这篇开始写一个新小专题：
Codex + HyperFrames + 4SAPI 做 AI 视频生产线。
很多人看到 AI 视频，会先问：
能不能直接生成一条视频？
这个问题太小了。
真正做自媒体，尤其是图书号、知识号、电影解说号、科普号，核心不是做一条。
而是：
能不能持续拆解爆款。
能不能稳定生成旁白。
能不能复用声音风格。
能不能复用画面模板。
能不能自动对齐字幕。
能不能记录每次成本。
能不能批量跑而不失控。
所以这套方案里，分工要先讲清楚：
Codex：负责分析、写脚本、调工具、改代码、排错。
HyperFrames：负责把 HTML / CSS / 动效变成视频画面。
TTS / 音频工具：负责旁白和声音质感。
4SAPI：负责统一模型入口、模型路由、Key 分组、调用日志和成本治理。
如果只是玩一条视频，可以不用想这么多。
但如果你想长期做号，4SAPI 这种大模型 API 中转站就会变成基础设施。
因为视频生产线不是一个模型调用。
它是一串模型调用。
1. 一条 AI 视频背后有哪些模型调用
以图书号为例。
看起来只是 30 秒视频。
实际流程可能是：
分析对标视频。
收集图书资料。
生成旁白。
去 AI 味润色。
拆 timestamp 分镜。
生成画面代码。
生成字幕。
检查音频字幕对齐。
修复渲染错误。
复盘视频表现。
每一步都可能调用模型。
而且适合的模型不一样。
比如：
视频拆解：需要强一点的多模态模型。
资料整理：低成本模型就够。
旁白初稿：中等模型即可。
最终文案审查：高级模型更稳。
代码生成：Codex 擅长。
字幕纠错：低成本模型即可。
如果每一步都手动换 Key、换 Base URL、换模型名，很快就乱。
这就是 4SAPI 的第一层价值：
把不同模型统一成一个 API 入口。
你只需要在工作流里声明：
这一步要便宜。
这一步要稳。
这一步要多模态。
这一步要会写代码。
然后通过模型路由和 Key 分组去执行。
2. 先拆爆款，不要先复刻画面
很多人做错的第一步是：
直接让 Codex 复刻这个视频。
这样很容易变成抄外观。
真正要拆的是结构。
比如抖音图书号爆款，常见结构是：
0-3 秒：一句强钩子。
3-8 秒：抛出这本书的核心问题。
8-15 秒：解释它为什么值得看。
15-24 秒：给一个具体观点或场景。
24-30 秒：收束成一句记忆点。
还要拆声音：
语速。
停顿。
低频厚度。
背景音乐音量。
人声和音乐比例。
情绪起伏。
还要拆画面：
封面什么时候出现。
关键词怎么浮现。
字幕在哪个安全区。
背景是深色还是浅色。
镜头有没有推进。
转场频率是多少。
拆解阶段最容易犯的错是：
只看画面，不看声音。
只抄字幕，不拆节奏。
只复刻视觉，不复刻结构。
Codex 应该输出的是结构表，而不是直接开写视频代码。
3. 推荐生产流程
我建议按这条流程走：
1. 选对标视频。
2. Codex 拆结构、声音、画面。
3. 收集主题事实。
4. 写 30 秒旁白。
5. 人工审文案。
6. 生成 TTS 音频。
7. 处理声音质感。
8. 用最终音频转 transcript。
9. 拆 timestamp 分镜。
10. 准备封面、关键词、logo、背景音乐。
11. 写 HyperFrames composition。
12. preview。
13. inspect / validate。
14. 修字幕、路径、布局。
15. render MP4。
16. 复盘成本和效果。
注意顺序。
不要先写 HyperFrames。
不要先渲染 MP4。
不要先堆一堆素材。
先定：
视频规格。
旁白。
分镜。
素材路径。
模型路由。
后面才会稳。
4. 这套流程里最容易错的四类问题
第一类是模型错误。
比如：
把低成本模型用于视频结构拆解。
把高级模型用于批量字幕清洗。
把不支持多模态的模型拿去看视频。
把不擅长代码的模型拿去写 HyperFrames。
模型名写错。
Base URL 对但模型不存在。
Key 所在分组没有该模型权限。
第二类是路径错误。
比如：
素材是相对路径，但渲染进程 cwd 变了。
Windows 路径反斜杠没有处理。
文件名有中文或空格，HTML 引用失败。
音频文件在 downloads，但 composition 引的是 assets。
预览能加载，render 时找不到。
第三类是音频字幕错误。
比如：
用旁白文本猜字幕时间。
TTS 生成后没有重新转 transcript。
字幕 start / duration 不匹配。
字幕遮挡主体。
人声和背景音乐比例失衡。
第四类是批量治理错误。
比如：
每条视频都用高级模型。
失败后无限重试。
没有记录 request_id。
不知道哪条视频花了多少钱。
不知道哪个账号成本异常。
没有 Key 分组和预算控制。
后面几篇就分别拆这四类。
5. 4SAPI 应该放在哪里
很多人以为 4SAPI 只是在调用模型时换个 Base URL。
太小看它了。
在 AI 视频生产线里，4SAPI 应该负责：
统一模型 API 入口。
给不同账号分 Key。
给不同任务分模型。
记录每一步调用日志。
统计每条视频成本。
限制高级模型调用次数。
失败后记录错误码和 request_id。
做 fallback 和重试控制。
比如：
video_analysis → 多模态模型。
book_research → 低成本模型。
voice_script → 中等模型。
final_review → 高级模型。
subtitle_fix → 低成本模型。
hyperframes_code → Codex。
这些任务都可以走统一入口。
这样你才能知道：
一条视频到底花了多少钱。
贵在哪一步。
哪一步失败最多。
哪个模型最适合这个环节。
哪个账号应该降本。
如果没有 4SAPI，后面就是一堆散落 API Key。
散落 Key 最大的问题不是麻烦。
而是不可管理。
6. 给 Codex 的总控 Prompt
可以这样让 Codex 开始一条视频任务：
你是 AI 视频生产线导演。
目标：基于一个抖音图书号对标视频，生成一条 30 秒 9:16 图书介绍视频。
要求：
1. 先拆解对标视频结构，不要直接复刻画面。
2. 输出声音、画面、字幕、节奏四张表。
3. 收集书籍事实后再写旁白，不要编造。
4. 旁白要自然，避免明显 AI 腔。
5. 用最终音频转 transcript，不要手猜字幕时间。
6. HyperFrames composition 中所有素材路径必须显式列出。
7. preview 后先 inspect / validate，再 render MP4。
8. 记录每一步使用的模型、request_id、成本和失败原因。
9. 如果模型不支持多模态、TTS 或代码生成，要明确指出，不要硬做。
这个 Prompt 的重点是：
先拆，再做。
先验证，再渲染。
先记录，再批量。
7. 总结
Codex + HyperFrames 能做视频。
但真正有价值的是把视频变成一条可复用生产线。
生产线里最容易出问题的地方是：
模型选错。
路径写错。
字幕对错。
音频没质感。
渲染找不到文件。
成本没有记录。
4SAPI 的作用，就是把这条生产线里的模型调用统一管起来。
一句话：
Codex 负责调度，HyperFrames 负责成片，4SAPI 负责让这条 AI 视频流水线长期跑得稳、跑得省、跑得可追踪。