ai视频制作需要哪些工具和技能

很多人一上手就先去挑生成工具，结果卡在没脚本、配音对不上、导出带水印、商用不敢发。这篇按真实出片顺序走一遍：写本子、生成画面、配音配乐、字幕剪辑、导出交付，每一步说清要备什么工具、要会什么技能，以及钱和授权在哪些环节要先确认。

很多人做AI视频的第一反应是先打开生成工具，结果写着写着发现没本子、配音和画面对不上、导出还带水印，白折腾几个晚上。正确的顺序其实很简单：先把想法变成能拍的本子，再把本子变成画面和声音，然后处理字幕和剪辑，最后导出交付。每一段都有自己要用的工具和要会的技能，前一段没定稿就别急着进下一段。

下面按真实出片顺序走一遍，把工具挑法、技能练法、以及钱和授权在哪些环节要先确认都讲清楚。给的是判断标准和动作清单，具体哪家工具什么价、什么额度，都得到站内页面看当时的数字，别拿别人截图当依据。

先把流程拆成五段，再谈工具和技能

别一上来就纠结用哪个生成模型，先把整个活儿拆成五段：本子、画面与配音、字幕、剪辑、导出交付。每段只解决一件事，做的时候脑子里清楚自己在哪一段，就不会一边改台词一边调画面参数，效率差好几倍。

判断这一段有没有做完，有个很简单的标准：能不能让别人接手。本子写完，别人能照着描述出画面；配音导出，剪辑能直接拖进去用；工程文件交出，对方能自己改字加镜头。接不了，说明这段还缺东西。单人做自己的小片子，跳步没人管；但只要有第二个人参与，或者要交商单，就不能跳。

• 前一段没定稿，不进下一段；改本子成本最低，改画面最贵
• 每段结束留一个可交付物，哪怕只是个文本文件
• 越往后越难改，越往前越要多花时间
• 遇到卡壳先退回上一段找原因，别在生成工具里反复重抽

第一段：本子与分镜，靠的是结构化表达不是文采

这一段的工具用文本大模型或者现成的脚本模板就够，不用追求多高级。想挑的话，可以到 /ai-nav/category/ai-writing 里按用途看当时的收录。真正决定片子好坏的不是文采，是能不能把一句话拆成画面能执行的动作。

要练的技能是结构化表达：把「介绍我们的新品」这种虚要求，拆成谁、在哪、做什么、镜头怎么走。比如「产品放桌面，镜头从侧面推近到标签特写」，这种描述生成端和拍摄端都能用。每段口播控制在几句话之内，太长配音会赶，观众也记不住。

1. 写口播稿用大模型出初稿，然后自己读一遍，把书面腔改成平时说话的句式
2. 拆分镜每句口播对应一到两个镜头，写清主体、动作、运镜、时长大概几秒
3. 核对事实AI最容易在数字、专有名词、时间线上出错，逐条查一遍再往下走
4. 自检把分镜表读一遍，脑子里能不能放出画面；放不出来就是描述太虚

第二段：画面生成，选工具前先定三件事

进这一段之前，先定三件事：画幅比例、单条时长、能不能接受水印和排队。这三条是硬约束，选错了后面全白做。各家生成工具的具体表现和限制，到 /ai-nav/category/ai-video 看当时的情况，别照着旧文章选。

技能方面，核心是写描述和判断取舍。描述里主体加运镜要写清楚，比如「人物站在窗边，镜头缓慢横移」。还要会挑首帧参考图，会判断哪条重抽、哪条改描述。同一角色跨镜头出现时，靠固定的参考图加统一的风格描述来维持形象，不要指望每次随机生成都长得一样。

画幅

横屏竖屏先定死，中途改会让所有素材白生成

时长

单条生成时长有上限，长片靠多段拼接，分镜时就要按上限切

参考图

固定角色形象最有效的手段，比堆形容词管用

水印

免费档常见，商用前必须确认能不能去、去了合不合规

• 先做一条样片，确认画幅、风格、时长都合用，再批量生成
• 重抽之前先问自己：是描述不清楚，还是这工具就不擅长这类画面
• 需要精确产品或商标出镜时，生成画面通常要配合实拍或后期合成
• 素材命名带上段落编号，剪辑时找起来快很多

第三段：配音与配乐，别让声音拖后腿

配音和配乐的工具可以分开选，入口分别在 /ai-nav/category/ai-voice 和 /ai-nav/category/ai-music。选的时候不只看音色好不好听，还要看导出格式、能不能批量、以及授权说明是否清楚。

要练的技能是改口语稿。书面长句直接丢进TTS会读得很怪，得先断成短句，标出停顿和重音位置。多音字和数字读法是最容易翻车的，比如「行」「重」「几号」这类，必须人工听一遍再定稿。配音导出格式按最终用途定，别为了文件小牺牲兼容性。

第四段：字幕与剪辑，这是最耗时的体力活

字幕和剪辑是整条流程里最花时间的部分，也最容易被低估。工具上用自动字幕加剪辑软件的组合就行，自动剪辑、字幕、画质修复这一类入口可以到 /ai-nav/category/ai-video-edit 看当时的收录，按自己的操作习惯挑。

技能上要会校对断句、对时间轴、统一字幕样式，还要会看波形找口误位置。顺序建议先粗剪定结构，再上字幕，最后调声音和画面。反过来做，结构一改字幕全废，来回返工。批量任务先做一条样片确认样式，再套用到整批。

1. 粗剪先把没用的段落砍掉，把结构理顺，这时候不碰字幕和特效
2. 上字幕自动字幕生成后逐条校对，重点看标点、断句、专有名词
3. 对时间轴字幕和配音对齐，差得多的整段挪，别一条条硬拉
4. 统一样式字体、大小、位置一次定好，套用到全片，避免前后不一致
5. 样片确认批量做之前先出一条完整样片，确认无误再套模板

• 字幕别贴边，留出安全区，不同平台裁切规则不一样
• 同一条片子字体别超过两种，颜色别超过三种
• 口误位置看波形找，比反复听快
• 剪辑模板自带的音乐和字体也要查授权，别以为模板就是安全的

第五段：导出与交付，决定能不能直接发

导出前对一遍：画幅对不对、字幕有没有出安全区、编码是不是平台认的。这几项任何一项出问题，上传后要么被裁要么被压得糊，返工代价很高。平台对格式的要求会变，拿不准就到站内指南或工具目录核对当时的说明。

水印要查清楚从哪来，可能来自生成端、素材端，也可能来自剪辑模板。来源不同处理方式不同：生成端的看档位说明，素材端的换素材，模板端的换模板。商用前把授权链路走一遍，图、音、人像、字体都要能说清来源。交给别人时额外给一份素材和工程文件说明，方便对方二次修改。

哪些技能必须先练，哪些可以边做边学

工具会换，技能不会。判断一个能力是不是必须练，有个简单办法：把你现在用的工具全部换掉，你还能不能出片。能，说明技能在手上；不能，说明你只是记住了某个软件的按钮位置。

写清楚需求、拆镜头、校对文字和读音，这三样跟具体工具无关，越早练越好，换任何软件都不贬值。软件的快捷键、参数面板、批量脚本这些可以边做边学，用熟了自然快，没必要一开始就啃说明书。

• 必须先练：把模糊需求写成可执行描述
• 必须先练：把一段话拆成多个能拍的镜头
• 必须先练：校对文字、读音、数字和专有名词
• 可以边学：具体软件的操作路径和快捷方式
• 可以边学：批量处理和自动化脚本
• 不适用：只做单条商单、只求速度时，熟练度比方法论更值钱

钱和授权：在哪些环节会被卡住

费用要按环节分别记。画面生成常常按条或按秒，配音按字或按分钟，音乐按首或订阅，口径都不一样，直接比总价没意义。要看当时的数字，去 /official-api 和 /plans 核对，别用记忆里的价格做预算。

免费额度要提前规划进流程。先想清楚手里这点额度能出几条成片，用完了是等重置还是直接付，重置规则看 /resets。真正容易卡人的往往不是单价，而是做到一半额度没了、或者导出才发现水印去不掉。

1. 按环节记账画面、配音、音乐、剪辑各记一行，看清楚每项按什么口径计费
2. 规划额度估算能出几条成片，留出重抽和返工的余量
3. 列授权清单画面、配音、音乐、字体、素材分别记来源和可商用说明
4. 写进需求下单或开工前把时长、分辨率、水印、排队这几项写清楚
5. 开工前复核金额和授权到站内页面核对当时的数字，确认后再动手