很多人第一次做 AI 视频,卡在打开一堆生成工具之后不知道先干哪一步:先写脚本还是先生图,配音什么时候做,素材生成不满意要不要重来。这篇按「选题—脚本—素材—成片」的顺序给一条能照着走的路线,每步说清做什么、做到什么程度算过关、什么情况下该停手换方向,不涉及具体工具的价格和参数。
第一步:先定一条能做完的选题,再写能配画面的脚本
新手最常犯的错不是不会用工具,而是选题太大。一上来就想做「三分钟讲完人工智能发展史」,写到一半发现画面根本配不上,最后卡死在分镜。这一节只解决一件事:在打开任何生成工具之前,先把选题收窄到能做完,把脚本写成能对着配画面的样子。
选题只问两件事。第一,能不能用一句话说清这条视频要讲什么,说不清就说明范围还没缩够,继续砍。第二,这句话对应的画面能不能生成出来,抽象概念、复杂动作、精确文字,都是生成工具的高风险区。两件事都过了,再动手;任何一件过不了,先换选题,不要指望后期救回来。
| 选题类型 | 一句话说得清吗 | 画面能生成吗 | 建议 |
|---|---|---|---|
| 一个生活小技巧演示 | 能 | 能,动作简单 | 适合练手,优先选 |
| 某个概念的通俗解释 | 能 | 部分能,需要大量示意画面 | 可做,但镜头数要压住 |
| 一段剧情短片 | 勉强 | 难,人物一致性难保 | 新手先别碰 |
| 真实人物访谈、产品实拍 | 能 | 不能,需真人出镜或实拍 | 别按这套流程走 |
脚本不要写成作文,要按镜头写。每一行就是一个镜头,至少标三样东西:画面是什么、口播说什么、这个镜头大概多长。三样写在同一行,生成画面时直接照抄,配音时也直接照读,中间不用再回头翻译一遍自己的想法。时长可以先估,成片后再统一调,但每行都必须有,否则剪的时候会凭感觉堆素材。
- 先把选题压成一句话用「给谁看 + 讲什么 + 看完能做什么」的句式写出来,超过一句就继续删。写不出来说明选题还没定。
- 给这句话配三个画面关键词能立刻想到具体画面的,说明可生成;只能想到抽象词的,回上一步换角度,比如把「原理」换成「一个具体场景里的现象」。
- 列镜头表一行一个镜头,三列:画面、口播、时长。新手把镜头数控制在很少的几个,宁少勿多,镜头越少越容易一次成片。
- 通读一遍做减法删掉可有可无的镜头和口播,检查每个画面是否都能用文字描述清楚。删完再开工,比生成到一半返工省事得多。
写完脚本后,值得去站内工具目录里翻一遍当前可用的生成与配音工具,对着你的镜头表看看哪些画面类型把握大、哪些要换表达方式;具体的价格和额度到站内对应的模型与价格页面核对,别凭印象开工。
下一步脚本定稿后再去挑工具,顺序反了容易为了用某个工具硬改选题。可以到站内指南中心看看后续环节怎么衔接。→第二步:工具别贪多,按「生成 / 配音 / 剪辑」三格各选一个
新手最容易犯的错不是工具选错,而是一口气装了七八个,每个都只摸到皮毛。更省心的做法是把整条链路拆成三格:画面生成一格、配音或口播一格、剪辑合成一格。每格先锁定一个主力,其余全扔进备选名单,等主力确实卡住你了再换。
| 格子 | 负责什么 | 挑的时候盯什么 |
|---|---|---|
| 画面生成 | 文生视频、图生视频、素材补镜头 | 同一段提示词多跑几次,成片风格和构图别飘得太厉害 |
| 配音或口播 | 旁白、数字人口播、字幕对齐 | 中文断句顺不顺,导出的是不是干净音频文件 |
| 剪辑合成 | 拼接、配乐、字幕、转场、导出 | 导出格式和分辨率,你的剪辑软件认不认 |
挑工具只看三件事就够了:出片能不能稳定复现、免费额度够不够你练手、导出格式剪辑软件认不认。第一条最容易被忽略——同样一句话跑两遍,出来的东西差得离谱,这种工具拿来练手会很挫败。第三条决定你会不会在最后一步返工。具体各家免费额度和导出选项,到 工具目录(/tools) 逐条核对当时的说明,别信别人截图里的数字。
- 先定一条最短测试片写一句旁白、三到四个镜头,总时长控制在一分钟内。这条片子不是给人看的,是拿来跑通链路的。
- 按三格各填一个工具画面、配音、剪辑各选一个,写在一张纸上,旁边留一列「备选」。别在这一步纠结哪个更好。
- 跑完整条链路从生成画面到导出成片走一遍,记下每步卡在哪、要重来几次。稳定复现不了的环节单独标出来。
- 再决定换不换只有某个环节反复卡住、且备选工具能明确解决这个问题时才换。换之前先想清楚:重新熟悉参数的时间你愿不愿意付。
这套三格法并非所有情况都适用。如果你已经有剪辑基础、只缺画面素材,那可以跳过配音和剪辑两格,直接用现成软件;如果是给团队做批量内容,工具数量反而要按产能扩,不能死守一格一个。判断标准很简单:现阶段你是要「学会流程」,还是要「稳定出量」,前者用三格法,后者再谈扩容。
第四步:合成与自检,出片前过一遍清单
前面几步把画面、口播、字幕素材都准备好了,这一步只剩拼接和检查。新手最容易犯的错是把所有东西一股脑丢进时间线再慢慢调,结果节奏被音乐或字幕牵着走。建议固定一个顺序:先铺画面定总时长和节奏,再对口播,让声音和画面的关键动作对上,最后才加字幕和音乐。顺序反了,改一次就要返工全片。
- 铺画面定节奏先把镜头按叙事顺序排上轨道,拖一遍看总时长和转场是否顺。此时不加任何声音,只判断画面讲不讲的清楚。
- 对口播把录音拖进来,按句子切分画面,让关键动作落在对应句子上。逐句听一遍,确认没有画面停在无意义的空镜上。
- 加字幕字幕是最后加的,也是对齐全片最花时间的一步。逐句比对发音和文字,专有名词、数字、同音字重点看,改完再整体播放一遍。
- 加音乐与音效音乐只做背景,音量压到不抢口播的位置。段落切换处可以加轻音效提示,但不要每个转场都加。
- 按平台导出先确认发布平台要求的比例和分辨率,再在导出设置里对应选好。同一素材发多个平台时,分别导出,不要一个文件硬套所有平台。
| 检查项 | 怎么查 | 不合格的表现 |
|---|---|---|
| 音量一致性 | 从头到尾正常音量播放一遍,注意口播和音乐切换处 | 某段突然变响或变轻,观众要调音量 |
| 字幕错字 | 逐句对照发音看文字,重点看人名、数字、专业词 | 出现同音错字或断句错位 |
| 开头几秒 | 把前几秒单独看一遍,问自己会不会继续看 | 开头是黑屏、logo 或无关空镜 |
| 结尾引导 | 看最后几秒有没有明确动作 | 片子戛然而止,观众不知道下一步做什么 |
| 比例与分辨率 | 导出前对照平台说明里的画面要求 | 发上去被裁切、出现黑边或模糊 |
以上流程只覆盖制作层面。如果片子要商用或对外投放,还得额外核对素材授权、音乐版权和平台对内容的规则要求,这部分不在本流程里,需要单独走一遍合规确认。只是自己存档或内部传阅的片子,可以跳过这一步;但凡涉及对外发布和商业用途,就别省。
常见问题
完全没做过视频,能直接上手 AI 生成吗?
能,但建议先做一条很短的测试片,把生成、配音、剪辑三段各跑一遍,摸清每段的耗时和难点,再去做正式内容。直接上长片最容易卡在中间放弃。
生成出来的画面总是不满意,是提示词写得不对吗?
不一定。先排查是不是镜头描述太抽象、主体太多、动作太复杂。把一镜拆成更简单的画面、减少同时出现的元素,通常比反复调词更有效。仍不行就换工具或换思路,别在一个镜头上耗掉大半时间。
一套流程走完大概要多久?
取决于片长和镜头数,没有统一答案。新手建议按「一条短片 = 一个完整练习」来排期,先保证能做完,再谈效率。具体工具耗时和额度到站内工具目录看当时的说明。