用Codex+Hyperframes零代码搭建AI知识视频生成流水线：NoteBookLM平替全攻略

如果你到现在还没用过 Codex，那你很可能错过了目前世界上最强大的 AI Agent。注意，这里说的是 Agent，而不仅仅是 Coding Agent。Codex 的能力远不止写代码，它同样是你学习、工作中的超级助手。

后续我计划写一系列文章，聊聊如何用 Codex 重构我们的编程、工作和学习方式。今天是这个系列的第一篇：如何将 Codex 和 Hyperframes 结合，快速打造一个 NoteBookLM 的平替方案。

在学习一个新概念时，如果只是面对枯燥、非结构化的文字，大脑的吸收效率往往很低。但如果把学习内容转化成结构化、可视化的视频，效果会大幅提升。有了 Codex，你现在每次只需大约 5 分钟，就能轻松生成下面这类知识讲解视频：

接下来，我们一步步拆解具体的操作流程。

步骤一：搞定视频生成框架 —— Hyperframes

演示视频里的幻灯片页面、动效，全部是通过 HeyGen 的 Hyperframes 生成的。你首先要做的，就是在 Codex 里搜索并安装 Hyperframes 插件。

我强烈建议你现在就让 Codex 用 Hyperframes 针对某个知识点生成一条视频来感受一下。可以先尝试做一条 1 分钟以内的短片，Codex 大概 3 分钟就能搞定。

当然，用 Remotion 也能实现类似的功能，不过今天我们讨论的流程全部是基于 Hyperframes 实现的。

如果你要处理的内容偏数学、物理方向，还可以让 Codex 把 Manim 也整合进来。它在处理坐标、曲线等动效时，表现会更加丝滑。仓库地址是： https://github.com/3b1b/manim

无论是 Hyperframes、Remotion 还是 Manim，它们的本质都是用代码直接生成视频。强烈建议你多花些时间去了解和使用这些开源框架。它们不仅是 开源的，你不仅能在 Codex 里用，也能在任何你觉得顺手的 Agent 工具里调用。

步骤二：扩充模板库 —— Open Design

如果你觉得 Hyperframes 自带模板的丰富度还不够，可以让 Codex 引入 Open Design 这个资源库。

直接将仓库地址 https://github.com/nexu-io/open-design 发给 Codex，让它引入即可。Codex 会对这个仓库进行提炼，把适合生成 Hyperframes 视频的模板提取并保存到你的项目文件夹中。

步骤三：解决背景音乐 —— MiniMax CLI

视频的背景音乐，我们全部通过 MiniMax CLI 来生成。现在，先来安装它。你完全可以直接在对话框里要求 Codex 帮你完成 MiniMax CLI（也就是 mmx CLI）的安装。

接着，你需要一个 MiniMax 的 token plan，它需支持音乐、TTS 语音和视频生成。因为我们并不需要用它的 token 来编程（毕竟已经有 Codex 了），所以直接买最便宜的、每月 ￥49 的套餐就够用了。

Token Plan 订阅地址： https://platform.minimaxi.com/subscribe/token-plan?tab=individual

开通成功后，在 Codex 所在的终端里运行下面这行命令，完成 MiniMax 账号的登录认证：

mmx auth login

注意：国内站的 API 地址是 api.minimax.com，国际站是 api.minimax.io。前面我提供的是国内站的购买地址，这里可别搞混了。

接着，在弹出的 MiniMax 网页上确认授权即可。

授权成功后返回终端，你就能看到 mmx 的相关信息和 token 余量了。

接下来，可以再让 Codex 确认一下它是否能顺利调用 mmx CLI 来生成音乐。

到这一步，你已经拥有了能生成视频的 Hyperframes 和能生成背景音乐（BGM）的 MiniMax CLI。实际上，MiniMax CLI 也能生成 TTS 语音，但听起来自然度一般。所以下一步，我们要接入一个我认为是目前自然度和性价比都最高的方案——火山引擎的 doubao-TTS-2.0。

步骤四：接入TTS语音 —— 火山引擎 doubao-TTS-2.0

首先，你得有一个火山引擎的账号，并且往里面充一点点钱。然后访问： https://console.volcengine.com/speech/app ，创建一个应用并获取 App ID。直接用默认的 default 项目也行。

之后访问 doubao 语音页面： https://console.volcengine.com/speech/service/10035 ，开通语音合成 2.0 服务。

拉到页面底部，把这里的 App ID、Access Token 和 Secret Key 复制下来备用。

再访问这个地址来挑选你喜欢的音色： https://console.volcengine.com/speech/new/voices?projectName=default 。遇到喜欢的声音，就把它的 Voice ID 复制下来。

就像这样，通过菜单里的选项复制音色 ID。

我个人比较喜欢的女性播客/对谈类音色 ID 是：zh_female_mizai_saturn_bigtts。

现在，请把以上步骤获取到的 VOLCENGINE_TTS_APP_ID、VOLCENGINE_TTS_ACCESS_TOKEN、VOLCENGINE_TTS_VOICE_TYPE 这三项写入你项目的 .env 文件中。另外，还有一个恒定值：VOLCENGINE_TTS_RESOURCE_ID="seed-tts-2.0"。

接下来，用下面这套方法让 Codex 来帮你调通火山引擎的 TTS 2.0。你可以直接把下面的内容复制粘贴给你的 Agent 去读。

1. 准备环境变量

export VOLCENGINE_TTS_ACCESS_TOKEN="你的 Access Token"
export VOLCENGINE_TTS_APP_ID="你的 App ID"
export VOLCENGINE_TTS_VOICE_TYPE="你的音色 voice_type"
export VOLCENGINE_TTS_RESOURCE_ID="seed-tts-2.0"

说明：

• VOLCENGINE_TTS_ACCESS_TOKEN：接口鉴权 token
• VOLCENGINE_TTS_APP_ID：火山引擎应用 ID
• VOLCENGINE_TTS_VOICE_TYPE：要使用的音色 ID
• VOLCENGINE_TTS_RESOURCE_ID：模型资源 ID，Doubao TTS 2.0 通常为 seed-tts-2.0

2. 请求地址

POST https://openspeech.bytedance.com/api/v1/tts

请求头：

Content-Type: application/json
Authorization: Bearer; <VOLCENGINE_TTS_ACCESS_TOKEN>

如果碰到 401 或 403 错误，优先检查：

• token 是否正确或已过期
• Authorization 的格式是否正确
• appid 与 token 是否匹配
• resource_id 是否已开通权限

3. 请求体结构

核心 JSON 结构如下：

{
  "app": {
    "appid": "${VOLCENGINE_TTS_APP_ID}",
    "token": "${VOLCENGINE_TTS_ACCESS_TOKEN}",
    "cluster": "volcano_tts"
  },
  "user": {
    "uid": "demo-user"
  },
  "audio": {
    "voice_type": "${VOLCENGINE_TTS_VOICE_TYPE}",
    "encoding": "mp3",
    "speed_ratio": 1.0,
    "volume_ratio": 1.0,
    "pitch_ratio": 1.0,
    "sample_rate": 44100
  },
  "request": {
    "reqid": "唯一请求 ID",
    "text": "要合成的文本",
    "operation": "query",
    "with_frontend": 1,
    "frontend_type": "unitTson",
    "resource_id": "${VOLCENGINE_TTS_RESOURCE_ID}"
  }
}

注意：resource_id 是放在 request 对象里，而不是 audio 里。

4. curl 调用示例

REQ_ID=$(python3 - <<'PY'
import uuid
print(uuid.uuid4())
PY
)

curl -X POST 'https://openspeech.bytedance.com/api/v1/tts' \
  -H 'Content-Type: application/json' \
  -H "Authorization: Bearer; ${VOLCENGINE_TTS_ACCESS_TOKEN}" \
  -d @- <<JSON > response.json
{
  "app": {
    "appid": "${VOLCENGINE_TTS_APP_ID}",
    "token": "${VOLCENGINE_TTS_ACCESS_TOKEN}",
    "cluster": "volcano_tts"
  },
  "user": {
    "uid": "demo-user"
  },
  "audio": {
    "voice_type": "${VOLCENGINE_TTS_VOICE_TYPE}",
    "encoding": "mp3",
    "speed_ratio": 1.0,
    "volume_ratio": 1.0,
    "pitch_ratio": 1.0,
    "sample_rate": 44100
  },
  "request": {
    "reqid": "${REQ_ID}",
    "text": "你好，这是火山引擎 TTS 合成测试。",
    "operation": "query",
    "with_frontend": 1,
    "frontend_type": "unitTson",
    "resource_id": "${VOLCENGINE_TTS_RESOURCE_ID}"
  }
}
JSON

接口调用成功后，会返回 base64 编码的 MP3 数据。

5. 返回值处理

一个成功的响应大概是这样的：

{
  "code": 3000,
  "message": "Success",
  "data": "base64-encoded-mp3",
  "reqid": "..."
}

把 data 字段解码后，就能写入 MP3 文件了：

python3 - <<'PY'
import base64, json
from pathlib import Path

result = json.loads(Path('response.json').read_text())
if result.get('code') != 3000 or not result.get('data'):
    raise SystemExit(f"TTS failed: {result}")

Path('demo.mp3').write_bytes(base64.b64decode(result['data']))
print('saved: demo.mp3')
PY

6. Python 完整示例

import base64
import os
import uuid
from pathlib import Path

import requests

url = "https://openspeech.bytedance.com/api/v1/tts"
access_token = os.environ["VOLCENGINE_TTS_ACCESS_TOKEN"]

payload = {
    "app": {
        "appid": os.environ["VOLCENGINE_TTS_APP_ID"],
        "token": access_token,
        "cluster": "volcano_tts",
    },
    "user": {
        "uid": "demo-user",
    },
    "audio": {
        "voice_type": os.environ["VOLCENGINE_TTS_VOICE_TYPE"],
        "encoding": "mp3",
        "speed_ratio": 1.0,
        "volume_ratio": 1.0,
        "pitch_ratio": 1.0,
        "sample_rate": 44100,
    },
    "request": {
        "reqid": str(uuid.uuid4()),
        "text": "你好，这是火山引擎 TTS 合成测试。",
        "operation": "query",
        "with_frontend": 1,
        "frontend_type": "unitTson",
        "resource_id": os.environ.get("VOLCENGINE_TTS_RESOURCE_ID", "seed-tts-2.0"),
    },
}

resp = requests.post(
    url,
    headers={
        "Content-Type": "application/json",
        "Authorization": f"Bearer; {access_token}",
    },
    json=payload,
    timeout=60,
)
resp.raise_for_status()
result = resp.json()

if result.get("code") != 3000 or not result.get("data"):
    raise RuntimeError(f"TTS failed: {result}")

Path("demo.mp3").write_bytes(base64.b64decode(result["data"]))
print("saved: demo.mp3")

再强调一遍，以上内容都是给 Codex 读的，你完全不必自己通读或弄懂它们。

好了，现在你的 .env 里已经有了环境变量配置，也有了火山的接入方法。让 Codex 去完成最后的配置吧，通常一两分钟，TTS 语音接口就能调通。

步骤五：搞定封面图 —— Codex 自带的 image_gen

因为 Codex 搭载了 GPT-Image-2 模型，所以，如果你希望内容能在小红书或视频号上获得更好的传播，我建议直接让 Codex 用 image_gen 来生成封面。

当然，如果你用的不是原生 Codex，没有 GPT-Image-2 能力也没关系。你完全可以让 Codex 用代码来绘制封面，或者进一步接入即梦等国内的绘图模型来实现。这些方案就不在本文展开了。

---

如果你已经一步步走到这里，那么恭喜你，你的 Codex 已经化身为 NoteBookLM 的绝佳平替了！你可以在几分钟内，将任何知识点或材料，转化成生动的视频解读。

这当然只是个起点。如果你使用的是原生的 Codex，并拥有 GPT-Image-2 的能力，你还能更进一步——用 AI 生成的图片替代 Hyperframes 里由代码绘制的页面，从而制作出类似下面这样视觉冲击力更强的视频，甚至是播客内容。

再次呼应一下本文的开篇，在最近深度使用 Codex 的日子里，我仿佛窥见了 AI Agent 时代，理想的教育应该是什么样子的。我会在未来的文章里，继续和大家分享我的思考与实践，敬请期待。