前面學 Codex 的時候，我一直在理解一件事：Skill 到底和一般 Prompt 有什麼不同？如果只是每次把一大串指令貼給 AI，告訴它要生圖、做影片、轉檔，那其實還不能算真正的自動化。

所以這次我決定不再只看教學，而是真的從零開始，做一個屬於自己的短影音 Skill。我把它命名為 Tina Short Video Skill，目標很單純：讓我未來只要告訴 Codex「今天要做什麼主題」，剩下的圖片生成、影片生成、轉檔與批次管理，都由 Skill 自己處理。

這次實作過程比想像中長，也踩了不少坑，但也正因為真的踩過，我才開始理解：真正有價值的 AI 自動化，並不是「一小時生成幾百支影片」，而是知道哪些事情應該交給 AI、哪些根本不值得花 AI 的錢。

第一步：先把 AI 影片環境真正跑通

我的工作環境是 Windows，專案統一建立在：C:\Tina_AI_Video

這次實際安裝與測試的核心工具包括 Python、FFmpeg、Google GenAI SDK，以及 Gemini API。Python 負責執行各種自動化腳本，Gemini 負責生成首圖與連續動作圖，Veo 負責把首尾幀轉成影片，而 FFmpeg 則負責最後的本機轉檔。

這裡我第一次很明顯感受到「本機工具」的重要性。像影片從 8 秒轉成 5 秒這種事情，其實完全沒有必要再丟給任何付費 AI，只要交給 FFmpeg 就能處理，而且速度快、沒有 API 成本。

實測成功的第一條工作流

最早跑通的流程是：第一張情境圖 → 第二張連續動作圖 → Veo 生成 8 秒影片 → FFmpeg 轉為約 5 秒影片

例如第一張圖是人物坐在雨天窗邊，看著窗外；第二張圖則讓同一個人物拿起桌上的咖啡杯。只要人物、服裝、場景與構圖夠一致，Veo 就能利用首尾幀把中間動作補出來。

這一步成功之後，我才正式確定：這套流程是可以被封裝成 Skill 的。

第二步：把流程封裝成 Tina Short Video Skill

一開始我把 Skill 建在自己的專案資料夾中，後來才進一步讓 Codex 正式辨識。Codex 專案級 Skill 最後放在：

C:\Tina_AI_Video\.agents\skills\tina-short-video-v1

裡面包含主要的 SKILL.md、規則文件與實際可執行 scripts。

最初收進去的核心程式有：

• • generate_first_image.py
  • generate_second_image.py
  • generate_first_video.py
  • make_5sec_video.py

另外還保留過兩個商品相關實驗程式：

• • place_real_product.py
  • generate_holding_product.py

真正讓我覺得「Skill 做成功了」的那一刻，不是檔案放進資料夾，而是 Codex 能夠讀到 Skill、正確列出 scripts，並且真的依照 Skill 去執行 Python、Gemini、Veo 與 FFmpeg。

從那一刻開始，它才不再只是一些散落的 Python 程式，而是一個 Codex 可以理解與使用的工作流程。

第三步：商品置入，成為這次最大的教訓

因為我的其中一個實際品牌是慢慢烘咖啡，所以我當然會想：既然人物與場景都能 AI 生成，那是不是也可以順便把真正的慢慢烘掛耳包放進去？

結果這裡反而成為整次實驗最有價值的一段。

第一次：讓 AI 直接生成商品

效果不好。掛耳包容易被做得太大，像咖啡豆袋，甚至變成小立牌。品牌文字、插畫與包裝細節也可能被重新畫過。

對品牌來說，這是不能接受的。AI 畫得再漂亮，只要 Logo、文字或商品比例錯了，就失去商業使用價值。

第二次：讓人物拿著掛耳包

這次我使用真實商品 Reference，人物手拿商品的效果乍看還可以，但正式批次測試時，竟然出現了「三隻手」。哈哈~

這也讓我重新思考：一般人喝掛耳咖啡，本來就不會特地坐在那裡拿著包裝給鏡頭看。為了商品露出而強迫人物拿商品，反而會讓畫面變得像硬廣告。

第三次：把真實 PNG 貼到桌面

我又試著使用真實透明 PNG，把掛耳包後製到咖啡杯旁邊。接著甚至再做透視、旋轉與陰影，希望它看起來像真的躺在桌面上。

結果還是很明顯像「貼上去的」。

原因很簡單：真實包裝躺在桌面時會有皺摺、反光、厚度、接觸陰影與現場光線，單純把一張平面的透明 PNG 做旋轉與陰影，很難真正騙過人的眼睛。

這一連串失敗最後反而得到一個非常重要的結論：AI 負責情境，真實素材負責品牌。

慢慢烘之後的正式策略，不再要求 AI 畫面一定出現商品。AI 可以負責人物、情緒、雨天、辦公室、閱讀、深夜工作等情境；真正的掛耳包、撕包、掛杯、沖泡與商品特寫，交給手機實拍。

第四步：從「一支一支做」升級成批次生產

Skill 單支能跑通之後，我馬上產生另一個疑問：YouTube 上很多人都說可以一小時生成幾十支、甚至上百支影片，那難道我要一支一支在 Codex 輸入指令嗎？

答案當然是不需要。

真正的批次工作流，應該讓 Codex 一次規劃很多支內容，再由我挑選值得執行的部分。

因此我建立了：C:\Tina_AI_Video\queue\content_queue.csv

這份 CSV 就像影片生產工作單，記錄影片編號、主題、情境、首尾幀、動作、是否核准、執行狀態、輸出路徑與錯誤訊息。

實測第一批時，我一次規劃 5 支影片，再只核准其中 3 支。之後只下一個批次指令，Codex 就自己依序完成首圖、尾圖、Veo 8 秒影片與 FFmpeg 5 秒影片。

這次三支真的批次生成成功，也證明「不用一支一支敲 Prompt」這件事是做得到的。

第五步：技術成功，不代表值得生成

不過真正讓我改變方向的，是看完那三支批次影片之後。

影片技術上沒有問題，人物也自然，畫面也漂亮。但是人物只是拉窗簾、整理文件、寫字，旁邊剛好放著咖啡。

我突然發現：這種畫面 Canva 裡不是一大把嗎？

如果只是普通辦公室 B-roll、閱讀、打字、拉窗簾、通勤或咖啡館生活，我為什麼要花 Gemini 和 Veo 的費用去重新生成？

這裡讓 v1.1 產生了最重要的一次升級。

第六步：加入 Canva、真人、AI 三種素材分流

從這裡開始，我不再把 Skill 定義成「AI影片產生器」，而是希望它變成一個「素材製作主管」。

每一支題材都先判斷：

素材類型	適合內容
Canva / Stock	一般生活 B-roll、辦公、閱讀、通勤、普通喝咖啡
真人實拍	品牌商品、包裝、撕包、掛杯、沖泡、Logo與細節
AI	素材庫難找的特殊情緒、劇情、人物連續動作與客製場景

同時又加入一個很實用的判斷：coffee_role = background / action / story

如果咖啡只是放在桌上，就是 background；如果人物真的拿起、喝下或放下咖啡，就是 action；如果咖啡參與整個故事情緒與轉折，才是 story。

我很喜歡的一個判斷：咖啡移除測試

我後來替 Skill 加了一個非常簡單的問題：「如果把咖啡杯拿掉，這支影片還完全成立嗎？」

如果答案是「是」，那咖啡其實只是背景，通常根本不值得用 Veo。

如果拿掉咖啡之後，故事的情緒或意義就變弱，才可能值得進入 AI 候選。

第七步：AI 候選還要再篩一次

即使第一輪被標成 AI，我也不希望它立刻花錢生成。

所以 v1.1 又加入第二次審核：素材庫真的難找嗎？咖啡是不是故事不可缺少的一部分？5 秒內能不能看懂？有沒有複雜手部或商品操作？AI 相較 Canva 是否真的有明顯價值？

最後只有 AI 價值達 4 分以上，而且成功率不是低，才允許真正進 Gemini＋Veo。

這個機制實測後非常有意思。

一次規劃 10 支題材，第一輪分成 Canva、真人與 AI；原本只有 3 支進入 AI 候選，再經過第二次審核，最後只有 1 支真正值得生成。

這讓我第一次真正理解：大量生產的重點不是「大量 AI 生成」，而是「大量規劃，再少量精準生成」。

第八步：真正值得 AI 的畫面，差別在哪裡？

其中一支我很喜歡的測試題材是：「金繼杯重新盛滿的那一刻」

場景是一個陶藝工作室，雨後的窗邊，人物拿著修復過的金繼杯，再重新盛滿咖啡。

這種畫面就比較難直接從 Canva 找到，因為它需要特定的金繼杯、陶藝空間、雨後氣氛與「修復之後重新開始」的象徵。

另一支我認為 AI 很有價值的，是夜班之後坐在昏暗樓梯間，人物疲憊地拿起咖啡喝一口。這裡咖啡不是桌上的道具，而是故事情緒的落點。

這兩支讓我更確定：AI 真正值得用的地方，是「素材庫很難剛好找到我要的故事」。

第九步：批次工作一定要有斷點續跑

實測批次的時候，我還遇到一個非常實際的問題：Codex 使用額度突然到上限。

當時其中一支影片已經做完首圖、尾圖與 8 秒 Veo，只差 FFmpeg 轉成 5 秒；另一支則還在處理中。

如果批次系統沒有斷點續跑，重新開始就可能把 Gemini 與 Veo 全部再跑一次，等於再付一次錢。

所以我又替 Skill 加上 Resume 規則：檔案存在就跳過，完成過的步驟不重做，只補缺少的部分。

例如 8 秒影片已經存在，就絕對不能重新呼叫 Veo；只差 5 秒影片，就只跑 FFmpeg。

後來實測 Resume 成功，兩支中斷的影片都順利續跑完成，而且 Codex 明確回報沒有重新呼叫 Gemini 或 Veo。

我認為這一點對未來一次跑 10 支、20 支甚至 30 支，比「批次生成」本身更重要。

最後，我現在怎麼看「一小時生成100支影片」？

做完這次實驗之後，我對 YouTube 上常見的「一小時做100支 AI 影片」有了完全不同的理解。

真正值得追求的，不應該是：一小時呼叫 Veo 100 次。

而應該是：一小時規劃100支內容，再讓 AI 判斷其中哪些用 Canva、哪些真人拍、哪些真的值得 AI 生成。

假設規劃 30 支內容，最後可能是 18 支 Canva、7 支真人素材、5 支 AI 候選，再經二次審核之後，也許真正值得 Veo 的只有 3 支。

這種方式雖然「AI生成數量」變少了，但成本更低、內容更自然，也比較不會做出大量看起來都差不多的 AI 流水線影片。

Tina這次最大的心得

這次最大的收穫，其實不是我做出了一個會生影片的 Skill，而是我開始把 AI 當成一個「製作流程」來看，而不是一個「按下去就什麼都做完的工具」。

Gemini 擅長生成與延續畫面，Veo 擅長補動作，FFmpeg 擅長快速轉檔，Canva 擅長提供大量通用 B-roll，而品牌商品最終還是真人素材最可靠。

把每個工具放在最適合的位置，反而比逼所有事情都由 AI 完成有效得多。

目前 Tina Short Video Skill 已經從最早的單支生成，進化到 v1.1：可以簡短呼叫、避免內容重複、先提案再執行、批次工作單、素材來源分流、AI 二次審核，以及批次中斷後斷點續跑。

這個版本我打算先停在這裡，實際使用一陣子再決定下一步。

因為我現在越來越相信：AI 自動化不是功能越多越好，而是最後我需要親手做的事情越少、浪費的成本越少，而且輸出的東西真的能用，才叫成功。