Vox 是一个视频代理技能，输入一张照片和一个想法，输出一段 6 至 15 秒的纸质拼贴动画，外观模仿 Vox 解说纪录片。之后每次修改都只需再加一条提示词：换一个人、换一个地点、换一个物体，动画结构保持不变。
项目目录结构位于 video-agent/vox/<slug>/（slug 为 2 至 4 个单词的想法，kebab-case 命名）。目录中包含：photo.jpg（用户原始照片，不做改动）、layers/（拼贴的每一层，带 alpha 的 PNG，另有 JPG/PNG 底板）、raw/（抠像前的 Codex 渲染结果与任务日志）、shots.json（提交给 Codex 的图层清单：名称、类型、宽高比、主体）、animation.html（动画本体，含 window.setT(t)，可在任意浏览器打开播放）、capture.mjs（帧转 MP4）以及最终 <slug>.mp4。
使用方式按以下流程进行：
一、工具准备（一次性）。检查 codex --version 与 codex login status、ffmpeg -version、node --version。Codex 缺失可用 npm i -g @openai/codex（需 Node 20+）或 brew install codex 安装；登录由用户自行执行 codex login（Sign in with ChatGPT），不要在对话中索要密钥或密码。ffmpeg 缺失按平台安装：macOS 用 brew install ffmpeg，Linux 用 sudo apt install ffmpeg，Windows 用 winget install ffmpeg。随后在目录中执行 npm init -y 并安装 puppeteer@24（用于截帧的无头 Chrome，一次性下载）。
二、制定方案（一条消息，等待确认）。基于照片与想法像排版杂志页面一样规划拼贴与动作。主体始终使用真实照片，绝不交由 AI 重绘（脸部会漂移），抠图后由代码在页面上印刷为半调网点。另需一个全画幅 9:16 的背景底板（天空、城市、地图、桌面、做旧纸张等），以及 3 至 6 个剪贴层（纪念碑、报纸、钞票、汽车、建筑、云、鸟等），每层独立便于单独运动。动作设计为 6 至 15 秒：镜头全程缓慢推进，图层每 0.5 至 1.5 秒依次入场（滑入、自下升起、自上落下、撕纸擦除），并保持某些持续微动（云飘、双剪贴层扇动的鸟、飘落纸币），如有标题则以撕纸条形式呈现（地点与年份、名称）。整体遵循 12fps 定格节奏。以编号列表展示图层并给出 4 至 6 行动作时间线，等待用户确认，每个图层对应一次 Codex 图像生成。
三、照片抠图，绝不重绘。将用户照片复制为 photo.jpg，使用 uvx --from "rembg[cpu,cli]" rembg i 生成 layers/hero.png。uvx 随 uv 提供（安装脚本或 pip install uv），首次运行会下载模型（约一分钟）。检查 PNG 是否为干净剪影、无残留背景。若抠图不佳或没有 uv，可保留照片为矩形印刷版式，这同样很 Vox：以 layers/hero.jpg 作为带白边和撕纸边缘的印刷品放置（见 references/animation.md 中“The photo as a print”）。若对象从未有照片（如拿破仑、画作），可用公共领域（Wikimedia Commons）的版画或绘画，按同样方式抠图。仅使用已获同意的人物照片或公共领域图像；如用户发送他人照片，提醒一次。半调网点、白色剪刀边框与阴影均由页面添加，真实照片保持原样。
四、用 Codex 生成图层。编写 shots.json，按 references/look.md 构建每条提示词：主体 + 抠图用绿幕语句 + 风格语句。提示词中绝不出现“Vox”一词，图像中不得有商标、文字标或任何可读文字（报纸和纸币仅使用不可辨识的文字纹理）。按 references/look.md 的命令运行任务，后台每次 3 个，命令末尾始终加 < /dev/null，单个任务约 1 至 3 分钟。随后对每个剪贴层执行色度抠像（ffmpeg colorkey 与 despill 滤镜链，输出带 alpha 的 RGBA PNG）。逐层目视检查：放在红底上查看是否有绿色边缘（对应 ffmpeg 检查命令），确认无文字或字母。不合格则修正主体后重跑该层。
五、动画页面。按 references/animation.md 的模板（完整页面已提供并测试过）编写 animation.html，并适配方案中的图层、尺寸、位置与 setT 时间线。保持 setT(t) 为 t 的纯函数，因为截帧会逐帧调用。在浏览器中打开预览（自动播放）：open（macOS）、xdg-open（Linux）、start（Windows）。在截帧前修正显示异常。
六、渲染 MP4。按 references/animation.md 编写 capture.mjs，然后执行 cd <dir> && node capture.mjs animation.html <slug>.mp4。渲染速度约为每 1 秒视频耗时 4 秒。交付前抽查起始、中间、结束 3 帧（对应 ffmpeg 抽帧命令）。交付 MP4 路径。音乐或配音由用户在自己的剪辑软件中添加，或使用 /short-editing。
七、用一条新提示词修改。在同一目录、同一页面中只改需要变化的部分：换人（如“用拿破仑来做”）时生成新主体（第三步），沿用相同图层与时间线，页面替换 layers/hero.png 后重新截帧；换物体或地点时新增一个 Codex 图层（第四步）并放入页面，其余不变；换动作或时序时只改 setT；换格式参见 references/animation.md 的“Formats”。绝不要重新生成未变更的图层。
适用场景：将单张照片快速转为具有 Vox 解说纪录片风格的纸质拼贴短片，适合需要动态剪贴叙事的短视频制作。
已知限制：Codex 的图像工具自行决定细节，图层可能带有文字或绿色边缘，必须逐层检查；内容复杂的照片抠图可能丢失头发或手指，此时印刷版式是安全回退方案；每个图层都会计入用户 ChatGPT 套餐的 Codex 用量限制；风格灵感来自 Vox 纪录片，但屏幕上绝不使用其名称、商标或文字标。