Codex + Hyperframes + HeyGen +声音克隆：全部开源

过去一个月，我总共仅用不到10小时，在抖音涨粉2k并接到了第一个商单变现。这篇文章开源所有用到的知识，下一篇文章开源我的所有skill。

核心就是 Codex + Hyperframes + HeyGen + Index TTS

我们先不讨论为什么不用remotion，为什么不用minimax tts，我只能告诉你我对比过至少10种方案，上面的就是最佳组合，我把能够抄作业的方案直接喂到你的嘴边。

1. Codex - 主控

Codex ,我把它当成视频制作端。Claude Code 负责创作侧（选题、洗稿、策划），Codex 负责生产侧（配音、渲染、字幕、质检、归档）。

为什么不全用 Claude Code 做？因为视频渲染是重 I/O 任务，经常需要长时间跑 FFmpeg、Node.js 渲染、ASR 调用。Codex Token便宜，调用组织迅速，量大管饱，而且内置了生图功能。

Claude Code 写完交接稿丢到待制作队列，Codex 取稿开工，做完归档，登记发布看板。我在中间只需要审一次稿。

我的Codex工作台

2. HyperFrames — 视频渲染框架

HyperFrames 是用 HTML + CSS + JS 写视频的框架。每一页就是一个 HTML 文件，用 data-* 属性标记时间轴，框架负责把它渲染成 MP4。

我选它有三个原因：

AI 能直接写。HTML/CSS 是所有大模型最熟悉的输出格式，Codex 写一页 HyperFrames 比写 After Effects 脚本或剪映模板靠谱得多。我的大部分视频就是两三轮提示词出来的。

改动成本低。改文案就改 HTML 里的文字，改样式就改 CSS，改动画就改 GSAP timeline。不用重新导出工程文件、不用重新对时间轴。

确定性渲染。同一份代码渲染出来的视频逐帧一致，没有「这次渲染和上次不一样」的问题。这对做质检和版本管理很重要——我可以用 SHA-256 校验成片有没有变。

Remotion（React 写视频）也在我的技术栈里，但 HyperFrames 上手更快，Codex 写 HTML 比写 React 组件更稳定。两个我都用，按项目选。

3. HeyGen — 数字人

HeyGen 解决的问题是：我不想每条视频都真人出镜。

我用自己的照片和视频训练了一个 Digital Twin（黑 T 坐姿形象），HeyGen 根据我上传的音频生成对口型的数字人视频。默认圆形裁切放在视频左下角，像一个小窗口在讲话。

我选 HeyGen 是因为三件事都满足了。

Digital Twin 效果够用。训练完的数字人嘴型同步、表情自然度能过审。Avatar III 引擎大约 1 美元/分钟，一条 2 分钟的短视频数字人成本 2 美元。需要更高质量可以切 Avatar V，大约 4 美元/分钟，但大部分视频 III 就够了。

减少出镜焦虑。我录实操教程会真人出镜，但日常短视频用数字人就行。省下来的时间和精力用来打磨内容。

CLI 可自动化。HeyGen 有命令行工具，可以写进 Skill 里自动调用。认证走 OAuth 用网页套餐额度，不额外扣 API 钱包。

4. IndexTTS2 — 本地声音克隆

所有视频的配音都跑 IndexTTS2，一个开源的本地 TTS 模型。

我录了一段自己说话的无损 WAV 作为声线参考（pluvio-indextts2-calm-v1），IndexTTS2 克隆这个声线来念稿。默认平静语气，FFmpeg atempo=1.12 提速到 1.12 倍保持音高。

我没用云端 TTS，原因很直接。

零成本。本地跑，不按字数或时长计费。一个月做几十条视频，配音成本是零。

声线一致。每次用同一个无损 WAV 参考，声音风格稳定。我的声线参考文件锁了 SHA-256，防止被意外覆盖导致声音漂移。

隐私。文稿不出本地机器。

MiniMax 我只在对外教程里用——教读者怎么接入 TTS 中转站。自己的视频成片从不走云端 TTS。

辅助技术栈

四个核心之外，还有几个关键的辅助选型。

总投入账单

过去一个月的硬成本：

IndexTTS2：免费（本地开源模型）

HeyGen Digital Twin：Creator 套餐月费49刀（含一定生成额度）

火山 ASR：¥0.40/小时，一个月总共花了不到 20 块

Codex：OpenAI Pro 套餐

Claude Code：Anthropic Max 套餐

大头是 Codex 和 Claude Code 的订阅费。如果你已经在为 AI 工具付费，增量成本很低——ASR 和生图加起来一个月不到 100 块。

HeyGen 是唯一按用量线性增长的开销。做得越多花得越多，但单条成本可控：2 分钟视频的数字人部分大约 2 美元（Avatar III），不用数字人就是零。

如果你想吃上这口饭，你需要满足两个前提：

你有内容能力。AI 做的是生产环节——配音、渲染、字幕、封面。选题判断、内容质量、平台感觉，这些 AI 帮不了你。你得知道什么值得做、做出来的东西观众想不想看。当然这个也很简单，抄！。

你愿意花时间调 Skill。这套系统不是装上就能用的 SaaS。每个 Skill 都是我根据自己的内容类型、平台策略和审美偏好一轮一轮调出来的。你拿去可以跑，但要做成你自己的风格，得改。

下一篇，开源所有 Skill 的源码和设计思路。目前已经开源了一部分了。