我用 Codex 做了一套中国历代图志：从22张朝代图到完整视频

这是一篇生成实践

上一篇文章里，我用 7 个 Prompt 实测了 GPT Image 2，最后得到一个结论：好 Prompt 不是一串“高级感、电影感、8K”的形容词，而是一份视觉规格书。

这一次，我想继续往前走一步：一份视觉规格，能不能从一张图扩展到 22 张系列图，再进一步变成一支完整视频？

最初的需求其实只有一句话：

把 awesome-gpt-image-2 克隆到项目本地，参考其中的 Prompt 技巧，生成中国历史上各个朝代的图。

随后，需求在生成过程中不断变化：信息太少，需要更全面；每张图要抓住这个朝代最重要的内容；色调不能都一样；场景也不能总是宫殿和人物；最后，还要把整套图片做成一支节奏舒缓、方便阅读的视频。

最终，我得到了一套从夏到清的 22 张高彩历史信息图，以及一支 188 秒的竖屏视频：1080×1920、60fps，每个朝代停留 8 秒，只有非常轻微的推近和叠化，没有旁白，配了一段本地生成的原创器乐。

成片插入位置

公众号发布时，建议在这里单独上传完整成片 final.mp4。本地 HTML 复制到微信编辑器时不会自动携带视频文件。

这篇文章完整记录这次生成过程，重点分享三件事：Prompt 怎样设计，系列图片怎样迭代，以及静态图怎样进入 HyperFrames 视频。

先从 Prompt 案例库里找方法

我把 awesome-gpt-image-2 克隆到本地后，重点看了两类模板：信息图和历史古风题材。

开源项目

freestylefly / awesome-gpt-image-2

https://github.com/freestylefly/awesome-gpt-image-2

信息图模板解决的是结构问题：标题放在哪里，需要几个模块，模块之间怎样建立阅读顺序，文字应该控制到多短。

历史题材模板解决的是内容问题：朝代、服饰、建筑、器物和场景必须明确，还要主动排除现代物品和不同时代元素的混搭。

把两类模板合在一起后，我没有直接写“生成一张唐朝历史图”，而是把任务拆成八个部分：

1. 这是什么交付物；
2. 画的是哪个朝代；
3. 这个朝代最重要的主题是什么；
4. 哪些历史信息必须出现；
5. 用什么场景承载这些信息；
6. 信息模块怎样排列；
7. 使用什么色彩、材质和光线；
8. 哪些错误绝对不能出现。

这一步非常重要。模型如果只收到“唐朝、古风、高级感”，大概率会生成一张穿着古装的人物海报；但我要的不是古风插画，而是一张能够同时表达制度、经济、文化和交流的历史信息图。

第一版：先建立一份朝代信息图母 Prompt

下面这份 Prompt 是根据实际生成过程整理出的可复用版本。它不是从图片元数据中恢复的逐字原始记录，而是把多轮有效约束重新组织成了一份更容易复现的模板。

任务：
为“中国历代图志”生成一张【朝代名称】历史信息图。
面向对中国历史感兴趣的普通读者和学生，让观众在几秒内看懂这个朝代最重要的信息。

文字合同：
- 主标题必须清晰显示：【朝代名称】
- 副标题显示：【起止年代】
- 画面只使用简体中文短句
- 必须出现以下一级信息：【核心主题一】【核心主题二】【核心主题三】
- 每个说明控制在一至两行，不要生成大段正文

信息结构：
- 顶部：朝代名称、年代和一句话定位
- 中心：一个能够代表该朝代的历史主场景
- 四周：3—5 个信息模块，分别表达制度、经济、文化、科技、交流或历史影响
- 使用细线、器物、地图纹理或小型场景连接模块，建立清晰阅读顺序
- 中心场景是第一视觉焦点，文字和辅助图形不得喧宾夺主

历史内容：
- 核心定位：【这个朝代最重要的一句话】
- 政治制度：【内容】
- 代表人物或群体：【内容】
- 经济与社会：【内容】
- 文化与科技：【内容】
- 对外交流或历史影响：【内容】

场景设计：
描绘【具体地点、事件和人物动作】，人物正在【动作】，而不是静止站立。
服饰、发式、建筑、交通工具、兵器和日常器物符合【朝代名称】时代特征。

视觉风格：
历史编辑信息图，电影级叙事场景结合工笔细节和轻微水墨、壁画或古籍纹理；
信息层级清楚，既有历史氛围，也保持现代出版物的可读性。

色彩与光线：
主色【颜色】，辅助色【颜色】，强调色【颜色】；
使用【清晨／正午／夕阳／雨夜／雪原／灯火】光线，让场景与朝代气质一致。

输出：
竖版 9:16，高细节，完整页面，正文位于安全区内，不裁切标题和文字。

禁止项：
不要现代建筑、现代服装、现代文字界面、水印和品牌标志；
不要混用其他朝代的典型服饰、发式和器物；
不要乱码、伪汉字、密集小字、重复人物和无意义装饰；
不要把信息图画成只有帝王肖像的普通古风海报。

以唐朝为例，我没有只填“盛唐气象”，而是把变量写得更具体：中心场景是夕阳下的长安市集，商旅、使节、骆驼和坊市共同形成开放交流的画面；一级信息包括三省六部、科举发展、诗歌书法和陆海丝绸之路；色彩使用朱红、琉璃蓝、鎏金和暖橙。

这样生成的重点就不再是“一个唐朝人”，而是长安、制度、文化与交流共同组成的盛唐。

真实生成过程：问题不是不好看，而是信息不够

第一批图片生成后，画面的历史气质已经成立，但问题也很明显：信息太少。

一张图里可能只有朝代名称、一位人物和两三个器物。它能让人感到“这是古代”，却无法回答“这个朝代最重要的变化是什么”。

于是，第二轮生成不再追求增加装饰，而是增加信息结构：年代、一句话定位、制度、经济、文化、人物和历史影响。与此同时，我把每个模块的文字压缩成短标题加一两句说明，避免信息图变成一堵文字墙。

但信息增加以后，又出现了第二个问题：内容很多，重点仍然不够突出。

解决办法不是继续加字，而是为每个朝代确定一个中心命题。比如：

• 秦朝不是简单罗列兵马俑、长城和秦始皇，而是突出“大一统制度的建立”；
• 西汉突出中央集权、丝绸之路与帝国扩展；
• 北宋突出文官政治、城市商业与科技文化；
• 元朝突出行省制度、驿站网络与欧亚交流；
• 清朝突出多民族疆域、盛世治理与近代转折。

每张图只保留一个中心命题，其他信息都为它服务。画面因此变得更像知识内容，而不是历史元素拼贴。

第二次升级：解决色调和场景单一

完成一轮后，我发现 22 张图放在一起仍然有明显问题：大量页面都使用暗金、土黄和棕色，主场景也集中在帝王、宫殿和朝堂。

单张看没有大问题，连续观看却很容易疲劳。

因此，第三轮 Prompt 加入了一条新的原则：版式保持统一，场景与色彩必须变化。

请重新生成这张朝代信息图，保留已经确认的历史主题、文字层级和系列版式，
但升级为“高彩场景版”。

内容要求：
- 不减少年代、制度、经济、文化、人物和历史影响等核心信息
- 第一眼必须看出这个朝代最重要的历史特征
- 文字继续使用短标题和短说明，保持完整可读

场景升级：
- 不要重复使用帝王正面站立、宫殿背景和静态陈列
- 为【朝代】选择专属主场景：【城市／战场／港口／草原／运河／学宫／窑场／商路／铁路】
- 人物必须在场景中发生行动，让制度、生产、贸易、战争或文化交流变得可见
- 增加前景、中景和远景，建立更强的空间叙事

色彩升级：
- 主色：【专属主色】
- 辅助色：【辅助色】
- 强调色：【强调色】
- 光线：【夕阳／雨夜／雪光／火光／晨雾／灯市】
- 保留真实材质与历史质感，但避免整页被棕色、暗金色或低饱和灰色覆盖

系列一致性：
- 标题、年代、信息模块和安全区与其他页面保持一致
- 允许每个朝代拥有不同的场景、天气、光线和颜色
- 不添加现代 UI、无关英文、乱码和额外朝代元素

输出：竖版 9:16，高细节、高彩但不过度饱和，适合手机端连续观看。

这次调整后，唐朝变成夕阳下的长安市集，北宋是雨夜中的汴京商业街，南宋使用日出港口和海贸场景，辽进入雪原行宫，西夏转向星夜沙漠与文字文明，明朝出现窑火、运河与制造业，清朝则用冷雨、铁路和传统城市共同表达近代转折。

这里还有一个很现实的决定：新版标准确定以后，早期已经生成的图片也要重新做。

系列内容不能只看单张图是否好看。只要前后页面的信息密度、颜色或构图明显不同，进入视频后就会产生断层。因此，最后进入视频的不是“每个朝代曾经生成过的最好版本”，而是按同一套高彩标准重新整理过的 22 张最终版本。

从 22 张图片到一支视频

图片完成后，我让 Codex 参考本地 Auto-Vedio 工程中的视频制作 Skill，使用 HyperFrames 组织时间线。

我一开始就提出了一个反常规要求：不要使用太多动画，每一页停留久一点。

因为这些图片本身已经包含大量信息。如果再让标题飞入、卡片弹跳、粒子扫过、镜头快速推拉，观众反而没有时间阅读。视频在这里不是第二次创作一套复杂视觉，而是负责三件事：建立时间顺序、控制阅读节奏、给 22 张图加上统一包装。

最终使用的视频 Prompt 可以整理成下面这份版本：

使用 HyperFrames 将本地 22 张“中国历代图志”高彩信息图制作成竖屏视频。

素材顺序：
严格按照夏、商、西周、春秋、战国、秦、西汉、东汉、三国、晋与十六国、
南北朝、隋、唐、五代十国、北宋、南宋、辽、西夏、金、元、明、清排列。

输出规格：
- 1080×1920，9:16，60fps
- H.264 视频，AAC 48kHz 立体声音频
- 片头 6 秒，22 个朝代页面各 8 秒，片尾 6 秒
- 总时长 188 秒

画面规则：
- 每张原图必须完整显示，前景使用 contain，不得裁切标题、年代和说明文字
- 使用同一张图作为 cover 背景，暗化、柔焦并轻微降低饱和度，填满竖屏
- 前景加入克制的暖金细边框，整体采用深青墨色博物馆展陈风格
- 不额外叠加会遮挡原图的正文和页码

运动规则：
- 相邻页面使用 0.8 秒柔和交叉叠化
- 每页只允许 1%—2% 的缓慢推近或极轻微水平、垂直漂移
- 不使用弹跳、旋转、3D 翻页、故障、闪白、粒子和快速擦除
- 观众必须有足够时间阅读图片中的信息

音频：
- 无旁白、无口播字幕
- 使用原创舒缓器乐，带轻微五声音阶气质、低频持续音、柔和钟声和稀疏拨弦
- 无强鼓点，不做节拍卡点；开头淡入 3 秒，结尾淡出 4 秒

验收：
- 检查片头、22 个朝代页面和片尾的时间顺序
- 检查所有图片完整入框、无拉伸、无文字遮挡
- 检查持续黑帧、异常静音、音视频流、分辨率、帧率和总时长

时间线最终非常简单：

片头 6 秒 + 22 × 8 秒 + 片尾 6 秒 = 188 秒

每个朝代进入时先用 0.8 秒完成叠化，随后保留约 7.2 秒稳定阅读。图片在 8 秒内最多放大 1.8%，相邻页面交替进行很轻的横向或纵向漂移。

竖屏适配：宁可保留留白，也不能裁掉正文

最终信息图尺寸约为 1003×1568，并不是标准 9:16。如果直接放大铺满 1080×1920，左右或上下必然有内容被裁掉。

这里采用了一个很实用的两层结构：

• 前景放清晰原图，使用 object-fit: contain，保证整页完整；
• 背景使用同一张图放大铺满，再进行模糊、暗化和轻微降饱和。

这样既保留了原图全部文字，又不会出现突兀的纯黑边。深青墨色遮罩与暖金细边框把不同色彩的 22 张图片统一在同一个“数字博物馆展柜”中，而图片本身的颜色仍然保留。

没有旁白，音乐也由本地生成

这支视频没有使用现成音乐，也没有调用付费音乐生成服务。项目里用一段 JavaScript 脚本直接合成了 188 秒、48kHz、双声道 WAV。

音乐由四组缓慢变化的持续和弦、五声音阶倾向的钟声、稀疏拨弦和极轻的空气噪声构成。每 16 秒进行一次和声过渡，钟声约每 4 秒出现一次，拨弦约每 8 秒出现一次；开头淡入 3 秒，结尾淡出 4 秒。

它的作用不是抢走注意力，而是让 22 个静态页面之间保持连续。最终音频平均电平约为 -29.8dB，峰值约为 -18.6dB，整体刻意保持在低干扰范围。

生成视频时遇到的几个真实问题

整个过程并不是一次渲染成功。

首先是字体。HyperFrames 检查发现中文字体发生回退，我把本机使用的宋体、仿宋和 Georgia 字形复制到项目内，并通过 @font-face 固定加载，避免不同环境下片头和片尾排版漂移。

第二个问题是重复素材。最初前景和柔焦背景都使用了 <img>，素材检查会认为同一张图片被重复发现。后来把背景改为 CSS background-image，页面中只保留一个真实的前景图片节点。

第三个问题来自自动巡检。放大的柔焦背景超出画面本来是有意设计，却一度被误判为页码装饰溢出。检查后发现额外页码并没有提供真正的信息价值，于是直接移除，画面反而更克制，重新抽检 30 个时间点后不再出现问题。

最后是 FFmpeg 环境。系统里的快捷入口在受限环境中不可直接执行，项目最终使用本机已有的 FFmpeg 可执行文件和相邻 DLL 完成渲染、探测、黑帧与静音检查。

这些问题都不属于“创意 Prompt”，却直接决定了一套生成素材能否真的变成可交付视频。

最后一步：不要用“看起来不错”代替检查

最终成片进行了几层检查：

• HyperFrames lint 为 0 个错误；
• validate
  
   没有控制台和对比度错误；
• 对 30 个时间点进行布局巡检，结果为 0 个问题；
• 片头、22 个朝代和片尾共 24 个关键帧全部生成并人工查看；
• 没有检测到持续黑帧；
• 没有检测到超过 2 秒的异常静音；
• 最终视频为 1080×1920、60fps、H.264 与 AAC，总时长 188.021 秒。

项目评分卡最终得到 96/100。扣分主要来自两个边界：22 页共用一条连续时间线，源文件较长；图片中的历史小字属于 AI 生成的栅格内容，还没有完成逐字 OCR 和专业史实审核。

后一点尤其需要强调：生成质量和内容准确性是两件事。这套图片已经通过版式、完整展示和视频技术检查，但如果要用于正式教学、出版或商业传播，仍应进行人工史实、年代和错别字复核。

这次实践之后，我对 Prompt 又多了一层理解

单张图片的 Prompt 解决的是“这一张画什么”。系列生成的 Prompt 还要解决“哪些东西始终不变，哪些东西必须变化”。视频 Prompt 则继续增加时间、节奏、运动、声音和技术验收。

三者可以写成一条很清楚的链路：

内容结构 → 单张视觉规格 → 系列不变量与变量 → 视频时间规格 → 技术检查

我从这次实践中带走了五条经验：

1. 先定义信息结构，再描述视觉风格；
2. 每个朝代只保留一个中心命题，其他信息为它服务；
3. 系列一致不等于所有图片使用相同颜色和场景；
4. 知识型视频首先要给观众阅读时间，动画数量并不是价值；
5. AI 可以负责生成和组织，人仍要负责事实、取舍与最终验收。

Codex 在这次任务里更像一个持续工作的生成台：它读取参考项目，整理 Prompt，按顺序管理 22 张素材，再把图片、动画、音乐和检查串在一起。真正让结果从“几张不错的图”变成“一支完整视频”的，不是某一句神奇指令，而是一轮又一轮明确反馈和可检查的中间结果。

如果你也想做一套连续视觉内容，可以先从本文的三份 Prompt 开始：一份控制单张信息图，一份控制系列的色彩和场景，一份控制视频的时间与运动。先生成三张验证结构，再扩展到完整系列，通常会比一开始批量抽卡稳定得多。

项目与成片

Prompt 参考项目

freestylefly / awesome-gpt-image-2

https://github.com/freestylefly/awesome-gpt-image-2

完整成片

发布前边界

22 张图片已经通过版式、完整展示和视频技术检查，但图片中的历史小字属于 AI 生成的栅格内容，尚未完成逐字 OCR 和专业史实审核。用于正式教学、出版或商业传播前，仍需人工复核史实、年代与错别字。