翻；影片唔得，觀眾一秒跟唔上，之後就好易飛走。

所以我第一步唔係直接將 Markdown 掉畀工具，而係先將每篇文章拆成 7 個細段。每個細段淨係講一件事：

• Hermes 全模態呢篇，重點係「免費 API 點樣接入 Agent 工作流」

• Codex 功能避坑呢篇，重點係「邊啲功能真係有用，邊啲唔好亂開」

• Hermes 接 iMessage 呢篇，重點係「由前置條件到手機實測嘅完整流程」

每條影片都配咗一份 narration_script.md，即係最終嘅旁白稿。咁樣之後無論係生成音頻定係對齊畫面節奏，都有個穩定嘅文本底稿。

我嘅目錄係咁樣分：

hermes-multimodal-video/
codex-features-video/
hermes-imessage-video/

每個目錄入面都有：

DESIGN.md
narration_script.md
index.html
assets/
audio/
renders/

呢個結構好重要。千祈唔好將三條影片撈埋同一個目錄，唔係之後你改音頻、改截圖、重新渲染時，好易搞到自己亂曬籠。

第二步：每篇文章獨立揀風格

今次我冇用一個統一模板套三條影片。

原因好簡單：三篇文章嘅氣質唔同。

Hermes 全模態嗰篇，講嘅係模型、API、Agent、全模態工作流，所以我用咗偏深色嘅技術感界面，綠色同藍色做高亮，截圖放右邊，左邊放判斷同步驟。

Codex 功能避坑嗰篇，內容其實似「功能優先級清單」。如果都整成 cyber 風，就會顯得太重。所以我用咗淺色底、紅黑強調，更加似一張操作枱上面嘅風險標記。

Hermes 接 iMessage 呢篇，核心係消息網關同手機實測，所以畫面入面保留咗聊天氣泡、終端截圖、狀態檢查呢啲元素，等觀眾一眼睇得出呢個係設定通訊鏈路。

呢度有個小經驗：技術影片唔好淨係堆大標題。

標題負責話畀觀眾聽「呢段講咩」，截圖負責證明「呢步真係做到咗」，數字同命令負責令人記住關鍵點。三層資訊都有，影片先至唔似空洞嘅 PPT。

第三步：用 F5-TTS 做克隆旁白

旁白呢 part，我一開始都比較謹慎。

Edge TTS 好穩定，但佢主要係通用語音合成，唔係拎一段錄音就可以高質量克隆嘅路線。真正要「參考呢段錄音把聲」，更加適合用 F5-TTS 呢種有參考音頻同參考文本嘅方案。

可以自己錄段口播稿做參考音頻，但呢度有個坑，好關鍵。

F5-TTS 唔係隨便掉一段音頻入去就搞掂。佢需要：

1. 參考音頻唔好太長

2. 參考文本要同參考音頻內容對齊

3. 技術詞彙喺旁白稿入面要寫成更接近真實讀法嘅形式

例如模型名、API、Full Access、Auto review、iMessage、Node.js 呢啲詞，如果文本寫得太是但，TTS 就有可能讀得好怪。

所以旁白稿入面我盡量寫成自然口播：

模型選 agnes two point zero flash
Node 大於等於十八點十七
Custom Direct API
Full Access
Auto review
iMessage

唔係每個詞都硬譯中文，亦唔係將英文逐個字母讀出嚟。

最大嘅坑：旁白一開始全部係雜音

呢個問題好典型。

一開始生成出嚟嘅旁白，聽落唔似口播，而係一嚿雜音。呢個時候唔好急住怪影片合成，亦唔好即刻換工具。

我先將問題拆開嚟睇：

• 如果 MP4 入面音頻有問題，可能係合成階段出錯

• 如果 WAV 本身就係雜音，咁就係 TTS 生成階段出錯

• 如果響度正常但聽唔清，可能係參考音頻同參考文本唔匹配

最後定位到，問題出喺 F5-TTS 嘅參考音頻同參考文本。

F5 會對參考音頻做截斷，如果你畀佢嘅參考文本仲係完整長錄音嘅文本，咁佢實際聽到嘅音頻同你話畀佢聽嘅文字就對唔上。對唔上之後，把聲就好易崩。

修正方法都好直接：

先將參考音頻剪成可控長度，再將 ref_text 改成同呢段剪好嘅音頻完全一致嘅文本。

改完之後，再用 F5 生成三段完整旁白：

hermes-multimodal-video/audio/narration-f5.wav
codex-features-video/audio/narration-f5.wav
hermes-imessage-video/audio/narration-f5.wav

然後統一做響度處理：

loudnorm=I=-17:TP=-2:LRA=11
48000 Hz
stereo

咁樣最後放入影片時，音量唔會時大時細，亦唔會一個影片響、另一個影片矇。

第四步：合成影片，唔好淨係睇「可唔可以匯出」

影片可以匯出，唔代表成品冇問題。

今次我踩到嘅另一個小坑係字型。

有啲中文小標籤一開始變咗方塊字。原因係我將章節標籤用咗純等寬字型，英文冇問題，中文 fallback 冇接好，所以就顯示成方塊。

解決方式都好簡單：技術截圖入面嘅英文命令繼續保留等寬字型，但影片界面上嘅中文標籤改返系統中文字型。咁樣唔會冇咗技術感，亦唔會出亂碼。

仲有英文術語黐埋一齊嘅問題，例如：

HermesAgent
FullAccess
Node.js版本

呢類問題唔係 TTS 嘅問題，而係畫面文字換行邏輯太粗疏，將中英文之間嘅空格食咗。

我將文本換行邏輯改成按英文單詞、空格、中文字元分別處理，最後畫面上就變返做：

Hermes Agent
Full Access
Node.js 版本

呢啲細節睇落好細，但公眾號影片、B 站影片入面好明顯。觀眾未必講得出邊度怪，但會覺得畫面唔專業。

第五步：最後一定要驗收

我最後做咗三類檢查。

第一類係影片參數：

• 係咪真係 1920×1080

• 係咪橫屏

• 有冇音軌

• 音頻係咪 AAC

• 取樣率係咪 48kHz

第二類係畫面抽格：

• 中文有冇方塊

• 英文術語有冇黐埋

• 截圖有冇遮住正文

• 大標題有冇超出畫面

第三類係音頻抽檢：

• WAV 本身有冇聲

• 響度是否正常

• ASR 可唔可以辨識到核心內容

呢步好重要。

因為「聽落似雜音」同「模型偶爾讀錯一個詞」係兩類完全唔同嘅問題。前者代表生成鏈路壞咗，一定要返工；後者係 TTS 質量問題，可以透過改寫旁白稿繼續優化。

今次最終 ASR 可以辨識到：

Hermes Agent
API Key
Custom Direct API
Codex
Full Access
Auto review
iMessage
Node 18.17

代表音頻唔係雜音，至少語音辨識可以穩定捉到主幹內容。

最後匯出嘅三個檔案

三條成品分別係：

hermes-multimodal-video/renders/hermes-multimodal-video-f5-voiceover.mp4
codex-features-video/renders/codex-features-video-f5-voiceover.mp4
hermes-imessage-video/renders/hermes-imessage-video-f5-voiceover.mp4

參數都確認過：

1920×1080 橫屏
H.264 視頻
AAC 48kHz 雙聲道音頻
時長約 46 到 48 秒

呢套流程最值得重用嘅地方

如果你都想將文章批量變成影片，我覺得最值得抄嘅唔係某個命令，而係呢個順序：

文章拆段
寫成口播稿
每篇單獨定風格
挑文章裏的關鍵截圖
生成克隆旁白
合成視頻
抽幀檢查
ASR 檢查
最後再交付

尤其係克隆旁白呢一步，唔好淨係睇「模型行完未」。

一定要檢查參考音頻、參考文本、旁白文本、技術詞讀法、最終 WAV、最終 MP4。任何一環冇對齊，都可能出現聽落好玄學嘅問題。

今次最有價值嘅經驗就係：把聲崩咗唔好亂換工具，先將鏈路拆開。到底係參考音頻錯、參考文本錯、TTS 生成錯，定係影片封裝錯，逐層排查，問題好快就會浮現。

最後成品出咗之後，其實成套流程就好適合批量做喇。

文章負責深度，HyperFrames 負責畫面節奏，F5-TTS 負責聲音一致性。只要前面嘅口播稿同素材整理得好，一篇文章做成一條橫屏解說影片，就唔再係由零開始。

💡推薦閲讀

關於 AI 編程工具，推薦一個🐂🍺嘅中轉工具，一個 key 同時用 Claude code/codex/gemini，性價比超高，服務穩定……

註冊地址：https://aigocode.com/invite/WYVFRE57

另外，提供 ChatGPT Plus 成品號，代充等，㩒文末【閲讀原文】睇詳情！

或加 WeChat：afly813 諮詢

目前我哋嘅 AI CODE 平台已支援 claude code 、codex、Gemini，想體驗最強最前沿嘅 AI 編程，衝就完事了！！🚀

夥伴們，以後寫 code，codex 同 claude 都可以爽歪歪啦！！！

令你嘅 Claude Code 效率飛起！你只差呢個萬能公式！！

呢個先係 AI 編程嘅最強組合，VSCode + Claude Code 令寫 Code 快到飛起！

【附提示詞模板】10 個 Claude code 高頻提示詞模板（可直接複製使用）！建議收藏！！

我哋嘅 ChatGPT 充值服務都已上線，㩒文末【閲讀原文】睇詳情！

這次我幹了一件挺適合內容創作者的事：

把三篇已經寫好的技術文章，分別做成 1920×1080 橫屏視頻，而且每條都有旁白，聲音還儘量貼近我提供的那段錄音。

三篇文章分別是：

• 零成本打造全模態 AI 工作流，這樣配置，不亞於主流模型的全模態能力

• 如果不知道 Codex 這些功能，等於白裝

• Hermes Agent 可以接入 iMessage了，三分鐘完成配置「完整攻略」

最後做出來不是三條套模板的視頻，而是每篇單獨定風格、單獨寫口播、單獨建目錄、單獨導出。

先看結果。

瑕疵是肯定有的，畢竟是一次過的，還有很多細節後面可以再優化，比如語速，發音等

主要看過程

你可以將此文發給 codex ，它會知道如何一步一步的操作的

第一步：別急着做視頻，先把文章拆成“可講”的內容

文章和視頻不一樣。

文章可以慢慢讀，可以來回翻；視頻不行，觀眾一秒鐘沒跟上，後面就容易飄走。

所以我第一步不是直接把 Markdown 丟給工具，而是先把每篇文章拆成 7 個小段。每個小段只講一件事：

• Hermes 全模態這篇，重點是“免費 API 怎麼接進 Agent 工作流”

• Codex 功能避坑這篇，重點是“哪些功能真有用，哪些別亂開”

• Hermes 接 iMessage 這篇，重點是“從前置條件到手機實測的完整流程”

每條視頻都配了一份 narration_script.md，也就是最終旁白稿。這樣後面不管是生成音頻，還是對齊畫面節奏，都有一個穩定的文本底稿。

我的目錄是這樣分的：

hermes-multimodal-video/
codex-features-video/
hermes-imessage-video/

每個目錄裏面都有：

DESIGN.md
narration_script.md
index.html
assets/
audio/
renders/

這個結構很重要。不要把三條視頻混在一個目錄裏，不然後面你改音頻、改截圖、重渲染時，很容易自己把自己繞進去。

第二步：每篇文章單獨選風格

這次我沒有用一個統一模板套三條視頻。

原因很簡單：三篇文章的氣質不一樣。

Hermes 全模態那篇，講的是模型、API、Agent、全模態工作流，所以我用了偏深色的技術感界面，綠色和藍色做高亮，截圖放在右邊，左邊放判斷和步驟。

Codex 功能避坑那篇，內容其實更像“功能優先級清單”。如果也做成賽博風，就會顯得太重。所以我用了淺色底、紅黑強調，更像一張操作枱上的風險標記。

Hermes 接 iMessage 這篇，核心是消息網關和手機實測，所以畫面裏保留了聊天氣泡、終端截圖、狀態檢查這些元素，讓觀眾一眼知道這是在配置通信鏈路。

這裏有個小經驗：技術視頻不要只堆大標題。

標題負責告訴觀眾“這一段講什麼”，截圖負責證明“這一步真的做到了”，數字和命令負責讓人記住關鍵點。三層信息都在，視頻才不像空洞的 PPT。

第三步：用 F5-TTS 做克隆旁白

旁白這塊，我一開始也比較謹慎。

Edge TTS 很穩，但它主要是通用語音合成，不是拿一段錄音就能高質量克隆的路線。真正要“參考這段錄音的聲音”，還是更適合用 F5-TTS 這種帶參考音頻和參考文本的方案。

可以自己錄段口播稿作為參考音頻，但這裏有個坑，非常關鍵。

F5-TTS 不是隨便丟一段音頻進去就完事。它需要：

1. 參考音頻不要太長

2. 參考文本要和參考音頻內容對齊

3. 技術詞要在旁白稿裏寫成更接近真實讀法的形式

比如模型名、API、Full Access、Auto review、iMessage、Node.js 這些詞，如果文本寫得太隨意，TTS 就可能讀得很怪。

所以旁白稿裏我儘量寫成自然口播：

模型選 agnes two point zero flash
Node 大於等於十八點十七
Custom Direct API
Full Access
Auto review
iMessage

不是每個詞都硬翻中文，也不是把英文一個字母一個字母念出來。

最大的坑：旁白一開始全是雜音

這個問題挺典型。

一開始生成出來的旁白，聽起來不是口播，而是一團雜音。這個時候不能急着怪視頻合成，也不能馬上換工具。

我先把問題拆開看：

• 如果 MP4 裏音頻有問題，可能是合成階段出錯

• 如果 WAV 本身就是雜音，那就是 TTS 生成階段出錯

• 如果響度正常但聽不清，可能是參考音頻和參考文本不匹配

最後定位下來，問題出在 F5-TTS 的參考音頻和參考文本。

F5 會對參考音頻做截斷，如果你給它的參考文本還是完整長錄音的文本，那它實際聽到的音頻和你告訴它的文字就對不上。對不上以後，聲音就容易崩。

修法也很直接：

先把參考音頻裁成可控長度，再把 ref_text 改成和這段裁剪音頻完全一致的文本。

修完後，再用 F5 生成三段完整旁白：

hermes-multimodal-video/audio/narration-f5.wav
codex-features-video/audio/narration-f5.wav
hermes-imessage-video/audio/narration-f5.wav

然後統一做響度處理：

loudnorm=I=-17:TP=-2:LRA=11
48000 Hz
stereo

這樣最後放進視頻時，音量不會忽大忽小，也不會一個視頻響、另一個視頻悶。

第四步：合成視頻，不要只看“能不能導出”

視頻能導出，不代表成片沒問題。

這次我踩到的另一個小坑是字體。

有些中文小標籤一開始變成了方塊字。原因是我把章節標籤用了純等寬字體，英文沒問題，中文 fallback 沒接好，就顯示成方塊。

解決方式也簡單：技術截圖裏的英文命令繼續保留等寬字體，但視頻界面上的中文標籤改回系統中文字體。這樣既不丟技術感，也不會出亂碼。

還有英文術語粘連的問題，比如：

HermesAgent
FullAccess
Node.js版本

這類問題不是 TTS 的問題，是畫面文字換行邏輯太粗暴，把中英文之間的空格吃掉了。

我把文本換行邏輯改成按英文單詞、空格、中文字符分別處理，最後畫面上就恢復成：

Hermes Agent
Full Access
Node.js 版本

這種細節看起來小，但公眾號視頻、B 站視頻裏非常明顯。觀眾不一定說得出來哪裏怪，但會覺得畫面不專業。

第五步：最後一定要驗收

我最後做了三類檢查。

第一類是視頻參數：

• 是否真的是 1920×1080

• 是否是橫屏

• 是否有音軌

• 音頻是不是 AAC

• 採樣率是不是 48kHz

第二類是畫面抽幀：

• 中文有沒有方塊

• 英文術語有沒有粘連

• 截圖有沒有擋住正文

• 大標題有沒有超出畫面

第三類是音頻抽檢：

• WAV 本身有沒有聲音

• 響度是否正常

• ASR 能不能識別出核心內容

這一步很重要。

因為“聽起來像雜音”和“模型偶爾讀錯一個詞”是兩類完全不同的問題。前者說明生成鏈路壞了，必須返工；後者是 TTS 質量問題，可以通過改寫旁白稿繼續優化。

這次最終 ASR 能識別出：

Hermes Agent
API Key
Custom Direct API
Codex
Full Access
Auto review
iMessage
Node 18.17

說明音頻不是雜音，至少語音識別能穩定抓到主幹內容。

最後導出的三個文件

三條成片分別是：

hermes-multimodal-video/renders/hermes-multimodal-video-f5-voiceover.mp4
codex-features-video/renders/codex-features-video-f5-voiceover.mp4
hermes-imessage-video/renders/hermes-imessage-video-f5-voiceover.mp4

參數也都確認過：

1920×1080 橫屏
H.264 視頻
AAC 48kHz 雙聲道音頻
時長約 46 到 48 秒

這套流程最值得複用的地方

如果你也想把文章批量變成視頻，我覺得最值得抄的不是某個命令，而是這個順序：

文章拆段
寫成口播稿
每篇單獨定風格
挑文章裏的關鍵截圖
生成克隆旁白
合成視頻
抽幀檢查
ASR 檢查
最後再交付

尤其是克隆旁白這一步，不要只看“模型跑完了沒有”。

一定要檢查參考音頻、參考文本、旁白文本、技術詞讀法、最終 WAV、最終 MP4。任何一環沒對齊，都可能出現聽起來很玄學的問題。

這次最有價值的經驗就是：聲音崩了不要亂換工具，先把鏈路拆開。到底是參考音頻錯、參考文本錯、TTS 生成錯，還是視頻封裝錯，一層一層排，問題很快就會露出來。

最後成品出來之後，其實整套流程就很適合批量化了。

文章負責深度，HyperFrames 負責畫面節奏，F5-TTS 負責聲音一致性。只要前面的口播稿和素材整理得好，一篇文章做成一條橫屏解說視頻，就不再是從零開始。

💡推薦閲讀

關於AI編程工具，推薦一個🐂🍺的中轉工具，一個key同時使用Claude code/codex/gemini ，性價比超高，服務穩定……

註冊地址：https://aigocode.com/invite/WYVFRE57

另外，提供ChatGPT Plus 成品號，代充等，點擊文末【閲讀原文】查看詳情！

或+v：afly813 諮詢

目前我們的 AI CODE 平台已支持 claude code 、codex、Gemini，想體驗最強最前沿的 AI 編程，衝就完事了！！🚀

夥伴們，以後寫代碼，codex和claude都可以爽yy啦！！！

讓你的 Claude Code 效率飛起！你只差這個萬能公式！！

這才是 AI 編程的最強組合，VSCode + Claude Code 讓寫代碼快到飛起！

【附提示詞模板】10個 Claude code 高頻提示詞模板（可直接複製使用）!建議收藏！！

我們的ChatGPT充值服務也已上線，點擊文末【閲讀原文】查看詳情！