AI短视频怎么做入门教程

很多人第一次做 AI 短视频，卡的不是「不会用工具」，而是不知道先做哪一步：选题还没定就开始抽视频，配音和画面节奏对不上，导出才发现尺寸和水印全错了。这篇把一次完整制作按顺序拆开，每一步告诉你输入什么、输出什么、什么情况下该退回去重做，照着走一遍就能出第一条片子。

很多人第一次做 AI 短视频，卡的不是不会用工具，而是不知道先做哪一步：选题还没定就开始抽视频，配音和画面节奏对不上，导出才发现尺寸和水印全错了。这篇把一次完整制作按顺序拆开，每一步告诉你输入什么、输出什么、什么情况下该退回去重做，照着走一遍就能出第一条片子。

下面的顺序是特意排的：越靠前的步骤改起来越便宜，越靠后越贵。稿子写错只要改几行字，成片节奏不对就得重新对齐整条时间轴，所以尽量在前面把问题解决。每一步都给了判断标准，达不到就往回退，不要带着问题硬往下走。

第一步：先定选题和片子形态，别急着开工具

动手之前先回答三个问题：这条给谁看、看完要记住一句什么话、希望对方做什么动作。三个问题答不上来，后面生成再多素材也是废片。这一步不产出文件，只产出一句话的定位，写在便签上，后面写稿和剪辑都回头看它。

• 给谁看：具体到一类人，比如刚开店的小老板、想学剪辑的学生，越具体越好写
• 记住什么：一句话，能直接念出来的那种，不是「讲清楚某个概念」这种空话
• 做什么：关注、评论、点进主页、收藏，选一个，别贪多
• 形态：口播解说、图文拼接、纯生成画面配旁白、还是数字人口播，先定下来再开工具

判断标准就一条：定位那句话能不能一口气说完，说不清就把选题缩到更小的具体场景，比如从「AI 做短视频」缩到「用 AI 做一条探店开场」。如果只是练手、没打算发布，这一步可以跳过，直接拿现成模板开做，先把流程跑通比什么都重要。

第二步：写口播稿，再拆成镜头清单

先写能读出声的口播稿，按口语节奏写短句，写完自己念一遍，拗口的地方就是后面配音会翻车的地方。稿子不用追求文采，追求念得顺、听得懂，长句拆短，书面词换白话，写完对着手机念一遍计时，心里就有底了。

然后把稿子按句拆成镜头：一句一镜或两句一镜，每镜标出画面内容、大概时长、要不要人物出镜。纯展示类视频可以省掉口播稿，但镜头顺序仍然要列，不然剪辑时会发现素材东一块西一块，没有主线。

时长按字数粗估，念完超出目标就把次要信息砍掉，不要靠加语速硬塞，语速拉太快听众会跟不上。砍内容时优先砍铺垫，保留结论和例子，这两样才是观众留下的理由。

第三步：按环节配工具，别指望一个工具全包

把工具按环节分开看：画面生成或素材、配音、字幕、剪辑合成。每个环节先摸清免费额度和导出限制，再决定要不要付费。有人一上来就把钱花在生成画面上，最后发现卡在导出水印和时长限制，钱花在了刀背上。

生成类工具

适合空镜、概念画面、氛围镜头，出片快但一致性不稳

配音工具

看多音字和英文缩写的读法是否可改，这决定返工量

字幕工具

看识别准确率和能否人工校对，纯自动不加人工的基本不能用

剪辑软件

看时间轴是否好对齐人声和字幕，这直接影响成片效率

生成类工具对具体文字、手势、人物一致性的把控还不牢，有真人出镜或产品实拍的镜头仍旧实拍更稳。同一条片子尽量不超过两个生成工具，换工具往往意味着画风和比例不统一，后期调不回来。

工具目录可以到 /ai-nav/category/ai-video 按环节翻，各家工具的当前额度和限制到对应详情页看当时的说明。中转站能不能用、稳不稳，可以先去 /tools/speed-test 做一次连通性检测，别等做到一半才发现接口不通。

第四步：生成画面，控制镜数和返工次数

提示词按「主体 + 动作 + 环境 + 运镜 + 画面风格」写，一次只改一个变量，这样才方便判断是哪句话导致了偏差。五段式不是硬规定，但结构清楚能让模型少猜，也让你复盘时有据可查。

主体：一个穿灰色卫衣的年轻人在书桌前；动作：低头写字，手部自然；环境：暖光小房间，背景有书；运镜：镜头缓慢推近；风格：写实，柔和色调，竖屏

• 单镜生成控制在可接受次数内，出不来就降难度：换远景、换静态图加轻微运镜，不要跟一个提示词死磕
• 同一片子的比例、色调、风格词要统一，开头就定下来，后面照着抄
• 镜头间连贯靠统一风格词和参考图维持，光靠抽卡运气很难齐
• 生成失败先检查提示词里有没有互相矛盾的描述，比如又要写实又要卡通

什么时候该退回去重做：连着几个镜头都出不来想要的效果，问题多半不在提示词，而在镜头设计本身——这个画面可能根本不适合生成。这时候回到镜头清单，把这一镜换成实拍、图库素材或静态图，比继续抽卡划算得多。

第五步：配音和字幕，先解决节奏再解决好听

1. 对时长整段念完比目标时长多太多，回到稿子删字，别只调语速；删完再合成一次，确认落在目标区间
2. 改读音多音字、英文缩写、数字先在文本里改写成读音正确的写法，再丢给合成，事后返工更麻烦
3. 合成并试听重点听开头、数字和专有名词附近，这三处最容易出错
4. 字幕打底以识别结果打底再人工校对，专有名词和数字必查，断句跟着语义走，不要机械按字数切
5. 音量对齐人声与背景音乐的比例在剪辑里统一调一次，用耳机和外放各听一遍

节奏是第一位的，音色是第二位的。听众能忍受一个普通的声音，但忍不了一条忽快忽慢、字幕和声音对不上的片子。配音阶段就把节奏问题解决掉，剪辑时会省很多事。

字幕有一条容易忽略：注意安全区。竖屏视频的字幕别贴到底边，那里常被平台界面挡住；横屏的别贴到最左最右。导出前用手机实际看一遍，比在电脑上预览靠谱。

第六步：剪辑合成与导出前自检

剪辑顺序建议先铺人声轨对齐镜头，再加字幕，最后补音效和转场。顺序反了就会反复挪时间轴：字幕做好了画面一改又全得挪，白干。先把骨架搭稳，装饰最后加。

片头三秒内把信息点抛出来，不要放长 Logo。观众划走的成本很低，开头没有钩子，后面做得再好也没人看。结尾留一句明确动作，关注、评论或点进主页，选一个说清楚。

第七步：发布前的事实与合规自查

画面里出现的品牌标识、人脸、音乐、字体都属于要单独确认的部分，拿不准就换掉，别等到被投诉再改。尤其是生成画面里凭空出现的标识和文字，往往自己都没注意到，导出前逐帧扫一遍开头和结尾这几个高风险位置。

• 品牌标识：生成画面里出现的商标、门店招牌、包装字样，全部换掉或裁掉
• 人脸：真实人物的出镜和肖像使用要有授权，生成人脸也要避免和真人高度相似
• 音乐和字体：商用场景下确认授权范围，不确定就用平台自带素材库的
• AI 生成失真：明显失真宁可剪掉也不要硬留，观众第一反应是假而不是有创意
• 事实性表述：数字、功效、对比类说法逐条核实，拿不准就改成模糊表述

发布后记录这条的选题、形态、时长，下一批沿用有效组合。只在一条片上反复改，很难判断是选题问题还是制作问题；把两三条的差异记下来，下一轮才有方向。想对比不同工具的成片效果，可以去 /rankings 看站内整理的对照，具体数字以页面当时显示为准。

什么情况下这套流程不适用：需要高强度追热点的账号，稿子和镜头清单可以压缩到心里过一遍，但配音节奏和导出自检这两步建议保留，它们省下的是返工时间。做长视频或直播切片，镜头清单的颗粒度要重新调整，不适合照搬。

前面每一步省下来的时间，都会在后面以返工的形式还回来。