开篇引入
我第一次用这个Hyper Frame插件自动剪辑口播视频的时候，愣是看了半天没敢信。录了段15秒的口播，人靠左边站，右边留出空白，插件自己识别了字幕内容，在空白处给我加了标题和动画。而且它加的东西是基于我说话内容自动生成的，不是瞎贴——比如我说“拆解”两个字，它就在右上角加了个“拆解”的动效框。整个过程没写一行代码，就开了几个对话框，花了不到半小时。
但说实话，踩的坑也不少。最开始我不知道插件只能处理知识博主那种单人口播，以为啥视频都能用，结果塞了个多人对话的素材进去，动画位置全乱套了。后面慢慢试了几遍，才把整个流程摸顺。
如果你也想搞一套自动化内容生产的副业，不用盯着那些需要显卡和编程基础的东西，我踩出来的这条路——零代码跑本地模型、自动剪口播、搭知识库、生成数字人视频——可能更对你的胃口。下面我按顺序把每个环节怎么干拆开讲。
核心工具：Codex智能体平台安装与配置
把这个事说在前头，整个课程核心就靠一个东西：Codex智能体平台。它不要求你懂编程代码，甚至不用敲命令行，你在对话框里说人话，它就能理解你要干什么，然后自动调用工具、写脚本、协调流程。
装它也不费事。先去商店搜“coded”免费下载。装完别急，因为原生登录有时候麻烦，我推荐用coded加加管理工具来折腾。从GitHub release下载最新版本安装包（国内打不开就用课程提供的备用包），装完后点开。
左边点“供应商配置”，点“添加供应商”，名称随便起，接入模式选“纯API”。然后去DeepSeek官网的API开放平台，创建API key，复制填进去。baseURL填DeepSeek提供的链接（一般是`https://api.deepseek.com`）。选chat选项，点“从上游获取”拿到模型列表，选pro模型。最后给DeepSeek充个十块钱看余额。
重启code袋，选“其他方式登录”，粘贴你的API Key，右下角确保选中pro模型，就能开始对话了。我把权限设成了“完全访问权限”，这样它不用每次问我能不能操作，效率高得多。
语音识别模型本地部署
搞口播视频第一步是拿字幕。我原来用API付费的服务，后来发现本地跑也行，便宜还快。
这一步用的是faster-whisper模型。最低配置CPU 4核以上、内存8G，推荐tiny/base/small版本，大型跑不动也别试。先让AI查你电脑配置，再推荐模型，然后让它安装并指定从ModelScope下载。
提一嘴，Hugging Face上模型虽然多，但国内访问慢，你不加指令它会默认走HF，两天下载不完。必须明确说“请到ModelScope当中帮我下载并安装”，这样它走国内站点，速度快。模型默认下载到C盘用户文件夹下，不用改位置，删的时候直接删文件夹就行。
装完后测一下，你随便说句话让AI转成字幕时间线，后续Hyper Frame插件就用这个时间线在对应位置加动画。
Hyper Frame插件自动化剪辑
插件安装很简单，左边点插件按钮，搜“hyper frame”，点安装并授权。这个插件是专门做知识博主口播动画的，我试过其他开源方案，就这个效果能看。
但别上来就让它直接加效果——你先做“运镜脚本”。比如设计第三到第五秒动画放哪、长啥样、内容是什么，再做个故事版画出来，最后把两者都给插件参考，它就会按你规划的执行，减少返工。
第一步录制15秒左右口播视频，人靠左或右，留出空白区域。第二步用本地faster-whisper拿字幕时间线。第三步做运镜脚本和故事版。第四步用插件加动画输出最终视频。
第一次执行插件，它会安装环境依赖（ffmpeg等），大概要半小时。之后每次调用就快多了。我还有个技巧：效果满意后，把整套流程封装成技能，后续直接调用。
数字人视频生成（API配置与封装）
数字人视频我踩了不少坑。一开始想本地部署开源项目，发现项目随便就50G，占C盘空间不说，效果还一般。后来换了方案：用API调用，不依赖本地算力。
整个流程分三步：先抓取抖音文案，再用MiniMax转语音，最后调数字人接口生成视频。语音驱动效果比文本驱动好太多——我做测试时文本驱动生成的视频嘴型对不上，换成语音驱动后自然多了。
先配置语音接口，我推荐mini max。你要在它的控制台创建API key，然后点“克隆自己的音色”，读三条语音就能生成。复制音色ID，在Codex里测试语音合成功能。
下一步找数字人API。国内平台推荐禅镜，价格和效果都不错。到它的API控制台，点左下角API，复制接口文档，获取stoken（24小时有效）。用API定制数字人形象：录制一分钟左右的人物出镜视频，起名称，选参数（类型、分辨率1080P、不抠背景），提交任务等待训练。
训好后用文本驱动生成视频。如果你遇到乱码，让API在请求中文时用UTF-8编码。语音驱动时，先文字生成语音，再上传语音文件合成口播，效果更好。
封装成技能后，你只需要给一个视频链接，它自己会提取文案→转语音→合成口播视频，全程自动化。
知识库搭建（RAG与本地模型）
知识库不需要训练模型，直接上传PDF等文档就能做向量检索。我用的是IGflow框架，纯开源，支持本地化部署，不用外部API。
第一步，下载安装Docker桌面版，启动服务。第二步，在IGflow官方GitHub点Code→Download ZIP，解压。第三步，进入docker文件夹，在命令行执行安装命令。
注意：安装包约50G，默认在C盘，得提前留空间。执行完后浏览器输入localhost:80，注册登录。
在IGflow中，你需要配置Ollama来做本地大模型。先装Ollama，用命令下载chat模型（如千问2 7B）和embedding模型（如ZH中文embedding）。然后在IGflow→模型供应商→Ollama，添加模型。Windows用户要加环境变量`OLLAMA_HOST=0.0.0.0:11434`，否则连不上。
实际操作：点创建知识库，设置名称、语言，选本地embedding模型，解析方法选论文格式（利用deepdoc的OCR模块），上传PDF，点执行。系统会OCR、分段、embedding、入库。然后新建助理，选知识库，再提问就能得到带引用的答案。
知识库这块最大的好处是：内容随时更新，你不需重新训练模型。我放了几十篇行业论文进去，每次问问题它都能从文档中找到答案，比微调省事多了。
模型微调实战
微调是给模型“定制专业能力”的。我用千问2.5VL 3B模型做多模态微调——让它能看懂图片里的细节。
先新建conda环境（python 3.10），git下载项目或手动下载解压，安装依赖。CPU版的torch要卸掉，装GPU版（2.4.0，CUDA 12或11.x）。进项目路径，执行webUI启动命令，界面自动弹出。
选模型库搜“千问2.5 VL”，点模型文件看切片，点“下载模型”，用ModelScope的命令指定路径下载。手动下载后把文件夹路径传入微调工具，选LoRA方法。
关键在数据准备。数据集格式参考lava-factory项目下的`dit_infer.json`，格式为“message”包含content（角色user和assistant）。样本例子：穿安全帽和手套、人站施工现场、有车、吊车、有箱子。我截了5张图，每张标出作业人数、安全员是否在场、是否施工。让AI生成脚本处理数据，填充字段。
微调时选指令微调，训练轮数300，batch和梯度累积按你机器配置来，Lora参数用默认。点开始后终端先转换数据格式，再训练。200epoch后导出合并，选原始模型路径和微调结果路径，导出到新目录。
测试：合并后模型上传图片问“有几个人在作业、安全员是否在场、是否施工”，输出格式正确，识别准确率从以前的50%提高到90%以上。
微调门槛不高，但花时间在数据准备上。你得确保标注准确、一致，不然模型学歪了更难调。
RPA自动化数据采集
做分析没数据不行，我靠影刀RPA无缝抓取博主内容。这不复杂，拖拖拽拽就能编排流程。
先下载装影刀RPA（浏览器搜官网，免费下载），注册登录后新建PC自动化应用。装好浏览器插件，在扩展程序里开启开关。
建“我的文案采集助手”，拖拽“打开Excel表”组件，连接到本地Excel文件。再加“打开选择文件对话框”，选文件，输出路径。然后“获取已打开的网页对象”，选浏览器。
循环部分：拖“循环Excel内容”，遍历每行，设置行索引和列索引。循环内部加“打印日志”，输出当前行第一列的博主链接。再用“跳转至一个新网址”模块打开链接，等待加载。
博主主页打开后，用“fo次数循环”从0到4（循环5次），在里面点“点击元素”（捕获网页链接），等1秒。然后“获取元素对象”捕获文本内容，“写入内容至excel工作表”保存。
跑的时候注意：第一次跑容易报错——循环里加了“退出键”关闭页面，点元素时索引要动态赋值（设全局变量index与循环匹配）。我调了这个过程大概半小时，之后就能稳定运行了。
电商图文与视频生成流程
这块是做副业变现的关键。我拿电商详情页举例。
流程：用户上传产品图和对标图，AI分析参考图布局、颜色、内容，生成同风格详情页。工具推荐GPT imagine（支持中文文字，无需额外API），但不能用豆包做图文。
第一步配图像理解API（火山引擎豆包视觉模型，如豆包1.5视觉pro），用来分析参考详情页的布局、颜色等。第二步配图生图API（GPT imagine via 中转站，比官网和火山引擎便宜）。
实操：在火山方舟选视觉理解模型并开通，复制API key。测试时输入图片让模型理解内容，再让AI做图——先让AI拆解参考图的提示词，再用图生图API生成对应的详情页图。同一个详情页有几个图，就要生成几个，必须对应上。我把整个流程封装成技能，输入：文件夹含参考详情页图和一张实际产品图。输出：全部详情页图。
电商视频也类似：输入参考视频，AI自动切帧成九张图，分析风格和拍摄手法，生成九宫格图，再用即梦2一次性生成复刻视频。但注意：视频成本较高（15秒6-8元），建议先做5秒试水，用3个运镜图，480P、9:16竖版，看效果再跑量。
微信小程序开发
零代码开发小程序听起来唬人，但有了Codex，你只需要说话。
先注册微信小程序账号，认证后将APPID复制出来。下载微信开发者工具，安装后点加号创建项目——项目名称随便起，目录选新建空文件夹，粘贴APPID，后端服务选“微信云开发”（新账号6个月免费），点创建。
然后在Codex中选“使用现有文件夹”，选刚才创建的文件夹（已有模板代码），权限设完全访问。在Codex对话框里，你当客户、AI当产品经理，说需求：“我要做一个AI热点分析工具，包含搜索框、关键词推荐、数据可视化分析、自动生成视频标题大纲等功能。”
AI会先出需求文档（.md），然后做UI界面（用HTML展示），再写后端代码（调用API）。云环境用于第三方API调用和用户数据存储，需配置云函数。我做测试时遇到“网络开小差了”，翻了好几遍——原来云函数超时只有3秒，改成20秒就好了。
小程序开发过程可以不花一分训练费，整个应用从需求到界面到功能反复迭代，费的就是几块钱的token钱。测试通过后点右上角“上传”，提交审核。不想备案可以在“成员管理”加体验成员（最多15个微信号）让朋友扫码用。
技能封装与自动化工作流
做完前面所有步骤后，最重要的事来了：把流程封装成技能包。
为什么要封？因为同一套流程你以后要重复做（比如给不同产品生成详情页、给不同博主做账号分析），每次自己说一遍太傻了。封装好后，输入主题它自动执行，省时省力。
封装方法也简单：在你的项目文件夹里，Codex会自动创建`scalell.md`主文件和`s`可执行脚本文件夹。`scalell.md`记录技能的描述、输入、输出、执行步骤，`s`存代码和指令。
实操时：先让AI做几次全流程（生成标题→做图→做视频→剪辑），测试没问题后，对它说“把刚才的流程封装成技能”。它会自动把步骤写成标准化描述和代码。之后调用时，直接在对话框说“调取某某技能”或引用`scalell.md`链接，AI就能按模板执行。
我做过一个给历史人物做短视频的技能，输入“刘邦”，它自动出剧本→做8张配图→生成7段视频→创建剪映草稿，全程约4分钟。效率是之前的几十倍。
注意事项与总结
讲白了，这课教的东西不是让你一口气学完的，是让你把它当成工具箱，用到哪步学哪步。前期不用每个环节都亲自做通，先理解流程，选1-2个你想干的尝试。
几个坑我先替你踩了：
- **Hyper Frame插件只适合个人知识博主口播**，多人对话、复杂场景别用，效果一塌糊涂。
- **语音模型本地部署**，必须指定ModelScope下载，不然慢到怀疑人生。
- **数字人API测试**，先做5秒试水，别上来就60秒的长视频——成本和bug排查时间都翻倍。
- **RPA采集**，跑之前关闭Excel文件，不然读写锁定报错。每步加个“等几秒”的延迟，防止页面没加载完。
- **模型微调**，数据标注必须准确统一，否则模型学了错的更难搞。我一开始五张图标了好几次才达标。
- **知识库搭建**，装Docker和IGflow时C盘至少留100G空间，不然夜里卡在“下载50%”上。
- **小程序开发审核**，做之前想清楚要不要备案，不备案最多邀请15个体验成员。
如果你看到这里，最诚心的建议是：可以先从“口播自动化剪辑”和“知识库”两个方向下手。门槛低、免费额度多、见效快。跑通一个，你就有信心再啃后面的大模块。
别的项目我不评价，但这条路我走下过，不是吹的。
