PPT Skill + Codex + HyperFrames,普通人低成本也能做产品演示

你写一篇文档，没人看完。你做一套 PPT，老板说可以，但客户打开三页就关了。你想做一个 60 秒讲解视频，发现这事突然变成了另一个物种，脚本、配音、字幕、动效、剪辑、封面、导出，随便一个环节都能把人劝退。

更难受的是，产品讲解视频还不一定值得外包。真要花几千块做一条精致片子，当然能好看，但你只是想给新功能做个内部说明，给销售做个客户演示，给课程做个开场介绍，或者给公众号文章配一条短视频。这种需求太碎了，太频繁了，也太不值得每次都走一遍传统视频制作流程。

它把一个原本很贵、很慢、很靠手艺的视频制作流程，拆成了三个普通人也能理解的动作，先把内容整理成 PPT，再让 Codex 把 PPT 变成视频工程，最后用 HyperFrames 把 HTML 渲染成 MP4。

这一下，讲解视频就不再是「找剪辑师做片子」了。

它更像是「把一份会动的网页导出来」。

很多朋友一听「低成本做视频」，第一反应是便宜。便宜当然重要，但我觉得更大的利他点其实是，它省掉了大量沟通成本。

传统做一条产品演示视频，最痛苦的地方不是剪辑本身，而是来回解释。你要告诉对方，这一页产品功能怎么讲，那一段字幕为什么不能这样写，某个按钮出现的时机为什么要提前两秒，某个截图里的信息不能露出来。你解释一遍，对方改一版；对方改一版，你再发现新的问题。来回三次以后，所有人都开始怀疑人生。

但如果我们把视频拆成 PPT 和代码，这个事情就变得很不一样。PPT 负责内容逻辑，Codex 负责把你的意图翻译成可执行的工程，HyperFrames 负责稳定导出视频。你改一句口播，它不是重新沟通需求，而是改一段文本；你改一个画面节奏，它不是重新剪辑，而是改一个时间参数；你想给 10 个客户做 10 个版本，它也不再是 10 次外包，而是 10 次变量替换。

这块我觉得特别适合四类人。一种是产品经理，经常需要给新功能做解释，但又不想每次求设计和视频同事排期；一种是创业者，融资、路演、客户培训、官网素材都要自己扛；一种是课程作者，一套知识点本来就有 PPT，只差把它变成能发出去的视频；还有一种是公众号作者和知识博主，文章写完以后，想顺手拆一条视频发到视频号、B 站或者小红书。

你看，它不是让普通人突然变成导演。

它是把「做讲解视频」这件事，重新降级成一个内容工作流。

这里有一个特别容易踩的坑。很多人会直接对 Codex 说，帮我做一个产品讲解视频。这个说法太大了，太虚了，最后出来的东西通常也会很虚。因为视频不是一个单一产物，它里面至少包含四层东西，讲什么、每一屏出现什么、每句话怎么说、画面怎么动。

所以我更推荐的第一步，是先让 PPT Skill 做一件它最擅长的事，把乱七八糟的资料整理成一套讲得通的演示稿。这里说的 PPT Skill，不一定特指某一个固定插件，你可以理解成 Codex 里的演示文稿能力，或者你自己团队沉淀下来的 PPT 制作技能。它的价值不是把页面做得多花，而是帮你把内容的顺序排对。

这里的关键，是「先不要生成视频」。我知道这句话有点反直觉，大家都想一步到位，但一步到位经常就是一步到沟里。先把 PPT 分镜打磨好，后面的视频才不会散。

我自己的判断是，普通人做讲解视频最容易失败的地方，不是动效不够炫，而是每一屏都想讲太多东西。PPT Skill 的作用，就是帮你把一个大产品拆成几页能听懂的画面。每一页只服务一个观点，视频就自然轻了。

OpenAI Academy 里有一个说法我挺喜欢，Codex 适合那些不只是要一个答案，而是要跨文件、跨工具、跨流程把事情推进下去的任务。它不只是聊天，它能创建和更新文件，也能把一个重复流程跑完。Skills 则更像是一份工作手册，告诉 Codex 你的团队做某件事的固定方法。

放在这个选题里，Codex 的位置就很清楚了。它不是单纯帮你写几行代码，而是把 PPT 分镜、页面素材、口播稿、字幕、时间轴、渲染命令这些东西串起来。

你可以把它想象成一个非常勤快的实习制片。你给它分镜，它帮你整理工程；你说这一页要从左往右推入，它去写 CSS 动画；你说字幕要跟口播对齐，它去改时间点；你说导出 16 比 9 和 9 比 16 两个版本，它去拆两个 composition。

但这里也要讲句实话，Codex 不应该替你决定产品卖点。它能帮你执行，能帮你检查，能帮你把流程跑顺，但它不知道你真正想卖给谁，也不知道客户听到哪句话会突然点头。这部分还是要人来判断。

这也是我觉得这个工作流很舒服的地方。它没有把人从创作里拿掉，而是把人从机械劳动里放出来。你负责判断，Codex 负责执行。

HyperFrames 它是开源的、面向 Agent 的 HTML-to-video 工具，把普通 HTML 变成可发布的 MP4。官方文档里也写得很清楚，它可以把 composition 渲染成本地或 Docker 里的 MP4、MOV、WebM，而且整个渲染是逐帧、可 seek 的。

你可以用网页的方式写一个视频。

网页有标题、图片、卡片、表格、图标、动画。视频也有标题、图片、卡片、表格、图标、动画。以前这两个世界中间隔着剪辑软件，现在 HyperFrames 把它们接起来了。尤其是对 Codex 这种会写 HTML、CSS、JavaScript 的 Agent 来说，这简直就是它最舒服的主场。

你会发现，这个提示词里最重要的一句还是「不要编造产品截图」。AI 做演示视频很容易过度热情，自己脑补一个产品界面。看起来挺像那么回事，但真拿去发就完蛋了，因为客户一眼就会发现那不是你的产品。

所以这套流程要跑得稳，素材必须诚实。你有截图就用截图，没有截图就用结构化占位图。宁可朴素一点，也不要假装自己有。

这套方法虽然很香，但我不想把它讲成魔法。第一次跑出来的视频，大概率不能直接发。你通常要改三处，一处是开头钩子，一处是口播节奏，一处是画面密度。

开头钩子最重要。很多 AI 生成的视频一上来就喜欢介绍背景，什么「本产品旨在帮助企业提升效率」。不是哥们，用户刷到这里已经走了。产品讲解视频的第一句话，最好直接戳到一个痛点，比如「销售每次给客户演示都要重新做 PPT，这个功能就是为了解决这件事」。具体、窄、有人味，才有继续看的理由。

口播节奏也要人改。Codex 很擅长把话写完整，但视频里的话不需要完整，视频里的话要能被听懂。一句话能短就短，一个术语能删就删。尤其是 60 秒视频，宁可少讲两个功能，也要让观众记住一个价值点。

画面密度更不用说。PPT 里一页塞六个要点还能勉强忍，视频里一屏塞六个要点就是灾难。因为视频不给人停下来慢慢读的时间。屏幕前的你可以回想一下，真正让你记住的产品视频，通常不是信息最多的，而是每一屏只让你看一件事。

所以这套流程的正确姿势，不是「一键生成然后躺平」。更像是「一键生成一个能改的半成品」。

这已经很厉害了。因为以前你想得到一个能改的半成品，可能就要先花几天时间搭脚本、找素材、做时间轴、试导出。现在这部分可以让 Codex 和 HyperFrames 先跑起来，人再把最关键的判断补上去。

我会把它用在三类场景里。第一类是产品功能讲解，比如新功能发布、客户培训、销售演示。因为这类视频的核心不是艺术表达，而是把一个功能讲明白。第二类是课程和知识内容，比如把一套 PPT 拆成几条短视频，或者把文章拆成讲解版。第三类是内部汇报，比如周报、项目复盘、数据解读，这种视频不需要华丽，但需要稳定、可复用、能快速改。

它不太适合什么呢？品牌大片、强真人表演、复杂实拍、需要非常精细镜头语言的广告片。那种东西还是应该找专业导演和剪辑师。不是说 Codex 不行，而是工具链的优势不同。HyperFrames 强在确定性、可复用、可批量生产，不是强在电影感的随机灵感。

我觉得这个边界很重要。很多 AI 工具一火，大家就容易把它捧成万能钥匙，最后反而失望。更成熟的用法是承认边界，专门拿它打那些最适合的仗。

而产品讲解视频，正好就是它适合的仗。因为它有明确结构，有固定素材，有可复用模板，有大量类似需求，还经常被预算卡住。

这不就是自动化最喜欢的地形吗。