用 HyperFrames，一句话就能做出真视频

从这里开始

HyperFrames 是 HeyGen 出的一个免费开源工具，它让 AI 智能体用跟做网站一样的 HTML、CSS 和 JavaScript 来生成视频。官方的说法叫"用氛围编程剪视频"（edit videos by vibe-coding）。你根本不用打开时间轴，也不用碰特效面板。你用大白话把视频描述出来，智能体写代码，然后你自己的电脑把成片渲染出来。它在本地运行，所以不消耗任何 HeyGen 额度，渲染也完全免费。

这为什么重要：以前一段动态图形意味着要请一个剪辑师、花上一周，现在一条消息就出来了。下面是我给 Melda 做的一支 25 秒产品发布视频。总共三条提示词，没用任何素材，也没请剪辑师。

下面就是教程。它从最开头讲起，一行字丢给 AI 智能体，一路爬到绿幕反应视频和 B-roll 剪辑，这些以前我得手动折腾好几个小时。哪一级对你有用你就停在哪，回头再来看下一级就行。

1. 安装配置

你是通过一个 AI 编程智能体来驱动 HyperFrames 的。你不用写代码，也不用最贵的模型。我平时看手头开着什么，用两种方式跑它。

用 Claude Code 跑 Sonnet。 Sonnet 又快又便宜，做视频完全够用，所以没必要在这上面烧 Opus。新建一个空文件夹，起个名字比如 my-videos，在里面打开 Claude Code（桌面版或终端都行）。然后对 Claude 输入：

install hyperframes video editor

它会把这个技能拉下来，第一次还会让你装几个辅助工具，比如 Homebrew 和 ffmpeg。同意就行。如果你想自己跑那条确切的命令，是这条：

npx skills add heygen-com/hyperframes

用 Codex 跑 ChatGPT 5.5。 HyperFrames 在 Codex（OpenAI 的编程智能体）里跑得一样好。思路一样：在一个空文件夹里打开 Codex，让它安装 HyperFrames 编辑器。在 Codex 里，你的消息开头加上 /hyperframes 就能启动一支视频，这样智能体在动手前会先加载对应技能。这份指南里其他内容完全一样；两边的提示词一字不差。

安装就这些。从这里开始，你只是在给一个智能体发消息，告诉它你想看到什么。

2. 你的第一支视频

从小处起步，好把整个流程走一遍。第一条提示词的诀窍是说清三件事就打住：讲什么、多长和什么画幅、一个视觉点子。下面是我用的那条原话：

我想让你做一支 10 秒的竖屏（9:16）讲解视频，讲每天到户外走走对健康的好处。选一个有力的动画视觉隐喻，让人一看就懂。渲染要快。

智能体会写一个简短的方案，搭出画面，然后渲染。"渲染要快"这句在提示词里是真起作用的：它告诉智能体多用扁平图形加一个干净的动画，别整那些重的，这样你几秒就能拿到成片，而不是几分钟。下面是它返回的原始结果，没动过：

做好之后，你让智能体 launch preview 就能预览，它会在浏览器里打开。喜欢的话就从那里导出，或者直接让智能体把 MP4 存下来。这就是完整的流程。往后所有内容都是同一个流程，只是提示词里塞的东西更多。

3. 把网站变成产品演示

基础上手之后，把 HyperFrames 对准一个真实网址，让它用你自己的品牌做一支发布视频。正好有一个专门干这个的工作流 /website-to-video，它会访问网站，读取它的配色、字体和界面，然后照着还原。下面是我做 Melda 演示的第一版：

我想让你用 /website-to-video，从 www.melda.co 做一支 25 秒的电影感产品发布视频。抓取网站真实的配色、字体排印、界面和品牌质感，然后把它做成一场高级的、苹果发布会风格的揭幕：节奏有张力、界面动画式放大、3 张大的利益点卡片、干净的旁白、克制的音效，以及结尾的行动号召。让它感觉像这个小小的网站在宣告未来。

第一版渲染出来不错，但没到很好。节奏对了，品牌也认得出是 Melda，但开头没说出我真正想说的话，而且我想要一个竖版用来发快拍和 Reels。于是我回头给的是具体指令，不是感觉。我把开头卡片上想要的确切文案给了它，把要突出的具体界面截了图，还要了一个 9:16 版本。第二版就是这个：

这个教训值得多琢磨，因为比入门片子更难的东西都适用。这不是那种一条提示词每次都吐给你一支成片的老虎机。第一版智能体帮你把大部分路走完；最后那一段，得靠你把确切文案、真实截图和具体批注交给它。剪辑越复杂，要微调的次数越多，这很正常，不是失败。输入模糊，出来就通用。输入具体，出来才是你的。

4. 导入更多工作流

凡是比纯讲解更复杂的东西，配一个专门的工作流都会跑得更好。HyperFrames 自带一整套，每个都为某一类视频调过，你一行字就能全部拉进来：

install all the hyperframes workflows

我用得最多的几个：

• /product-launch-video 和 /website-to-video，用来做基于真实网站的宣传片和演示。
• /faceless-explainer，用来做没有任何素材、每个场景都现造画面的主题视频。
• /motion-graphics，用来做短的、以动效为主的小单元：数字滚动、logo 定版、动态图示。
• /embedded-captions 和 /talking-head-recut，用来给你已经拍好的素材做包装。

在提示词开头点名对的工作流，是你能做的最大的一次质量跃升，因为它会加载一整套默认设置，否则这些都得靠智能体猜。这份指南接下来都靠它们。

5. 带动态图形的绿幕反应视频

好玩的地方来了。我最喜欢的格式之一是反应视频：我读到点有意思的东西，对着镜头做出反应，我读的那个东西满屏铺在我身后，同时标题和卡片在上面动。这是我做的所有形式里数据最好的一种，以前它可是个真剪辑活儿。下面这支，是对一位创作者发的一个研究方法做的反应：

做这种视频最省事的办法是按这个顺序来：

1. 先写脚本。 把你要说的话写下来，精炼点。心里先有那三个点，反应视频会更好看。
2. 录主镜头（a-roll）。 拍你自己做反应，有绿幕就用绿幕，没有就对着一面白墙。别担心卡壳；智能体会清掉那些。
3. 把背景抓下来。 把你要反应的那篇文章、帖子或论文截图。如果你想让身后放动态画面，那就也录下来。
4. 一条提示词全部上传。 把你的主镜头、截图和下面这条提示词交给智能体。它会把你抠出来、清理你的原片、加上标题和动态图形、对齐字幕，再把文章铺到你身后。

下面是一条可复制粘贴的提示词。方括号里的是占位符；换成你自己的素材名、标题和文案。清理主镜头那段话，是直接从最擅长干这个的工作流里借来的：

/greenscreen 做一支 [时长] 秒的竖屏（1080×1920）绿幕反应视频。

附上的素材：
- aroll.mp4：我对着镜头做反应。把我干净地抠出来，让我以剪影方式待在画面下三分之一处。
- background-1.png, background-2.png：我正在反应的那两样东西（比如原始论文和把它带火的那条帖子）。把它们满屏铺在我身后。
- [可选] screen-recording.mp4：[它展示了什么]。在我指向它的地方把它放在我身后。

先清理主镜头：转录出逐字时间轴，然后清理原片：剪掉重新开口、结巴、重复和废话，并修掉所有超过 0.1 秒的停顿，全部基于转录定位、无缝衔接、音画一起处理。

标题卡（0–2 秒）："[你的标题，比如 这个免费方法能把 Claude 变成博士级研究员]" 用粗体展示字体，然后切给我。

节拍：每当我讲到一个点，就在我身后满屏切一篇文章或截图，点与点之间回到干净背景。我点到某个工具或某个数字时，在旁边弹出一张带标注的小卡片。[可在此列出你的 3 个节拍。]

屏幕文案，带引号："[数据或短语 1]"、"[短语 2]"。

字幕：逐词、白色、句首大写（如为英文），放在下方安全区，绝不压在我脸上。

行动号召（最后 3 秒）："[评论 关键词，我就发给你]"（在评论那行加一个小标签"仅限 FB / IG"）外加 "[关注 @账号 / yoursite.co/resources]"。

不用版权素材。背景音乐压到我声音之下、轻到几乎听不见。

这个格式的全部精髓就在这：你拍下自己对读到的东西做反应的素材，把它放在身后，让智能体去做标题、清理、字幕和抠像。之所以要提前写脚本、截好图，是因为一旦所有上下文一起上传，第一版就会离成品近得多。

6. 六要素提示词（进阶）

当你想要一个具体的观感、而不是碰运气时，最好的指引来自 HeyGen 官方。他们那篇 《一条提示词的解剖》（Anatomy of a Prompt） 把一条好的视频提示词拆成六个决定。六个都做到，智能体就搭出你脑子里想的那样。漏掉一个，智能体就替你做主。框架归功于他们；下面是精简版。

1. 路线（Route）。 从对的工作流开始：/motion-graphics、/product-launch-video，哪个合适用哪个。这是你提示词的第一个词。
2. 规格（Spec）。 多长、什么画幅。"6 秒、方形"，甚至只说"给 TikTok 用"，都够了。
3. 节拍（Beats）。 屏幕上一秒一秒发生什么。
4. 文案（Copy）。 你的原话，带引号。
5. 手法（Technique）。 点名你想要的动作：挤压回弹、柔和阴影、数字滚轮式跳动。
6. 排除项（Negatives）。 说清楚不要什么：不要旁白、不要版权素材、不要媒体文件。

一条接一条写下来，这六项就压成一段大白话，你用手机就能发出去。路线是第一个词，规格是第一句，节拍在中间，你的引号保持带引号，排除项收尾。

要描述屏幕上任何东西，HeyGen 的"节拍公式"能让你不含糊。每个元素，用一句话快速交代五点：是什么（"一个超大的黑色 Mac 光标"）、做什么（"滑进来停在文件夹上"）、在哪（"从右下方"）、什么样（"超大、黑色、macOS 风格"）、什么时候（"节拍 1，0 到 2 秒"）。五点交代清楚，不用行话，智能体就不再瞎猜。

三条起步提示词，都在十秒以内

这些都遵循六要素结构，而且故意做得短，因为这正是 HyperFrames 一次成片最擅长的地方。复制一条，换掉里面的字，跑起来。

/motion-graphics 做一支 6 秒 1080×1920 的视频，深藏青背景，带一层淡淡的蓝色辉光。节拍 1（0–2 秒）：数字 "0" 用粗体无衬线居中，然后快速跳到 "700K" 停住。节拍 2（2–4 秒）：下方淡入标签 "一个习惯带来的粉丝"。节拍 3（4–6 秒）：一条细蓝线在数字下方从左扫到右。文案，带引号："700K"、"一个习惯带来的粉丝"。手法：快速数字滚轮跳动、缓出停住、最终数字上一次轻微辉光脉冲。不要旁白、不要图片、不要版权素材。

/motion-graphics 做一支 5 秒 1080×1080 的视频，暖米色纸质背景。节拍 1（0–2 秒）：等宽字体逐字打出 "提示词" 三个字。节拍 2（2–3 秒）：一个紫色光标滑到末尾并点击。节拍 3（3–5 秒）："提示词" 向上翻走，换成粗体展示字体的 "视频。"，旁边一个紫色播放三角带着柔和的挤压回弹缩放出现。文案，带引号："提示词"、"视频。"。手法：等宽字体打字、光标点击、竖直翻转、播放按钮上的挤压回弹。不要旁白、不要媒体文件。

/motion-graphics 做一支 8 秒 1080×1920 的讲解，柔和白色背景，带几团淡蓝色斑块。节拍 1（0–3 秒）：三张分别标着 "选题"、"钩子"、"脚本" 的卡片升起并淡入，叠成竖排，每张带柔和阴影。节拍 2（3–6 秒）：一条发光的线自上而下画出来，把它们从头连到尾。节拍 3（6–8 秒）：这一叠滑进一个圆角的 "发布" 按钮，按钮脉动一次。文案，带引号："选题"、"钩子"、"脚本"、"发布"。手法：错峰升起停住、动画连线绘制、按钮脉动一次、强调色 #2563eb。不要旁白、不要照片、不要实拍。

它的边界在哪

两个实在的限制，都是 HeyGen 说的，也都跟我的经验相符。第一，手绘角色和绘画质感光靠文字撑不起来；文字没法把一幅画说死。要么转向扁平几何图形（"圆角几何人物、圆脑袋、没有五官"），要么先把美术素材生成出来、再当成文件交给它。第二，真实的素材和照片必须以文件形式给到，并在提示词里写上路径；智能体变不出你本人或你产品的照片。而且片子越是层层叠叠、越长，要来回的轮数就越多。又短、又以图形为主的东西，才是一条消息第一版就命中的地方。

7. 在主镜头上叠加 B-roll

最后、也最费工的格式，是一段真正的口播剪辑：你的脸是基础轨，B-roll 和截图叠在上面来给每个点撑腰。下面这支是我把"四年副业故事"从头到尾用 HyperFrames 跑出来的成片。

让它成立的关键，是一个阶段一个阶段地做，每往下走一步之前先审一遍，而不是一口气把整个剪辑要出来。每个阶段都是它自己的一个决定，先把基础弄对再去装饰，能省掉你全部返工。下面是我跑的流水线。

阶段 1：清理主镜头

所有东西都对着清理后的原片来计时，所以这一步排在最前，并且单独审一遍。智能体把你的素材转录出逐字时间轴，然后剪掉重拍、重新开口、废话词和空白，把大约十分之一秒及以上的每个间隙都修掉，再对结果重新转录一遍。那份新的转录，就是后面每个阶段读时间的那口钟。这版基础剪辑没通过之前，一个图形都别加。

阶段 2：按含义匹配 B-roll

这是见功夫的阶段，最要紧的一条规则：按台词的含义挑 B-roll，不是按关键词。"凌晨两点熬夜剪辑的苦"应该拉出一段深夜剪辑的片子，而不是随便哪个文件名里带"苦"字的。我坚持的几条规则：

• 你的脸是大本营。 只有当 B-roll 配得上那个时刻时才切过去：证据、过程或情绪。你的核心观点句和转折句留在你脸上，观众在那里读你。
• 截图是叠层，素材是替换。 一张截图或一段录屏居中叠在你露脸的画面上，不是满屏，这样才有"我刚把这个调出来"的感觉。生活类 B-roll 可以占满整个画面撑一个节拍。
• 短、静音、竖屏。 生活片段 2 到 3 秒，一律静音，从片子开头往后几秒开始、跳过起手那段。优先用竖屏素材，这样它填满 9:16 画面时不会被拉伸。
• 节奏。 每 2.5 到 6 秒画面就有点变化，静止绝不超过 7 秒。别把 B-roll 全堆在前面，然后后半段留一堵光说话的墙。
• 卡在词上。 你点到某个工具、某个品牌或某个数字时，把对应画面正好落在那个词上。这一支里，Claude 和 OpenAI 的 logo 精准砸在 "Anthropic" 和 "ChatGPT" 上。

让智能体找得到 B-roll 的命名系统

只有当你的素材库是按每段片子含义命名、而不是叫 "IMG_4021.mov" 时，智能体才拉得出对的片段。我给每个文件按 subject-context_take_orientation 命名，扫一眼就知道是哪个瞬间、什么画幅：

typing-keyboard_take-01_v.mov
speaking-stage_contentlab-take-01_v.mov
reacting-frustrated_take-01_v.mov
desk-workspace_topdown_v.mov

_v、_h 或 _sq 后缀标出竖屏、横屏还是方形，好让智能体知道什么能填满画面。然后在这些片段旁边放一个小小的 manifest.json，每段一条，写清这段片子的含义并打上标签。智能体查这个文件，而不是去翻文件夹：

[
  {
    "file": "reacting-frustrated_take-01_v.mov",
    "orientation": "v",
    "duration_s": 6,
    "desc": "在桌前精疲力尽，双手抱头，受够了",
    "tags": ["情绪", "崩溃", "转折点"]
  }
]

有了这个，"我差点放弃的那一刻"就能靠它的 desc 解析到对的片段，你永远不用记文件名。

阶段 3：先字幕，再音乐

字幕来自剪好后的那份转录，绝不是原始的，这样它才跟成片严丝合缝。让字幕保持白色、句首大写（如为英文）、每次大约两个词、放在画面下方的安全区、绝不压在你脸上。然后是背景音乐。我把它压到我声音之下大约 1%，一层你更多是"感觉到"而不是"听到"的垫底音，并在每张截图出现的那一帧打出一声轻轻的鼠标点击，做出"我刚打开这个"的感觉。免版税的音乐和音效，我从 pixabay.com 这个免费库里取；如果你需要一段自己没拍的 B-roll，它也有免费的版权素材。

B-roll 环节的提示词

等你的主镜头清理好、素材库也命名并做好清单之后，下面这条就是 B-roll 环节的提示词。把清理好的成片、转录和文件夹交给它：

这是我清理好的主镜头（aroll-clean.mp4）和它的逐字转录（transcript.json）。我的 B-roll 在 /b-roll 里，配了一个 manifest.json，每段片子都有 desc 和 tags。做一个 9:16 的剪辑。

顺序与时机：
- 口播是大本营。只有当 B-roll 或截图配得上那个时刻时才切过去：证据、过程或情绪。我的核心观点句和转折句留在我脸上。
- 按台词的含义挑 B-roll，匹配 manifest 里的 desc 和 tags，不是按文件名。匹配得勉强就跳过；一个强插入胜过两个平庸的。
- 生活和过程类 B-roll：2–3 秒、静音、从片子开头往后几秒开始。截图和录屏：居中叠在我露脸的画面上，不是满屏，并在每个出现的那一帧打一声轻轻的鼠标点击。
- 节奏：每 2.5–6 秒画面有点变化，静止绝不超过 7 秒。别把 B-roll 全堆在前面。
- 卡紧词：我点到某个工具、品牌或数字时，把对应画面正好落在那个词上。

然后从转录加上字幕（白色、每次约 2 个词、下方安全区、绝不压在我脸上），再加一层压到我声音之下约 1% 的背景音乐垫底。渲染前先给我看一版预览。

按顺序跑这些阶段，每一步都设一道关卡，这样后面才改动的东西只会重跑它之后的部分。清理原片，通过它。匹配 B-roll，通过它。然后字幕，然后音乐。正是这个顺序，决定了一个剪辑是感觉像精心设计的，还是感觉像提示词碰了运气。

去做一支吧

从第一级开始。装上它，敲那条十秒讲解提示词，看着一支真视频从一句话里冒出来。然后往上爬：把它对准你自己的网站、对你读到的东西做反应、剪一段口播。工具是免费的，跑在你自己的电脑上，所以唯一的成本就是你做第一支时花的那十分钟。去做吧。