用 Codex 做数字人带货视频：从商品图到口播成片的全流程

1 阅读

Codex 不只是写代码的

OpenAI 的 Codex 最近更新后，已经不太像传统意义上的编程助手了。它能直接操作你的文件系统、运行终端命令、打开浏览器看效果，甚至在你关掉电脑后还能按约定时间自动继续干活。官方说每周有 300 万人在用，其中一半根本不是在写代码——整理文档、做数据分析、跑自动化流程，都有人用它。

这次我想试试它在电商视频这个场景能走多远。目标很明确：给一套运动商品素材，让 Codex 自动走完从分镜图到口播视频的全流程，中间尽量少动手。

数字人带货视频到底在解决什么

先说说背景。现在做电商短视频，真人拍摄的问题很实在：主播一天撑死播 4 小时，状态起伏大，想多开几个账号就得配几组人，成本线性上涨。数字人理论上可以 7×24 小时在线，状态稳定，复制成本趋近于零。

但这里有个信任陷阱。数字人没有真实的身体感知，它说"我推荐"的时候，其实既没有穿过这件衣服，也没有摸过面料。有些案例已经踩了雷——比如用"儒雅中年男性"形象对中老年女性喊"亲爱的姐姐"，本质上是拿虚假人设做情感收割。

所以我的预期是：Codex 能帮我快速产出"可用"的视频素材，但最终要不要投放、怎么投放，还得人来做判断。工具负责效率，人负责把关。

准备素材：让 Codex 生成分镜图

开始前需要两类素材：模特的多角度静态图，以及商品的原始产品图。这些可以实拍，也可以用 AI 生成。我的做法是把现有素材丢给 Codex，让它按规范批量处理。

核心提示词结构大概是这样：

  • 指定原始素材的本地路径
  • 说明要输出什么：四宫格模特视图（正面、侧面、背面、面部特写）
  • 要求纯白背景、无水印、无文字
  • 再生成商品的白底素材图
  • 最后把模特和商品组合成穿搭效果图

Codex 接到任务后会自动拆解：先数清楚有多少个模特、多少套商品组合，计算总工作量，然后调用 gpt-image-2 模型批量生成。整个过程在后台跑，不用守着。

生成的穿搭图会存到指定目录，作为下一步视频的素材。这里有个细节：Codex 会保留原始素材的特征约束，比如指定了"手机遮挡面部约 20%"，输出就会保持一致，方便后续做口型同步时减少穿帮。

生成视频：调用豆包 Seedance API

有了静态素材，下一步是让图动起来。这里用的是字节跳动的豆包 Seedance 1.0 Pro Fast 模型，通过 API 调用。

提示词需要包含这些要素：

  • 视频规格：9:16 竖版、15 秒、720P
  • 首帧参考图的路径（从上一步的输出目录随机选一张）
  • 口播文案和发音人设定
  • 动作描述：侧身、转身、插口袋、整理袖口等自然展示动作
  • 严格的禁止项：颜色变化、服装变形、换脸、穿模、背景突变等

Codex 会把这些整理成 API 调用格式，自动填上你的 ARK_API_KEY，发起请求。任务提交后，模型会返回一个任务 ID，Codex 可以轮询状态直到完成，最后把视频存到指定路径。

我试下来，15 秒视频的生成时间大概在几分钟到十几分钟不等，取决于队列情况。输出包含视频文件本身，还有配套的音频、提示词记录，方便后续调整。

两种口播模式：画外音 vs 对口型

实际用的时候，有两种常见的口播形式。

第一种是"展示+画外音"：视频里的人物只做动作不说话，解说由独立音轨播放。这种对模型要求较低，Seedance 1.0 就能做，也是上面演示的流程。

第二种是"对口型"：人物需要把卖点文案亲口说出来，口型、表情、语气都要匹配。这需要更强的视频生成模型，豆包这边要用到 Seedance 2.0 及以上版本，需要单独开通权限。

对口型的提示词更简单，核心就一句："现在需要生成的视频对口型，即视频中的人物不仅展示商品穿搭效果，还需要使用指定文案发音"。Codex 会自动切换到支持口型同步的模型版本，重新提交任务。

换文案：用 edge-tts 重新生成音频

电商场景里，文案经常要改。Codex 可以调用 edge-tts 把新文案转成 MP3，然后重新合成视频。

比如我给了这样一句："嘿，看看这套全新的运动装！外套版型特别棒，运动裤也超级舒服，整套穿搭上身刚刚好。赶紧下单吧。"

Codex 会先生成音频文件，再替换到视频生成流程里。整个过程和第一次跑类似，只是文本参数变了，其他约束条件保持不变。

如果想换背景、换人物动作，也是类似的逻辑：用对话的方式告诉 Codex 调整哪几个参数，它会重新组织任务，不需要你手动改代码。

实际跑下来的感受

整个流程走通后，有几个体会：

省时间，但不省决策。 Codex 确实能把原本需要切多个工具、写脚本、调 API 的活儿串起来自动跑，但每一步的约束条件、质量边界，还是需要人想清楚。比如"手机遮挡面部 20%"这个设定，就是为了在不对口型时避免露馅，这个策略得人来定。

模型能力边界要心里有数。 Seedance 1.0 做展示动作没问题，但复杂口型同步会翻车；2.0 对口型更好，但成本更高、生成更慢。Codex 能帮你切换模型，但选哪个、怎么平衡质量和成本，得自己判断。

素材管理比想象中重要。 因为涉及多轮生成、多个输出目录，如果路径规划不清晰，很容易乱套。我的做法是在提示词里强制要求 Codex 按"电商素材/男装素材/视频"这种层级存文件，每轮任务结束汇报文件清单，方便核对。

别指望一次出片。 实际跑下来，第一轮生成的视频总有瑕疵——可能是动作不自然、可能是服装细节漂移、可能是背景穿帮。Codex 的优势是你可以用对话的方式快速迭代，"把转身动作放慢一点""背景换成健身房器械区"，它会重新提交任务，而不是让你从头再配一遍环境。

一些还没解决的

这次演示用的是本地素材+云端 API 的模式，如果素材量很大，上传下载的耗时会成为瓶颈。另外，Codex 目前还不能直接操作视频剪辑软件做精修，比如加字幕条、贴促销标签这些，还得导出后用其他工具完成。

还有一个更深层的问题：当数字人视频的生产成本趋近于零，平台和消费者迟早会免疫。到那时候，"真人感"可能反而成为稀缺资源。工具能帮你跟上现在的节奏，但下一个节奏是什么，还得自己琢磨。

参考信息