GPT-5.6 搭配 Codex 自动化视频实战：从提示词到全自动成片的工作流全拆解

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

读完这篇文章你会得到什么？——一份可实操的 AI 视频自动化工作流手册。2026 年，AI 视频生成已经跨过了一个关键拐点：你不再需要自己在各个工具之间来回搬运素材、手写提示词、逐段拼接视频。借助 GPT-5.6 系列模型和 OpenAI Codex 这个 AI Agent 平台，再通过 MCP 协议或 CLI 命令行打通 Higgsfield、即梦（Seedance 2.0）等视频生成平台，你可以让 AI 自己完成"理解需求→写剧本→生成角色图→产出一段段分镜→自动拼接成片"的全链路。本文会手把手拆解两套主流方案：一套是 Codex + Higgsfield MCP 的云端自动化路线，另一套是 Codex + 即梦 CLI 的多工具联动路线。每套方案都有具体的配置步骤、提示词策略和踩坑经验。想看完整拆解，往下翻。

一、当 AI Agent 学会自己拍视频：2026 年的一个周末实验

先说一个我最近的体验。

某个周六下午，我给 Codex 发了一段话，大意是："帮我做一个一分钟的短片，废土风格，男女主角在废弃工厂里对决，要有紧张的打斗和对话，最后自动拼成成品。"然后我就去泡了杯咖啡。大概四十分钟后回来，桌面上已经躺着一个完整的 MP4 文件——从剧本、角色设定、分镜脚本，到每一段视频的生成和拼接，全是 AI 自己干的。

说真的，不是炫技。我自己折腾 AI 视频创作快两年了，从最早的 Midjourney 出图再手动导入剪辑软件，到后来用 Runway 一段一段地生成，再到今年年初试着用各种 MCP 连接器做半自动——这次的感觉完全不一样。当 Agent 真的能自己拿主意的时候，创作者的角色在发生变化：你不再是一个"操作员"，更像是一个"导演"或者"制片人"，只需要把创意方向讲清楚，其他的交给 AI 去执行。

这篇文章就是要把我踩过的坑、跑通的流程、总结出来的方法论，完整地摊开来跟你聊。

莫潇羽@无忆研习社，这几年一直在折腾 AI 创作工具链的自动化。下面的内容，全是基于我个人的实操体验整理而成，没有玄学，只有能跑通的步骤。

这篇文章会覆盖两条主流的技术路线：

• 路线 A：GPT-5.6 + Codex + Higgsfield MCP。走云端多模型路线，Higgsfield 本身聚合了 Seedance 2.0、Veo 3.1、Kling 3.0 等十几个视频模型，通过 MCP 协议让 Codex 直接调用，不用在多个平台之间切换。
• 路线 B：GPT-5.6 + Codex + 即梦 CLI。走字节跳动 Seedance 2.0 的原生路线，通过即梦的命令行接口让 Codex 操控浏览器自动完成图片和视频的生成与拼接。

两条路各有优劣，后面会详细对比。另外，本文演示中使用的角色名称（林夕、凯恩）和故事设定均为虚构，仅用于说明技术流程。你在实际操作时完全可以替换成自己的创意。

先不管走哪条路，有几样基础的东西得先搞明白。往下看。

二、先搞懂三样东西：GPT-5.6、Codex 和 MCP 协议

在动手之前，有三样东西必须讲清楚。它们是这个工作流能够运转的底层支撑，理解之后你才不会被各种"连不上""报错""不知道发生了什么"的情况卡住。

2.1 GPT-5.6：三个"段位"，各有所长

2026 年 6 月，OpenAI 正式发布了 GPT-5.6 系列模型。这次的命名方式挺有意思，用了太阳、地球和月亮来区分三个层级：

对于咱们要做的视频自动化工作流来说，Sol 是首选。因为从写剧本到生成分镜提示词再到判断视频质量，每一步都对模型的推理深度有要求。Terra 适合在已经把工作流跑顺之后做日常批量任务。Luna 的话，处理一些简单的短视频脚本生成绰绰有余。

跟上一代比起来，GPT-5.6 系列最大的提升在于"Agent 原生能力"——它不是简单地把对话能力增强了，而是从底层就为"自主代理工作"做了优化。上下文窗口拉到了 105 万 token，最大输出 12.8 万 token。这意味着它可以在一轮对话里处理一整部短片的全部素材和提示词，不会因为上下文不够而"失忆"。

2.2 Codex：它不只是个写代码的

很多人对 Codex 的印象还停留在"GPT 的编程助手"，这其实已经是老黄历了。

2026 年的 Codex，准确地说，是一个 AI Agent 操作系统。它能做的事情包括但不限于：

• 读写你电脑上的文件（项目文件夹级别的操作）
• 在终端里执行命令（安装依赖、运行脚本）
• 操控浏览器（自动登录网站、填写表单、点击按钮）
• 调用外部 API 和 MCP 服务
• 跨应用协作（Slack、邮件、GitHub 等 90+ 集成）

对于我们做视频自动化这件事，Codex 最核心的价值在于：它能把"在网页上点点点"这个动作变成自动化的。以前你得自己打开即梦网页、粘贴提示词、点击生成、等待、下载、再上传到剪辑软件……现在 Codex 可以替你完成这些机械操作，你只管确认质量和方向。

Codex 目前有 macOS 和 Windows 桌面版，也支持 iOS 和 Android。桌面版的体验最完整，因为它可以直接访问本地文件系统和终端。

2.3 MCP 协议：AI 世界的"万能转接头"

MCP 全称 Model Context Protocol（模型上下文协议），最早由 Anthropic 在 2024 年底推出，到了 2026 年已经成了 AI Agent 连接外部工具的行业标准。

你可以把 MCP 理解成 AI 的 USB-C 接口。在没有 MCP 之前，如果你想让 GPT 操作 Higgsfield 生成视频，开发者需要专门为 Higgsfield 写一套集成代码。换了即梦又得再写一套。有了 MCP 之后，Higgsfield 提供一个 MCP Server，GPT（作为 MCP Client）直接通过标准协议发现和调用它的全部功能，不需要任何定制开发。

用一个简单对比来说清楚：

对我们做视频自动化的场景来说，MCP 的妙处在于：你告诉 Codex"帮我用 Higgsfield 生成一段十秒的废土风格视频"，Codex 会通过 MCP 自动了解到 Higgsfield 支持哪些模型、需要什么参数、积分怎么扣，然后自己决定用哪个模型、写什么提示词、怎么提交生成任务——全程不需要你教它每一步怎么做。

好了，基础概念就到这里。下面来认识一下我们要联动的那两个视频生成平台。

三、工具链总览：AI 视频生成平台怎么选

目前市面上能打的 AI 视频平台不少，但能和 Codex 通过 MCP 或 CLI 做深度联动的，主要有两个方向。我先帮你梳理清楚，再做选择。

3.1 Higgsfield AI：多模型聚合的"创意操作系统"

Higgsfield 这家公司 2023 年由前 Google Brain 工程师创立。2026 年初，Higgsfield 宣布完成 8000 万美元的 A 轮扩展融资，使 A 轮融资总额达到 1.3 亿美元，估值达到约 13 亿美元，投资方包括 Accel、Menlo Ventures 和 GFT Ventures 等知名机构。它最大的特点是不自己训练视频模型，而是聚合了市面上几乎所有主流模型：

对于创作者来说，Higgsfield 的核心优势一句话就能概括：在一个地方用同一个积分体系调用所有模型。你不用在即梦充一笔、在 Runway 充一笔、在 Kling 充一笔——Higgsfield 帮你统一了入口和计费。

Higgsfield 于 2026 年 4 月 30 日正式发布了官方 MCP Server。这里有一个需要澄清的背景：Higgsfield MCP Server 最初是面向 Anthropic 的 Claude Code 设计的，发布时的官方教程和社区案例也大都围绕 Claude Code 展开。但由于 MCP 本身是一个开放标准协议，任何支持 MCP Client 的 AI Agent 平台——包括 OpenAI 的 Codex、ChatGPT、Antigravity、Gemini CLI 等——都可以通过同一个 MCP 端点连接 Higgsfield。换句话说，Higgsfield MCP 不挑"宿主"，只要你的 AI 工具支持 MCP，就能接上去用。

连接成功后，Codex 能看到 Higgsfield 上所有可用的模型和参数，你可以直接用自然语言说"用 Seedance 2.0 生成一段十秒的好莱坞运镜视频"，Codex 会自行选择正确的模型和参数来完成。

Higgsfield 的订阅从每月 15 美元（Starter）到 129 美元（Ultra）不等，不同套餐对应不同的月积分额度。积分价格变动很快，上面是写稿时的近似行情，请以官方定价页面的实时数据为准。

3.2 即梦 / Seedance 2.0：字节跳动的原生武器

即梦是字节跳动旗下的 AI 内容创作平台，底层模型是 Seedance 系列。2026 年 2 月发布的 Seedance 2.0 在 Artificial Analysis 的盲测榜上以 Elo 1269 分登顶，击败了 Veo 3 和 Sora 2，这在当时是相当炸裂的消息。

Seedance 2.0 的核心能力：

• 文生视频：根据文字描述直接生成视频
• 图生视频：上传参考图，让画面动起来
• 首尾帧控制：指定开头和结尾画面，AI 自动补足中间过渡（这个功能做转场特别好用）
• 运镜控制：推拉摇移等专业镜头语言
• 口型同步：配合音频实现人物说话效果

Seedance 2.0 还有一个"极速版"（Fast），牺牲一点画质换取更快的生成速度，适合做快速原型和批量内容。

在国内使用即梦，登录需要 +86 手机号，付费通过微信支付。新注册账户一般会有免费试用积分。境外用户可以通过 Dreamina（国际版）访问，但功能上有些差异。关于积分价格，即梦也经常调整，截止写稿时 Seedance 2.0 专业版 API 大约 0.247 美元/秒，极速版约 0.022 美元/秒——同样，具体以官方实时数据为准。

3.3 两条路线，怎么选？

简单说：如果你追求模型选择的灵活性和自动化深度，选路线 A（Higgsfield）；如果你更看重国内使用的便利性和 Seedance 2.0 的原生画质，选路线 B（即梦）。我自己两条路都跑通了，后面会分别给出详细步骤。

3.4 成本估算：跑一个一分钟短片大概花多少钱

很多人关心这个。我以一个典型的一分钟双人对决短片为例，给出大致的成本估算。注意下面是写稿时的近似行情，实际价格随时在变：

如果再加上 ChatGPT Plus 的月费（15/月）或即梦的积分包，算下来一个一分钟短片的完整制作成本大约在 5 到 10 美元之间。对比传统视频制作，这个成本已经低到不可思议。但也要注意——如果你经常翻车重来，成本可能轻松翻倍。最好的省钱策略就是把前面提到的提示词模板跑熟，减少无效生成。

AI 视频的价格变动非常快，上面是写稿时的近似行情，请以各平台官方定价页面的实时数据为准。

四、环境搭建：从零开始配置 Codex + 外部工具联动

这一章是实操部分的第一站。不管你选路线 A 还是路线 B，Codex 的安装和基础配置都是共通的前置步骤。

4.1 安装 Codex 桌面版

Codex 目前提供 macOS 和 Windows 桌面客户端。安装流程很简单：

第一步，打开 ChatGPT 网页版，直接在对话框里问它要 Codex 的下载链接。或者访问 OpenAI 官网的下载页面。

第二步，下载对应系统的安装包。macOS 是 .dmg 文件，Windows 是 .exe。安装完成后，用你的 ChatGPT 账号登录即可。

注意一个细节：Codex 需要 ChatGPT Plus 或更高等级的订阅才能正常使用。Plus 订阅目前是每月 20 美元。如果你用的是免费版 ChatGPT，Codex 的 token 配额很快就会耗尽，跑不完一个完整的视频工作流就得停下来。

安装完成后的界面大致是这样的结构：左侧是项目/文件列表，中间是对话区域，底部是输入框。输入框上面有一排插件入口，包括文档、画布、浏览器和 MCP 连接器。

4.2 配置 MCP 连接（以 Higgsfield 为例）

这是路线 A 的核心配置步骤。整个流程可以抽象成下面这个伪代码描述：

1. 打开 Higgsfield 官网 → 进入 MCP/CLI 页面
2. 复制 Higgsfield 提供的 MCP 端点 URL
   （格式类似：https://mcp.higgsfield.ai/...）
3. 打开 Codex → 在插件面板中找到 MCP 连接器
4. 点击"添加新应用"
   - 名称：Higgsfield
   - MCP 端点：粘贴第 2 步复制的 URL
5. Codex 会弹出授权确认窗口
6. 使用 Higgsfield 账号登录并授权
7. 授权完成后，Codex 显示连接状态

实际配置中有几个容易踩坑的点：

首先，开发者模式要打开。在 ChatGPT 的账户设置里，找到"账户安全与登录"，往下滑到"开发者模式"，把它开启。不开的话，MCP 连接器那边不会出现手动添加应用的加号按钮。

其次，授权弹窗不要急着关。当你点击授权后，会跳出一个类似 OAuth 的页面让你确认。这个页面关掉之后不会再次出现（除非你换账号），所以要认真点完。

第三，连接验证。配好之后，在 Codex 对话框里直接问一句："你现在连接了 Higgsfield 吗？能帮我生成视频吗？"如果 AI 回复说它能通过 Higgsfield 做文生视频、图生视频等操作，就说明连接成功了。

4.3 配置即梦 CLI（路线 B）

路线 B 的核心是通过即梦的命令行接口（CLI）让 Codex 能够操控即梦网页端。这个方案比 MCP 稍微"原始"一些——本质上 Codex 是通过自带的浏览器来模拟人类在即梦网页上的操作。

配置步骤如下：

1. 在 Codex 对话框中输入即梦 CLI 的安装指令
   （即梦 CLI 是字节跳动即梦 AI 官方推出的命令行工具，安装脚本由官方维护，执行 `curl -fsSL https://jimeng.jianying.com/cli | bash` 即可一键安装）
2. Codex 会自动在终端执行安装命令
   这个过程可能需要 10 到 15 分钟，耐心等待
3. 安装完成后，Codex 会给出一个授权链接
4. 点击链接，用自己的即梦账号登录并授权
5. 登录方式：+86 手机号验证
6. 授权完成后，Codex 的浏览器可以自动操控即梦网页

这个过程比 MCP 慢，因为涉及 CLI 工具的下载、依赖安装和浏览器驱动的配置。但好在一劳永逸，配好之后就不用管了。

验证方法也很简单，直接在 Codex 里问："你现在能通过即梦生成视频了吗？"如果它回复说可以，并且能报出你当前的积分余额，就是连上了。

提前打个预防针：Codex 的浏览器操控功能依赖网页 DOM 结构的稳定性。即梦作为国内平台，前端更新比较频繁，网页结构一旦变化（比如按钮位置改了、弹出了新的活动弹窗），Codex 可能会出现定位失败、"点错按钮"或任务假死的情况。这并不代表环境配错了，更多是网页端的变动导致的临时问题。如果在后续实操中遇到浏览器操控卡住，先别急着重新配置——手动打开即梦网页检查一下视频是不是已经生成好了，很多时候是"虚惊一场"。详细的应对策略会在第九章「踩坑实录」里展开。

4.4 权限管理：让 Codex 干活，但不让它乱来

Codex 的能力很强，但越强的工具越需要管好权限。视频生成会消耗积分（也就是钱），如果 Codex 权限全开，万一提示词没写好，它可能哗哗哗地给你生成一堆废片，积分就白花了。

我的做法是分阶段授权：

Codex 在执行敏感操作（比如调用需要积分的外部服务）时，通常会弹出一个确认窗口，你可以选择"允许一次"或"始终允许"。我的建议是：前期测试阶段全部用"允许一次"，等你对工作流有足够信心了，再对某些步骤开启"始终允许"。

另外，在每次跑自动化任务之前，一定要先确认目标平台的积分余额。有一次我没注意，Higgsfield 的积分只剩个位数，Codex 提交了生成任务之后一直报"credit insufficient"，排查了半天才发现是积分用完了——白白浪费了等待的时间。

4.5 多账号场景下的配置管理

如果你同时用着 Higgfield 和即梦（像我一样），Codex 可以同时维护多个 MCP 和 CLI 连接。你不需要每次切换平台就重新配置——配好之后它们会同时出现在 Codex 的插件面板里，你在对话中指定用哪个就行。

一个小技巧：给不同连接起不同的名字，比如"Higgsfield-主号"、"即梦-测试号"，避免混淆。Codex 会根据你在对话中提到的平台名称自动选择对应的连接。比如你说"用 Higgsfield 生成……"，它就走 MCP 路线；说"用即梦生成……"，它就走 CLI 路线。同一个对话里可以随时切换，非常灵活。

还有一个容易被忽略的点：Codex 的项目文件夹管理。每次视频生成的素材（角色图、场景图、生成的视频片段、最终成片）都会散落在不同位置。我的习惯是每开始一个新项目，先让 Codex 创建一个项目文件夹，然后所有素材都存到这个文件夹里。项目结束后整个文件夹一键归档，干净利落，不会出现"这张图跑哪去了"的尴尬。

五、实战一：Codex + Higgsfield MCP 全自动视频工作流

好了，环境配完了，现在进入正题。这一章我会完整拆解"从一张角色海报到一个成片"的全流程。整个过程最让我惊讶的不是最终成片的质量，而是中间几乎不需要我插手。

5.1 第一步：用提示词生成角色设定图

一切从角色开始。不管做什么类型的短片，角色立住了，片子就成功了一半。

我习惯先用 GPT-5.6 帮我"捏"角色。在 Codex 对话框里输入类似这样的提示词：

请帮我设计一个末世废土风格的女性角色，要求：
- 日系面孔，青年女性，体型标准，气质柔美中带着坚毅
- 服装：磨损的皮夹克 + 军用长裤 + 护目镜
- 光线：暖色逆光，营造末世氛围
- 格式：三视图（正面全身 + 侧面全身 + 背面全身）
- 比例：21:9 宽银幕画幅
- 风格：电影级写实

GPT-5.6 会把这个需求翻译成 Higgsfield 能理解的提示词，然后通过 MCP 自动提交给图像生成模型。大概等十几秒，一张三视图就出来了。

这里有个小技巧：角色三视图比单张正面图好用得多。因为后续视频分镜可能需要角色侧面或背面的镜头，三视图能让 AI 在生成视频时更准确地理解角色全貌。如果只给一张正面图，侧面镜头容易出现"角色变了一个人"的情况。

生成完女性角色后，同样的流程再来一个男性角色。两个人物的灯光、风格保持统一（比如都用暖色逆光），这样后续视频里他们出现在同一个画面时才不会违和。

小提示：上面示例中提到的"21:9 宽银幕画幅"，并非所有 AI 视频模型都原生支持。部分模型只支持 16:9、9:16、1:1 等常见比例，如果提交了不支持的画幅参数，可能会被自动裁剪成模型默认比例（通常是 16:9），或者在生成时报错。具体支持的画幅比例请以目标模型的实际参数为准——在写提示词之前，先确认一下模型的能力边界，能省掉不少无效生成。

5.2 第二步：让 AI 自己写剧本和分镜脚本

有了角色参考图之后，最省力的做法是把剧本也交给 AI。

在 Codex 里上传两张角色图，然后说：

根据这两张角色图，帮我设计一个一分钟的短片剧本。
- 故事背景：近未来雨夜的废土地铁站
- 角色关系：女特工林夕试图阻止男雇佣兵凯恩引爆数据核心
- 需要有激烈的打斗、对话和表情细节
- 全片只出现这两个人，不要出现其他角色
- 输出完整剧本 + 分镜脚本（每个镜头标注时长、运镜方式、关键动作）

GPT-5.6 会先分析两张角色图里人物的外观特征，然后围绕这些特征来写剧本。它生成的剧本通常会包含：

拿到剧本之后，先别急着全自动跑。我建议花两分钟快速过一遍：人物台词合不合理？动作描述清不清晰？有没有会出现歧义的场景？微调一两句话往往能显著提升最终成片的效果。

5.3 第三步：自动生成所有分镜视频

这是最核心的自动化环节。确认剧本没问题之后，给 Codex 下达视频生成的指令：

使用 Higgsfield 的 Seedance 2.0 模型，按照上面的分镜脚本，逐段生成视频。
参数：
- 每段时长：约 15 秒
- 比例：21:9
- 分辨率：480p（先做预览，确认后再升级到高清）
- 运镜：专业好莱坞级别
- 音效：保留原声环境音效
- 不要背景音乐，不要字幕
- 角色一致性：严格参考上传的两张角色图

这里为什么要先用 480p？因为高清视频消耗的积分是 480p 的好几倍。先用低分辨率出一版预览，确认每个镜头的构图、动作、人物都没问题之后，再针对性地重新生成需要调整的镜头——这样能省下不少积分。

Codex 收到指令后会：

1. 读取分镜脚本中的每个镜头描述
2. 将角色参考图和场景描述一同上传到 Higgsfield
3. 为每个镜头生成对应的提示词
4. 提交生成任务并轮询完成状态
5. 把生成好的视频逐段下载到本地

整个过程大约 15 到 30 分钟（取决于同时提交的镜头数量和模型排队情况）。你可以离开电脑干别的事，回来直接收菜。

不过，不是每个镜头都能一次跑对。有时候人物面部会崩，有时候动作出现奇怪的扭曲。这是目前 AI 视频的常态——做好心理预期，通常四段里有两三段可以直接用，剩下的一两段需要微调提示词重新生成。

下面是几种常见的生成问题及其应对策略，我按照遇到频率从高到低排列：

这些问题的出现概率跟你选择的模型也有关系。以我的经验，Kling 3.0 在人物动作流畅度上表现最好，Seedance 2.0 在画面稳定性和不崩脸上有明显优势，Veo 3.1 的整体真实感最强但偶尔会有奇怪的物体变形。多试几个模型，找到最适合你内容风格的，比死磕一个模型效率高得多。

5.4 第四步：自动拼接成片

所有分镜视频生成完毕后，最后一步是拼接。Codex 可以调用它内置的媒体处理能力来完成：

请将刚才生成的四段视频按脚本顺序拼接成一个完整的 60 秒成片。
- 统一转码参数（如有不一致的参数）
- 不需要加背景音乐
- 输出格式：MP4

如果四段视频的分辨率或帧率不一致，Codex 会自动统一转码后再拼接。拼接完成后，一个完整的视频文件就躺在了你的本地目录里。

5.5 工作流总结：一张 Mermaid 图说清楚

整个流程用一张图来概括：

flowchart TD
    A[输入创意方向] --> B[GPT-5.6 生成角色提示词]
    B --> C[Higgsfield MCP 生成角色三视图]
    C --> D[上传角色图到 Codex]
    D --> E[GPT-5.6 自动编写剧本和分镜脚本]
    E --> F{人工审核剧本}
    F -->|通过| G[Codex 逐段提交视频生成任务到 Higgsfield]
    F -->|需要修改| E
    G --> H[轮询等待 + 下载生成的480p预览视频片段]
    H --> I1{检查480p预览质量}
    I1 -->|有问题的片段| J[微调提示词重新生成]
    J --> H
    I1 -->|预览通过| I2{是否需要升级高清}
    I2 -->|是| I3[升级到高清版本]
    I2 -->|否/480p够用| K[Codex 自动拼接成片]
    I3 --> K
    K --> L[输出最终 MP4 文件]

这就是路线 A 的完整流程。下面咱们来看路线 B——怎么用即梦来实现类似的效果。

六、实战二：Codex + 即梦 CLI 打通多工具联动链路

路线 B 的核心差异在于：不走 MCP 的"标准协议调用"，而是让 Codex 像一个真人用户一样，通过浏览器去操控即梦网页端。听起来像"土办法"，但实际跑起来的效果比想象中好很多。

6.1 故事构思到角色定妆：AI 自主操控即梦网页

我们来跑一个完整的案例。我在 Codex 里输入了这样的需求：

帮我做一个一分钟左右的短片，要求：
1. 风格：奇幻微观世界
2. 角色：一对年轻情侣（一男一女），写实风格
3. 故事：两人在天上飞翔→穿越城市河流建筑→突然坠落→
   落在草坪上变成了微观世界的小人→被巨型蚂蚁追逐→
   骑上蜜蜂逃脱→完美结局
4. 使用即梦 Seedance 2.0 Mini 模型（不用排队）
5. 每个镜头的时长你来控制
6. 最后自动拼接成完整视频
7. 配上合适的环境音效

Codex 收到后，先做了一件事：读取即梦 CLI 的工作规范，检查当前可用的模型参数和积分余额。确认一切就绪后，它开始自主行动。

第一步是生成角色三视图。在 Codex 自带的浏览器窗口里，你能看到它自动打开即梦网页，填入提示词，选择模型（它自己选了最新的 Seedance 2.0 Pro，虽然我没指定），然后提交生成。两张角色图（一男一女）大约花了 25 分钟——老实说，这个速度不算快。主要原因有两个：一是 Codex 操控浏览器的每一步操作都有延迟；二是即梦的服务端本身也有排队时间。

角色图出来后，Codex 自己选了两张它认为效果最好的，自动下载到本地。然后继续生成场景参考图：城市鸟瞰、河流、森林草坪、巨型蚂蚁、蜜蜂——大约七八张场景图，为后续的分镜视频做准备。

6.2 分镜视频的自动化生成与质量观察

准备工作做完后，Codex 进入了批量视频生成阶段。它一次性提交了大约八个视频生成任务，每个对应一段分镜：

Seedance 2.0 Mini 不需要排队，所以八段视频在十几分钟内就全部完成了。这里需要特别说明一下积分消耗的实际情况：即梦平台不同模型版本的积分消耗差异很大，以 5 秒视频为例，标准版约消耗 40 积分，VIP 版约 70 积分，Mini（Fast）版约 45 积分。上述八段视频时长为 5 到 10 秒不等，使用的是 Mini 版，每段实际消耗在 45 到 90 积分之间（依时长浮动），八段总计大约 500 到 720 积分。这个数字仅为本轮测试的近似值，即梦的积分定价调整频繁，请以生成前即梦界面显示的实时消耗为准。

这里要着重说一个观察：人物一致性在八段视频里的表现有不小的波动。前几段飞翔场景里，人物的面部特征保持得不错；但到了坠落和草坪段落，女主角的脸明显有点"变形"。这不是 Seedance 的问题，而是目前所有 AI 视频模型的通病——当角色经历剧烈的动作变化或角度切换时，一致性容易丢失。

Codex 的处理方式值得参考：它会把每段视频生成完后自己"看"一遍（通过抽帧分析），发现明显崩坏的会自动标记并重新生成。虽然增加了时间成本，但保证了最终成片的下限。

6.3 自动拼接与音效合成

所有分镜通过检查后，Codex 开始拼接。这里它做了几件事：

1. 统一转码：检查八段视频的参数（分辨率、帧率、编码格式），不一致的自动统一
2. 按脚本顺序拼接
3. 根据剧情节奏自动调整片段之间的过渡（硬切或淡入淡出）
4. 生成环境音效并混入（风声、城市背景音、蜂鸣声等）

最终输出一个约 65 秒的完整 MP4。从发出指令到拿到成片，全程大约 55 分钟——其中大概有 20 分钟是在等 Codex 操作浏览器（速度确实慢），剩下的是模型生成时间。

6.4 两条路线的实战对比

跑完两个案例之后，我的体感差异总结如下：

莫潇羽的个人建议：如果你主要是做国内自媒体内容，即梦这条路更顺——账号好注册、付费方便、内容风格也更符合国内平台调性。如果你是做海外内容或者对特定模型（比如 Veo 3.1 的真实感）有刚需，Higgsfield MCP 是