第 28 卷

后面进入字幕和素材迭代以后，版本还会继续往前走。比如字幕同步版

已经到 V3，加入画中画素材以后又到 V5，成片时长也接近 10 分 54

秒。这些变化不是前后矛盾，而是短视频工作流里很正常的版本迭代：

先做出可用骨架，再一轮一轮把字幕、封面和补充素材补进去。

封面要让 AI 多找候选，人来判断

视频片段基本可用以后，下一步是封面。

最开始，Codex 只是从第一帧抽了一张图做封面，看起来更像截图，

人物状态和画面表现都不够好。我就继续给它反馈：这张不行，封面应

该更有情绪。

同事告诉我，脱不花在那场直播里讲到动情处时哭过，还拿纸巾擦眼泪。

所以我告诉 Codex：去找她哭或者擦眼泪的画面，背景要变亮，大标

题用两行，不要三行，左下角小字不要。

它开始在长视频里找这个画面，最后找到了最接近“正在擦眼泪”的一

格，还把前后 18 秒截成一组候选，方便我挑。人类同事通常不会把 18

张候选图全截出来给你选，但 AI 很适合做这种低成本铺开候选的工作。

我从候选里挑了两张，让它分别做两版封面。它不仅做出了 V4 和 V5，

还给出自己的判断：如果主页想要更精神，可以用 V4；如果想要更有

情绪，可以用 V5。最后发出来的视频号封面，采用的就是这个方向。

这里的关键不是 AI 替你做审美决定，而是它能快速生成候选、整理版

本，并把每一版保存好。做到第五版时，如果你突然觉得第一版更好，

也可以让它回到第一版，不会因为后面的操作把前面的版本覆盖掉。

字幕和花字，需要给 AI 一套标准

封面之后，我又发现字幕有问题。

第一版字幕里有错别字，也有花字被切断的情况。比如一句话本来应该

连在一起，但屏幕上被拆得很难看。于是我做了一件事：把我们内部关

于长谈字幕和花字设计的执行手册链接给 Codex，让它自己学习这套

标准。

它读完之后，理解到字幕不只是把语音转成文字。字幕要清洗口癖、磕

巴、废话和不雅口头语；人名、书名、专有名词必须查；单行尽量不要

太长；字幕位置也要适合观众观看。

我以前也不知道，一个简单字幕背后有这么多规则。把规则给到 AI 以

后，它就可以按照这套标准去改：错字要扫，词要校，字幕长度要控制，

位置也要调到更适合观看的地方。

在后面的字幕同步版本里，它会把这些检查结果也交代出来：成片规格、

字幕错词扫描、字幕行长、HyperFrames 的 lint 和 inspect 结果都跑

过一遍。这样你看到的不只是“它改了”，而是它把改完之后的验证也

一起给出来。

这里还有一个细节：Codex 本身能做转写，但中文语音转写效果不稳

定。所以我会配一个更适合中文的 ASR 模型，把视频里的中文口播先

转成更准确的文字，后面再进入字幕处理。