怎样制作AI视频：从脚本到成片的完整工作流拆解

制作AI视频失败的原因，九成不是工具不行，而是顺序错了。最常见的错法是：先用AI生成一堆画面，回头再想脚本，结果发现画面和文案对不上，全部重做。

正确的顺序是反过来的：先有脚本，再有分镜，然后生成画面，最后配音和剪辑。这条流水线的每一段都有明确的输入和输出，搞清楚每一步该交出什么，你就不会在中间反复返工。

这篇文章把整条链路拆成六个环节，每个环节讲清楚：输入什么、输出什么、用什么工具、哪里最容易翻车。走完一遍，你会拥有一条自己的流水线，下次做视频直接套用。

环节一：脚本——先定结构再写字

脚本的三个必备件

一个能直接生产的AI视频脚本，必须有这三样：

要件	作用	合格标准
一句话立意	决定全片方向	能判断真假，有观点
分段结构	决定节奏	开头3秒抓人，中段有信息，结尾有行动指令
逐镜头文案	决定画面内容	每条对应一个镜头，长度与镜头时长匹配

多数人写的脚本缺第三样——文案是整段的，没有切分成镜头。AI生成画面的时候，你只能把整段话硬拆，拆出来的镜头逻辑混乱。所以脚本阶段的最后一道工序，永远是”切镜头”：把文案切成一条一条，每条标注时长和画面描述。

切镜头的实操方法

拿一篇口播文案举例。60秒的视频，语速大约每秒4到5个字，全文250到280字。切分的原则是一个镜头只说一件事：

“这个工具我用了三个月”——镜头1，时长3秒，画面：真人出镜或产品特写。
“它帮我省掉了每天两小时的剪辑时间”——镜头2，时长4秒，画面：剪辑界面录屏。
“方法很简单，三步”——镜头3，时长3秒，画面：屏幕出现”三步”字样。

切完之后逐条检查：每条画面描述是否具体到”能直接喂给AI”？”产品特写”太模糊，要写成”一只手持手机，屏幕显示深色界面，背景虚化的办公室”。

脚本的AI辅助写法

让AI写脚本，提示词必须给足四个信息：视频时长、目标平台、受众画像、核心卖点。缺一样，AI就会用通用模板填充，出来的东西平庸。

一个可直接复用的提示词骨架：”写一条60秒的抖音带货脚本，产品是XXX，受众是25到35岁的职场女性，核心卖点是省时间。要求：开头3秒抛出痛点，中段给三个证据，结尾引导点击购物车。输出按镜头切分，每条标注时长和画面描述。”

拿到输出后，重点改两处：一是画面描述的颗粒度（AI通常写得太虚），二是开头三秒（AI爱用”大家好”，直接删掉重写）。

环节二：分镜——把文字翻译成画面语言

为什么需要单独的分镜环节

脚本回答”说什么”，分镜回答”怎么拍”。同一个信息，俯拍和仰拍、近景和远景，传递的情绪完全不同。跳过分镜直接生成画面，你会得到一堆”能用但平庸”的镜头，拼起来没有节奏。

分镜不需要画图，一张表就够了。每行四个字段：镜头编号、景别、画面内容、备注（运动方式或转场提示）。

镜头	景别	画面内容	备注
1	特写	手指点击手机屏幕上的生成按钮	快推
2	中景	屏幕出现生成进度条，人后退靠上椅背	固定
3	近景	屏幕展示成品视频画面	缓慢横移

给AI写分镜的正确姿势

把脚本贴给AI，让它补分镜表。提示词的关键是给出景别库和运动库，否则它只会用”中景+固定”这一种组合：

“请为以下脚本生成分镜表。景别可选用：大远景/远景/全景/中景/近景/特写。运动可选用：固定/推/拉/摇/移/跟/升降。要求：相邻镜头景别必须有变化，高潮段落用特写，信息段用中景。”

环节三：生成画面——AI视频的图生视频优于文生视频

先出图，再让图动起来

这是2026年AI视频生产最重要的一个共识：文生视频的不可控性太高，图生视频才是主力路线。

流程是：先用文生图工具（Midjourney、即梦、FLUX等）把每个镜头生成一张静态图，确认构图、色调、人物形象都对了，再用图生视频功能让它动起来。这样做的成本是多一步出图，换来的是每个镜头”开拍前就能预览”。

具体分工：文生图负责”这一帧长什么样”，图生视频负责”这一帧怎么动”。两件事分开控制，出错的排查也简单——画面不对改图，动作不对改视频提示词。

图生视频的提示词要点

图生视频的提示词只描述运动，不描述画面内容（画面已经在图里了）。写运动的句式是”主体动作+镜头运动+环境变化”：

“女孩缓缓抬头，镜头轻微推近，窗外的雨势变大，光线逐渐变暗。”

三个常见错误：一是把画面描述又写了一遍（浪费字数还可能改变形象）；二是动作写太多（几秒钟的镜头只承载一到两个动作）；三是不写镜头运动（画面会呆滞，像动态照片）。

生成参数的取舍

参数	建议	理由
单镜头时长	3-5秒	超过8秒质量衰减明显，且剪辑可拆
分辨率	1080p起步	720p放大后噪点明显
生成次数	每镜头2-3次	挑最好的，比修提示词更快
运动幅度	宁小勿大	大幅度动作崩坏率高

环节四：配音与音效

配音的三档方案

第一档：真人配音。效果最好，成本最高，适合品牌类内容。

第二档：TTS工具。Edge-TTS免费、可用，但情绪平；ElevenLabs、海螺等付费工具情绪表现好得多，按字数计费。口播类视频建议直接用付费档，声音的”塑料感”是完播率杀手。

第三档：AI克隆音色。自己录五分钟样本，克隆后所有视频用同一个声音。适合做系列内容，人设感强。

不管哪一档，配音要在剪辑前完成。因为剪辑节奏是跟着配音走的：句子停顿处切镜头，重音处给特写。先剪后配，你会发现画面和声音永远差半拍。

音效与背景乐

音效是最容易被忽略的加分项。转场处加一个”嗖”声、特写处加一个”咔”声，视频的质感立刻不同。背景乐注意两点：音量压到配音的20%左右；节奏和剪辑点对齐，卡点比选曲重要。

环节五：剪辑——节奏比技术重要

剪辑的三条硬规则

规则一：前3秒必须有钩子。把最有冲击力的画面、最反常识的一句话放在开头。剪辑时先问自己：如果观众只看3秒，这3秒能不能让他停下来？

规则二：单个镜头不超过4秒。信息密度时代，长镜头是奢侈品。除了刻意营造情绪的段落，镜头切换频率保持在每2到4秒一次。

规则三：删掉所有”还行”的段落。剪辑的本质是删除。每一段都问：删掉后视频还成立吗？成立就删。60秒的视频通常要删掉初剪的三分之一。

剪辑工具的选择

剪映依然是性价比最高的选择：自动字幕、免费曲库、移动端和桌面端都覆盖。专业需求上Premiere/达芬奇，AI原生工具里可灵、即梦的网页版剪辑也在快速补齐。不必纠结工具，剪映能满足95%的场景。

环节六：AI视频的成片检查与发布

发布前的检查清单

第一遍静音看：画面是否有崩坏帧（手指、脸部、文字是重灾区），发现就回炉重生成或用剪辑裁掉。

第二遍不看点播：只听配音和音效，检查音量层次、有没有爆音、字幕和配音是否对齐。

第三遍完整看：以观众心态看完整条，记录你走神的时刻点，那些点就是要再剪的地方。

不同平台的参数适配

平台	画幅	时长甜区	注意
抖音/快手	9:16竖屏	30-60秒	前3秒决定生死
视频号	9:16竖屏	60秒以上	完播与转发权重高
B站	16:9横屏	3-8分钟	信息密度可以更高
小红书	3:4或9:16	30-90秒	封面文字很关键

一条母版出多平台版本，比每个平台单独制作省70%的时间。竖屏版是主版本，横屏版在剪辑时把关键内容放在画面中央1:1区域内，两边裁切不损失信息。

制作AI视频整条流水线的时间预算

以一条60秒的成片为例，各环节的合理耗时：

环节	首次做	熟练后
脚本与切镜头	60分钟	20分钟
分镜表	30分钟	10分钟
出图（10个镜头）	60分钟	30分钟
图生视频	90分钟	45分钟
配音音效	30分钟	15分钟
剪辑成片	120分钟	60分钟
合计	约6.5小时	约3小时

首次做慢是正常的，大头耗在”不知道哪里能凑合”。熟练后你会发现：脚本和分镜的投入回报最高，生成环节其实是等机器的时间，剪辑决定最终观感。

批量生产的流水线思维

为什么单条思维做不大

做一条视频磨6小时的人，和做十条视频平均每条3小时的人，产出差的不只是数量——后者的每条质量通常也更好。原因很简单：批量生产会逼你把流程固化，固化之后的每个环节都有模板可套，错误率反而下降。

单条思维的典型表现是：每条视频都从零开始想脚本结构、重新挑工具、重新调提示词。这些重复决策吞掉了大量时间，且没有任何质量收益。

固化的三个层级

第一级：脚本模板。按内容类型固定结构。比如测评类视频固定为”痛点3秒+方案10秒+三个证据30秒+行动指令10秒”，换的只是填进去的产品和证据。模板不是限制，是让你把脑力留给内容本身。

第二级：提示词库。把生成效果好的提示词存档，按场景分类。做同类型镜头时直接调出来改主体名词。这个库积累到三十条以上，你的生成效率会有一次明显的跃升。

第三级：工程文件模板。剪映工程里保留一个”骨架工程”：字幕样式、转场、音量标准、片头片尾都配好。新视频直接复制骨架，替换素材即可。这一步能省掉每次成片半小时的重复设置。

层级	沉淀物	节省时间/条
脚本模板	各内容类型的结构骨架	20-30分钟
提示词库	按场景归档的高分提示词	15-25分钟
工程模板	剪辑骨架工程文件	25-35分钟

批量排期的节奏建议

一周产出5条视频的合理节奏：周一集中写5条脚本（连续写同类型的脚本，边际时间递减），周二集中出图，周三集中生成视频，周四集中剪辑两条，周五剪辑三条加全部发布。按环节批处理，比每天做一条的模式省30%到40%的时间——因为切换成本只付一次。

另一个反直觉的要点：发布时间可以错开，但生产必须集中。分散生产的隐性成本不在时长，而在状态——每次重新进入”视频思维”需要十几分钟热身，一天只做一条的人，一半时间在热身。

质量与速度的取舍点

哪些环节不能省，哪些可以凑合

不能省的三个环节：脚本立意（立意错了全片白做）、开头三秒（完播率的门槛）、画面崩坏检查（一条明显的崩坏画面会毁掉整个视频的可信度）。

可以凑合的三个环节：配音换气声（观众几乎注意不到）、转场花样（硬切反而是主流审美）、调色精细度（AI生成画面自带统一的色调氛围，粗调即可）。

把省下来的时间全部投给”不能省”的部分。很多人的时间分配恰好相反：花一小时调色，开头三秒却用了一个平淡的空镜。

判断成片能不能发的标准

不是”完美了才发”，而是三个硬指标：开头三秒有没有钩子、中间有没有明显崩坏、结尾有没有行动指令。三项都过，就发布。其余的小瑕疵，等数据反馈告诉你观众在不在意——观众用完播率投票，比你的自我审查准确得多。

发布阈值定得太高的人，账号往往死于更新频率不足，而不是单条质量不够。算法喜欢的是稳定的产出节奏。

数据反馈回流到流程

发出去的每条视频都是一个测试样本。建立一张简单的记录表：视频主题、开头钩子类型、完播率、点赞率。积累十条之后做一次复盘，你会看到清晰的规律——比如”提问式开头比陈述式开头完播率高40%”。这些规律回流到脚本模板，你的下一条视频就从”凭感觉”变成”有依据”。

这个闭环是流水线的最后一段，也是多数人缺失的一段。做完即发、发完即忘的生产方式，永远不会比上一次做得更好。

六个环节的常见翻车点汇总

脚本环节的翻车点

立意写成主题。“介绍XX工具”是主题不是立意，它不包含判断。改成”XX工具是唯一把批量出图做顺手的国产工具”，这个立意里有一个可以被反驳的观点，视频才有张力。

文案比画面多。脚本写了两百字，切镜头时发现一半内容没有对应的画面呈现。写每句话时同步想”这句画面是什么”，想不出来的句子删掉。声音和画面必须同步有内容，纯语音段落是完播率黑洞。

分镜环节的翻车点

景别单调。十个镜头八个中景固定机位，视频看起来像监控录像。检查方法：分镜表里同景别不相邻，每五个镜头至少出现一次特写。

忽略轴线。人物A面向左说话，下一个镜头突然面向右，观众会瞬间觉得”换人了”。AI生成不懂得轴线规则，你要在提示词里明确写”面朝画面左侧”。

生成环节的翻车点

风格漂移。第一个镜头是暖色调插画风，第七个镜头变成了冷色调写实风。解决办法是给所有镜头用同一套风格后缀提示词，出图后并排摆放对比，色调不一致的重新出。

角色不一致。主角在镜头1是短发，镜头5变成了长发。这是AI视频最大的硬伤，核心解法是先用一张定妆图锁定形象，所有镜头的图生图都基于这张图。更严格的场景用LoRA训练或IP-Adapter，具体的锁脸技术在角色一致性那篇里展开。

文字画面必崩。提示词里要求画面出现文字（招牌、手机屏幕上的字），十个生成九个乱码。规避方法：文字后期加，用剪映的文本工具贴上去，不要让AI生成文字。

配音环节的翻车点

语速与画面节奏不匹配。TTS默认语速偏慢，配快节奏剪辑像广播体操。处理办法是生成后加速5%到10%，或直接在TTS参数里调speech rate。

多音字读错。工具名、人名、行业术语是重灾区。TTS工具大多支持自定义发音标注，逐个标注比换工具快。

剪辑环节的翻车点

字幕挡脸。自动字幕生成后不检查位置，字幕正好压在人物面部。竖屏视频把字幕固定在画面下方三分之一处，那个位置一般不会有主体。

音画不同步累积。每个剪辑点偏移0.1秒，十个剪辑点之后明显对不上。用剪映的自动吸附功能，不要手动拖帧。

环节	高频翻车	一秒判断标准
脚本	立意无观点	能否被反驳？不能则重写
分镜	景别单调	相邻镜头是否同景别
生成	角色不一致	两镜头主角是否同一人
生成	画面文字乱码	画面里是否出现了字
配音	语速拖沓	听一句是否超过两口气
剪辑	字幕挡主体	字幕是否压在人物面部

一套可以照抄的完整提示词组合

第一步：脚本提示词

你是一名短视频编剧。请为以下产品写一条60秒的脚本：产品名【填写】，核心卖点【填写】，目标观众【填写年龄段/身份/痛点】，发布平台【抖音/视频号/B站】。结构要求：0-3秒用痛点提问开场；4-15秒给出方案并展示产品；16-45秒用三个递进的证据支撑卖点；46-60秒总结并给出行动指令。输出格式：按镜头切分，每条包含【镜头号/时长/文案/画面描述】，画面描述必须具体到可执行拍摄或AI生成的程度。

第二步：文生图提示词（以一个带货镜头为例）

产品特写镜头：白色桌面上放着一台深灰色便携咖啡机，右侧散落两颗咖啡豆，背景是虚化的早晨厨房，晨光从左侧窗户进入，色调温暖，产品占画面右侧三分之二，留出左侧空间给字幕。商业摄影风格，浅景深，4K细节。

要点：明确产品位置和占比（给字幕留空间）、光源方向（保证系列镜头光线一致）、风格后缀（所有镜头统一）。

第三步：图生视频提示词

镜头缓缓从左向右平移，咖啡机上的指示灯亮起，蒸汽缓缓上升，背景虚化的窗帘轻微飘动。速度缓慢，电影感。

要点：只写运动不写画面、运动幅度写”缓缓/轻微”降低崩坏率、末尾加风格词锚定氛围。

第四步：剪辑自检提示词

把成片脚本发给AI让它模拟挑剔观众：”以下是视频的镜头顺序和文案，请找出：逻辑跳跃处、开头三秒没有钩子的风险、信息重复的段落、结尾行动指令是否明确。”AI的反馈不能全信，但能帮你发现结构性盲区。

写给三类起点不同的人

如果你完全没做过视频

先用一周时间做”半AI”视频：手机实拍+AI配音+剪映剪辑，跑通”脚本到发布”的全流程。AI生成画面放到第二周引入。这样做的理由：一次学五个新工具必然手忙脚乱，先用最熟的工具理解流程，再加新工具只改变单环节，学得动。

如果你做过实拍视频

你的优势是节奏感和剪辑能力，短板是AI工具的提示词。建议直接从图生视频切入，跳过文生视频的坑，把精力花在”用分镜思维写运动提示词”上。你的分镜能力在AI视频生产里是稀缺的。

如果你已经在做AI视频但效率低

诊断你的时间都花在哪。如果是花在反复重新生成，问题在提示词库没建起来；如果是花在剪辑，问题在脚本环节没切好镜头；如果是花在改稿犹豫，问题是没有数据反馈闭环。对症下药，不要全面撒网。

FAQ

零基础需要先学剪辑吗？

不需要系统学。剪映的核心操作两小时就能上手，剪辑的真正难点在节奏感，而节奏感靠多看同类爆款视频培养，比学软件重要得多。

AI生成的画面会侵权吗？

生成的原创画面风险低，但提示词里模仿特定IP形象、真人明星 likeness 有风险。商用内容建议使用工具方明确授权商用的模型，并避免生成可识别的真实人物。

一条视频做多久算正常？

熟练后60秒成片3小时左右是合理水平。如果你超过6小时，多半是卡在反复重新生成上，回头检查是脚本问题还是提示词问题，而不是继续硬生成。

画面崩坏怎么修最省时间？

优先用剪辑手法规避：崩坏帧出现在动作幅度最大的瞬间，把该镜头剪短、快切，观众注意力跟不上就察觉不到。其次是局部重绘，最后才是重新生成。

需要买付费工具吗？

先用免费额度跑通整条流水线，确认自己会持续产出后再付费。顺序颠倒的话，你会花几百块买一个”学完就吃灰”的会员。

脚本一定要自己写吗？

AI可以起草，但立意和开头三秒必须自己定。AI写的脚本像”正确的 average”，而爆款视频赢在反常识的观点和抓人的开头，这两样AI给不了。