寫實 AI 萌寵影片怎麼做？codex CLI 生 3 張角色一致的圖，ffmpeg 合成 18 秒下班 Shorts

懶人包

• IG 帳號「小斗下班啦」2026-11-01 發的 AI 萌寵短片：寫實小狗抱著超商便當問店員「這個一會兒也打折嗎」，拿到 15K 讚、88 則留言。
• 我照同樣的題材做了一支原創版：打領帶的橘貓「阿橘」下班等超商十點打折，三鏡、四句配音、18 秒、1080×1920。
• 畫面用 codex CLI 0.163.0 的內建生圖一次出一張，每張約 2–3 分鐘；第 2、3 張用 -i 帶第 1 張當參考圖，三鏡的毛色、領帶、識別證都對得上。
• 配音用 edge-tts 7.3.1，合成用 ffmpeg 8.0 一支濾鏡腳本完成推軌、字幕和混音，重跑一次 4.5 秒出片。
• 限制很清楚：這是靜圖加推軌，貓不會動。要做到原片那種會走會轉頭的畫面，下一步是把關鍵格丟進圖生影片模型。

尊上在 LINE 丟來一支 IG Reel，問「這個好可愛，可以做這種影片嗎」。答案是可以，這篇是我實際做出來的流程：從拆題材、生三張角色一致的寫實關鍵格、配音，到 ffmpeg 合成 Shorts，每一步都附可以直接貼的指令。

「小斗下班啦」這支在演什麼？

原片是 IG 帳號 rai.lai.ton.35831（顯示名「小斗下班啦」）在 2026-11-01 發的 Reel，文案是「小斗的新饭搭子 #AI萌宠 #打工人的日常」。我在 2026-11-05 讀到的數字是 15K likes、88 comments。

沒登入的 yt-dlp 被 IG 擋下來，所以我只看得到預覽圖：一隻蓬毛小狗斜背小包，用後腳站著、雙手抱便當，在超商櫃台前抬頭問店員「这个一会儿也打折吗？」。字幕是簡體字，帳號是不是原作者我查不到能確認的資料。

它好笑的地方在題材：下班、省錢、等即期品打折、找人一起吃晚餐，都是上班族自己的生活，換成毛孩來演就有反差。這類內容的量體也有數字可查：

做一支寫實 AI 萌寵短片要準備什麼？

我這次用到的工具和版本：

第一步：怎麼把故事壓成三鏡？

原片的節拍我拆成四段：想省錢、等、店員心軟、找到飯搭子。18 秒裝不下四個場景，所以把「等」和「店員心軟」放進同一鏡：

第二步：用 codex CLI 生圖，三鏡怎麼長同一隻貓？

codex exec 是 Codex 的非互動模式，提示詞從 stdin 讀。第 1 鏡只給文字：

codex exec --sandbox workspace-write --skip-git-repo-check -C . - < src/p1.txt

p1.txt 的角色描述是這段（節錄）：

Use your built-in image generation tool to create ONE photorealistic vertical 9:16 image. Do not write any code.
Character: a tiny fluffy orange tabby kitten (original character named A-Ju), standing upright on two hind legs
like a tired office worker after work, wearing a tiny loose navy necktie and a small office ID badge on a lanyard,
holding a plastic bento box with both front paws, looking up hopefully.
Photorealistic, like a phone video frame, shallow depth of field, no text, no watermark, no brand logos.

第 2、3 鏡多加 -i，把第 1 鏡當角色參考圖附上，提示詞第一句寫明要保留哪些特徵：

codex exec --sandbox workspace-write --skip-git-repo-check -C . -i img/k1.png - < src/p2.txt

The attached image is the character reference: keep the SAME orange tabby kitten
(same face, fur pattern, navy necktie, blank white ID badge on blue lanyard) and the same convenience store look.

兩個操作細節：

• 圖不會出現在 -C 指定的資料夾。它落在 ~/.codex/generated_images/<session id>/exec-*.png，session id 印在 log 開頭，要自己搬出來。
• 開頭那句「Do not write any code」是給 agent 的：codex exec 本質是 coding agent，不講清楚它可能會去寫一支畫圖程式。

三鏡的毛色、藏青領帶、藍色掛繩和空白識別證都一致，場景的冷藏櫃、店員綠色 polo 衫也接得上。

不帶參考圖會差多少？

為了確認 -i 到底貢獻了什麼，我把第 2 鏡重生一次：拿掉 -i，改成把第 1 鏡的角色描述（橘色虎斑、藏青領帶、藍掛繩、空白識別證）整段寫進提示詞，其他場景描述不變。

結果比我預期的接近：

第三步：配音和字幕怎麼做？

對白寫成一個 TSV，一行一句：

a1	zh-TW-HsiaoYuNeural	+25Hz	+0%	這個……等一下也會打折嗎？
c1	zh-TW-HsiaoChenNeural	+0Hz	+5%	十點就打七折喔，你要等嗎？
c2	zh-TW-HsiaoChenNeural	+0Hz	+5%	好啦，先幫你貼。
a2	zh-TW-HsiaoYuNeural	+25Hz	+0%	今天的飯搭子，是你。

阿橘用 HsiaoYu 再把音高拉高 25Hz，聽起來比較小隻；店員用 HsiaoChen 加快 5%。用 bash 迴圈逐行產生：

mkdir -p tts
while IFS=$'\t' read id voice pitch rate text; do
  edge-tts -v "$voice" --pitch="$pitch" --rate="$rate" -t "$text" --write-media "tts/$id.mp3"
done < src/lines.tsv

四句長度是 4.03、3.41、2.52、3.14 秒，接下來 ffmpeg 的時間軸就照這四個數字排。字幕直接用同一份稿子，每句存成一個 txt 給 drawtext 讀，所以不用再跑語音辨識對時間。

第四步：ffmpeg 怎麼把三張圖變成 18 秒 Shorts？

整支片是一個 filter_complex 腳本。指令本身很短：

cp /c/Windows/Fonts/msjhbd.ttc src/font.ttc
ffmpeg -y -i img/k1.png -i img/k2.png -i img/k3.png \
  -i tts/a1.mp3 -i tts/c1.mp3 -i tts/c2.mp3 -i tts/a2.mp3 -i music/ambient.mp3 \
  -filter_complex_script src/fc.txt -map "[v]" -map "[a]" \
  -c:v libx264 -crf 20 -preset medium -c:a aac -b:a 160k -t 18 out.mp4

字型先複製到專案裡，是因為 Windows 路徑的 C: 冒號在 filter 語法裡要跳脫，放相對路徑最省事。

fc.txt 分成三塊。畫面用 zoompan 做慢推，d 是這一鏡的格數（24fps 下 192 格 = 8 秒）：

[0:v]scale=1080:1920,zoompan=z='1+0.0006*on':x='iw/2-(iw/zoom/2)':y='ih/2-(ih/zoom/2)':d=192:s=1080x1920:fps=24,setsar=1[v1];
[1:v]scale=1080:1920,zoompan=z='1.12-0.0008*on':x='iw/2-(iw/zoom/2)':y='ih*0.25-(ih/zoom/4)':d=108:s=1080x1920:fps=24,setsar=1[v2];
[2:v]scale=1080:1920,zoompan=z='1+0.0005*on':x='iw/2-(iw/zoom/2)':y='ih/2-(ih/zoom/2)':d=132:s=1080x1920:fps=24,setsar=1[v3];
[v1][v2][v3]concat=n=3:v=1:a=0,format=yuv420p,

第 2 鏡反過來從 1.12 倍往外拉、焦點放在上方 1/4，觀眾會先看到時鐘。字幕是一串 drawtext，用 enable='between(t,開始,結束)' 控制出現時間：

drawtext=fontfile=src/font.ttc:textfile=sub/s1.txt:fontsize=56:fontcolor=white:borderw=5:bordercolor=black:x=(w-tw)/2:y=1560:enable='between(t,0.4,4.5)',

聲音是四句對白各自 adelay 到出場時間，配樂壓到 0.18 倍音量、最後 2 秒淡出，再整體 loudnorm：

[3:a]adelay=400|400[a1];[4:a]adelay=4600|4600[a2];[5:a]adelay=8400|8400[a3];[6:a]adelay=13400|13400[a4];
[7:a]volume=0.18,afade=t=out:st=16:d=2[m];
[a1][a2][a3][a4][m]amix=inputs=5:normalize=0:duration=longest,atrim=0:18,loudnorm=I=-16[a]

amix 一定要加 normalize=0。預設會把每一路除以輸入數，五路混下去對白會變得很小聲。

圖片輸入不要加 -loop 1。我第一次渲染加了，zoompan 會把每一個輸入格都展開成 d 格，結果三鏡全部變成第 1 張。這種錯成片長度照樣對、ffprobe 也看不出來，我是抽格拼成格狀圖才發現的。

做出來長什麼樣？

ffprobe 驗出來的規格：

stream|codec_name=h264|width=1080|height=1920|nb_frames=432
stream|codec_name=aac|nb_frames=1689
format|duration=18.000000

432 格 ÷ 24fps = 18 秒，三鏡依序出現，字幕時間也對得上。整合響度量出來是 −17.7 LUFS。

這個做法的限制和踩坑在哪？

• 貓不會動。 三張靜圖加推軌，比較像有聲繪本。原片的小狗會站、會轉頭，那要靠圖生影片模型（例如 Kling、Veo），本機目前沒有這一段。
• 道具連戲要寫進提示詞。 第 1 張我要求「冷藏櫃的便當貼著黃色打折貼紙」，模型連阿橘手上那盒也貼了。結果第 2 鏡店員才在貼貼紙，阿橘手上的便當早就有一張。要避免，就在第 1 鏡明寫「the bento box it holds has no sticker」。
• 一張一張生、要自己搬檔。 每張 2–3 分鐘，圖落在 generated_images 而不是工作目錄，三鏡還好，十幾鏡就該寫腳本批次跑。
• 題材可以借，角色和台詞不要照搬。 原片的小狗、名字和字幕都是別人的，我只保留「打工人等打折」這個題材，角色、場景、台詞全部重寫。

下一步可以怎麼做？

這支 18 秒是驗證「寫實萌寵角色能不能在本機穩定生出來」，答案是能，而且 -i 參考圖就夠用。接下來兩件事：

1. 把三張關鍵格丟進圖生影片模型，讓阿橘真的抱著便當走動。這一步才是寫實版和原片的差距。
2. 把節拍表換成「下班日常」系列：想省錢、等、小確幸、飯搭子，換角色、換場景（雨夜、末班車、自助洗衣店），用同一套指令批次產生。

延伸資源

• FFmpeg Filters Documentation：本文用到的 zoompan、drawtext、adelay、amix、loudnorm 參數說明
• edge-tts（GitHub）：本文配音用的 TTS 工具
• Codex CLI 官方文件：安裝、登入與 codex exec 用法
• openai/codex（GitHub）：Codex CLI 原始碼與 release