1.1 从文案到短视频的核心流程与线性制作路径
我刚开始接触AI视频生成那会儿,脑子里全是问号。网上的教程铺天盖地,每个人说的流程都不太一样,有人让我先学提示词,有人让我先注册一堆账号,还有人上来就甩给我一张工具对比表。折腾了一个礼拜,我发现真正有用的其实是一条很朴素的线性路径:文案先立住,再拆分镜,接着生成素材,配音配乐跟上,剪辑合成收尾,最后发布复盘。就这么六步,按顺序走,别跳。
为什么强调线性?我踩过的坑告诉我,顺序一乱,返工成本高得吓人。我试过先让AI生成一堆画面,再回头补文案,结果发现画面和口播内容对不上,四十多个镜头废掉一大半。也试过文案还没打磨好就急着配音,声音出来之后改一个字就得重新生成整段。所以现在我养成了一个习惯,文案没有定稿之前,绝不动后面的环节。
整条流程里,最容易被低估的是文案环节。很多人觉得AI视频嘛,画面炫就行,文案随便写写。我的实际经验恰恰相反,AI生成的画面质量再高,如果文案松散、逻辑跳跃,观众的完播率会掉得非常快。文案是骨架,画面是皮肉,配音是呼吸,剪辑是让这些东西活起来的动作。骨架歪了,皮肉再好看也撑不住。
1.2 明确视频目标:平台、受众、时长、风格与画面比例
动手之前我得先问自己四个问题:发哪儿、给谁看、多长、什么调性。这四个问题看着简单,实际上决定了后面每一步的技术选择。同一个选题,发抖音和发B站,节奏完全两码事。抖音用户手指头比脑子快,前三秒抓不住就划走了,所以开场钩子得硬。B站用户愿意听你慢慢讲,信息密度可以高一些,甚至允许你铺垫。
时长这个事,我吃过一次亏。我按三分钟写了一个完整的口播脚本,配音都做好了,才发现要发的平台对新手账号有推荐时长偏好,三分钟完播率惨不忍睹。后来我把内容拆成三条一分钟的短视频,数据立刻不一样了。所以现在我会先定时长,再倒推文案字数和镜头数量。一分钟的口播大概两百到两百四十字,这个换算关系我贴在了显示器边上。
画面比例更不能马虎。竖屏九比十六适合手机端刷,横屏十六比九适合深度内容和中长视频,一比一现在用得少了,但某些信息流广告位还在用。风格上我会给自己一个明确的词,比如“干净科技感”或者“生活烟火气”,这个词会直接影响我选配色、选字体、选BGM。目标不清楚的时候,我宁愿先停一天,把需求想明白,也不愿意打开工具瞎点。
1.3 工具准备清单:文案生成、图像生成、视频生成、配音、剪辑与发布工具
我把自己的工具分成六类,每类留两个备选,避免一个工具出问题就卡死。文案这块我用大语言模型来打草稿、改口语、出标题,常用的有两三个,互相补充。图像生成我主要用Midjourney和国内几个能出中文提示词的平台,看具体需求切换。视频生成这一块工具更新特别快,我现在固定用两三个能文生视频和图生视频的,参数摸熟了比多注册十个账号管用。
配音和音乐我分开处理。配音工具我最在意的是能不能调语速和情绪,还有多音字识别准不准,这个直接影响口播的自然度。BGM我一般从版权音乐库里挑,不图多,够用就行。剪辑软件我桌面端用剪映专业版和PR,移动端用剪映,轻量修改特别方便。发布工具我会用平台自带的后台,外加一个简单的数据统计表格。
工具装多了有个副作用,就是选择困难。我给自己定了个规矩,一个流程节点最多同时用两个工具,一个月后再评估要不要换。这套规矩帮我省了不少折腾的时间。工具是拿来干活的,不是拿来收藏的。
1.4 制作前的素材与账号环境准备:选题库、品牌元素、版权与合规意识
我现在做视频之前会先打开一个表格,叫选题库。里面记着平时刷到的有意思的话题、评论区高频问题、同赛道爆款拆解。这个表格是我最值钱的资产之一,因为灵感不是每天都有,但表格里的东西随时能调出来用。选题库不需要多复杂,四五列就够:选题、目标人群、核心看点、参考链接。
品牌元素也得提前备好。头像、配色、片头音效、字幕字体、口播开场白,这些东西固定下来之后,观众刷到第三条就能认出是你。我之前每期换一种字幕风格,换到第五期自己都记不清哪个是“官方款”了,后来统一成一套模板,效率高了很多。logo和包装要提前导出透明背景版本,剪辑的时候直接拖进去。
版权和合规这个事怎么说都不嫌多。AI生成的图能不能商用、配音的音色有没有授权限制、背景音乐是不是真的免费、文案里有没有敏感词,这些点我在发布前会过一遍清单。平台规则一直在变,我一般会关注官方的创作者公告,或者加入同行的交流群,有变动大家会互相提醒。多花十分钟检查,比起账号被限流再来补救,划算太多了。
2.1 如何用AI将文案自动生成短视频:需求描述、指令结构与输出格式
我一开始用AI写视频脚本,结果惨不忍睹。输入一句“帮我写个AI视频脚本”,它给我吐出来一大段像新闻联播又像产品说明书的东西,念出来我自己都犯困。后来我才琢磨明白,问题不出在AI身上,出在我给的信息太糊了。你得把AI当成一个新来的实习生,他能力不差,但他不知道你要什么,你得把背景交代清楚。
现在我给AI下指令,会先花三十秒把需求描述填满。平台是抖音还是B站,受众是宝妈还是大学生,时长一分钟还是三分钟,风格要犀利还是要温和,这条视频是讲知识还是带货。这几项信息一给,AI写出来的东西质量立刻上了一个台阶。我还会告诉它我不要什么,比如“别用书面语”“别用排比句”“每句话不超过二十五个字”,这些负面约束往往比正面要求更管用。
指令结构我摸索出一个自己常用的模板:先给角色,比如“你是一个做了三年短视频口播的编导”;再给任务,说清楚这次要产出什么;中间塞约束条件,平台、时长、语气、禁用词都写进去;结尾规定输出格式。输出格式这块我特别在意,我会明确要求它用表格输出,一列是镜号,一列是口播文案,一列是画面建议。格式定死了,我拿到手就能直接往下走,不用再花时间整理。
举一个我昨天刚用过的指令,大概长这样:“你是短视频口播编导,帮我把下面这段产品文案改写成六十秒抖音口播脚本,目标人群是二十五到三十五岁的上班族,语气像朋友聊天,开头三秒要有钩子,每句话不超过二十字,输出表格,包含镜号、口播、画面提示三列。”这段指令不算长,但它把该锁的东西都锁住了。AI返回来的东西我改两三个词就能用,效率比我自己从零写快太多了。
2.2 爆款文案结构拆解:开场钩子、痛点场景、价值输出与行动号召
我拆过不下一百条爆款短视频的文案,拆到最后发现骨架翻来覆去就那几块:钩子、痛点、价值、号召。听着像套路,可套路之所以成为套路,是因为它真的管用。观众刷视频的耐心就那么几秒,你不按这个结构走,他根本留不到你说正事儿的时候。
开场钩子我最常用的有四种写法。一种是反常识,比如“别再这样存钱了,越存越穷”。一种是提问,比如“你有没有发现,越努力的人越焦虑”。一种是数字冲击,比如“三个月涨粉二十万,我只做对了一件事”。还有一种是场景代入,比如“凌晨一点,你还在改第三版方案”。钩子不用长,一句话就够,关键是让观众心里咯噔一下,觉得这事儿跟我有关系。
痛点场景这块,我的经验是越具体越好。你说“很多人不会写文案”,观众没感觉。你说“憋了一下午写了三行字,删了又写写了又删,最后干脆关电脑刷手机去了”,观众立马对号入座。具体的细节才能让人产生“这说的不就是我吗”的代入感。价值输出紧跟其后,你得给观众一个明确的收获感,一个方法、一个认知、一个工具,什么都行,不能让他看完觉得白看了。行动号召我一般放在结尾,轻一点,比如“觉得有用就存下来”“评论区聊聊你的情况”,不用太硬。
这四块拆明白了,我再用AI生成文案的时候就不是让它自由发挥,而是按块下指令。我会跟AI说“先给我五个钩子版本,每个不超过二十字”,等它出完我再挑一个最顺眼的,继续让它往下写痛点和价值部分。分块生成比一次性生成整篇可控得多,哪块不满意就重做哪块,不会牵一发动全身。
2.3 文案润色与口播化改写:口语节奏、时长控制、重点提炼与敏感词规避
AI写出来的初稿有个通病,太像文章,不像人说的话。句子长、连接词多、书面语扎堆,读起来没问题,念出来就特别别扭。我改口播稿有一个笨办法,就是打开手机录音,自己念一遍。念着卡壳的地方,就是得改的地方。念着喘不上气的地方,就是句子太长了。这个办法比任何工具都好使。
口语节奏这事儿,我的体会是句子要短,短句才有力量。一长串定语套定语,观众听着听着就跟丢了。我会把长句拆成两三个短句,多用人称代词“你”和“我”,少用“该”“其”“此”这类字眼。语气词适当放一点进去,“啊”“呢”“吧”这种,别多,多了显得不专业。念起来顺不顺,耳朵比眼睛靠谱。
时长控制我靠字数换算。一分钟口播大概两百到两百四十个字,这个比例我试过很多次,比较准。写完文案我直接数字数,超了就砍,不够就补。重点提炼也是同样的思路,一条短视频只能有一个核心观点,我经常问自己:观众看完这条视频,能记住的一句话是什么?这句话想不出来,说明文案还没收敛。
敏感词规避这个环节我踩过坑。有一次文案里用了“最便宜”“第一”这种词,发出去没流量,后来查了才知道是踩了广告法的线。现在我养成了一个习惯,文案定稿之前过一遍平台的敏感词检测工具,再用AI帮我扫一遍,让它标出可能有风险的表述。AI有时候会误标,但宁可多标几个我自己判断,也别漏掉真有问题的地方。
2.4 从长文案到短视频文案:信息压缩、分段脚本与多版本标题生成
我手头经常有长文案,公众号文章、产品说明书、课程讲义,几千字扔过来要改成短视频。这个过程说白了就是做减法,减到只剩骨头。我的做法是先通读一遍,拿笔划出三到五个必须保留的信息点,其余全部砍掉。舍不得砍是新手最容易犯的毛病,什么都想讲,结果什么都讲不透。
信息压缩有个技巧,我管它叫“一句话一层意思”。长文案里一段话可能包含三层逻辑,我把它拆开,每层压成一句话,再按重要程度排序,只留前两层。第三层通常是补充说明,短视频里根本放不下。压完之后我再用AI帮我做一轮改写,指令里加一句“把下面的内容压缩到三百字以内,保留核心观点,删除所有举例和修饰”,AI处理这种任务又快又稳。
分段脚本是我从长文案到成片的中间桥梁。我会把压缩后的文案按镜头切成一段一段,每段对应一个画面或一个动作。切的时候我会想,这句话配什么画面观众更容易理解。有的句子适合口播配文字,有的句子适合配实拍画面,有的句子适合配数据图表。分段脚本写清楚,后面生成素材和剪辑的时候就不会手忙脚乱。
标题我从来不只出一个。我会让AI一次性生成十到十五个标题版本,风格拉开,有悬念型、有数字型、有提问型、有反常识型。生成完我自己筛,筛的标准很简单:哪个标题我自己刷到会点进去。筛完留三到五个,发布的时候做A/B测试,看哪个点击率高。这套流程走下来,标题的命中率比拍脑袋想高不少。有时候AI给的标题不完美,但它能给足量,量大了总有能用的,这本身就是一种效率。
3.1 从文案到分镜:场景拆解、镜头顺序、镜头时长与节奏安排
我拿着定稿文案开始拆分镜的时候,脑子里只有一个念头:这句话如果让观众看画面,该看什么。文案是听觉逻辑,分镜是视觉逻辑,这中间的翻译工作没人能替你做。我通常会把口播稿打印出来,拿支红笔在每句话旁边画竖线,一条竖线就是一个镜头。画完一数,六十秒的稿子大概切出十五到二十个镜头,密度差不多。
场景拆解有个笨办法很管用:我把每句话当成一道填空题,“这句话在讲__,观众需要看到__才能相信”。比如文案写“三个月涨粉二十万”,画面就得有后台数据截图或者增长曲线。文案写“我以前也踩过这个坑”,画面就得有熬夜改稿、废纸篓堆满纸团的场景。每句话都得找到那个能让观众眼睛落脚的锚点,找不到锚点的句子,要么补画面要么砍掉。
镜头顺序我一般按情绪曲线来排,不按文案顺序死磕。开场三秒必须是强视觉冲击,哪怕文案还在铺垫,画面已经先抓人了。中间部分按“问题场景—解决动作—结果呈现”走,偶尔穿插一点人物反应镜头,别让观众一直看同一类画面。结尾镜头我习惯留两秒空镜,配音停了画面还在,给观众一个缓过来的空间,这个细节对完播率有好处。
镜头时长我有个粗糙的标准:动态画面两到三秒,静态画面或者图文展示三到四秒。低于两秒观众看不清,高于四秒节奏就会拖。打斗或者快节奏混剪可以压到一秒以内,但那是特殊处理,日常口播视频用不着。我还会故意让镜头时长参差一点,别每个镜头都一样长,那样剪出来像PPT翻页,观众三秒就腻。
3.2 AI辅助生成分镜脚本:画面描述、提示词结构与镜头语言表达
我自己写分镜最大的短板是画面描述太笼统。写“办公场景”四个字扔给AI生图工具,出来一堆西装革履对着电脑假笑的图,跟我想要的“凌晨两点工位上泡面盒堆成山”差了十万八千里。后来我学乖了,写画面描述必须具体到光线、角度、景别、道具、人物状态,这五个要素缺一个AI就开始自由发挥。
我摸索出一个分镜提示词的结构模板,用起来顺手。开头给场景定调,“夜晚室内,暖黄台灯光源,桌面杂乱”;中间写主体动作,“年轻人趴在键盘上睡着,屏幕还亮着”;结尾加镜头参数,“中景,侧面角度,轻微俯拍,背景虚化”。这三段拼一起扔给AI,出来的图跟脑子里想的能对上七八成。这个模板我每次微调几个词就能复用,省了不少琢磨的时间。
镜头语言表达这块,我一开始完全凭感觉,后来专门花时间补了课。景别得会用,远景交代环境,中景讲故事,近景带情绪,特写强调细节。角度也有讲究,平视拉近距离,俯拍显得渺小,仰拍制造压迫。运镜更得控制,推镜头聚焦注意力,拉镜头交代关系,摇镜头带出环境信息。这些词写进分镜脚本里,AI生视频的时候能识别,画面动起来的方向就不会乱。
我让AI生成分镜脚本的时候,会给它一个约束:“每个镜头描述不超过四十个字,必须包含景别、角度、画面主体、动作、环境光五个信息。”格式锁死了,它就不会给你写小作文。生成完我再人工过一遍,把那种“充满科技感的未来都市”之类的空话删掉,换成“蓝紫色霓虹灯下,雨夜街道,积水反光”这种AI能生出来的具体描述。
3.3 视觉一致性设计:角色设定、色调风格、字体规范与转场逻辑
视觉一致性这件事,栽过跟头才知道疼。我做过一条视频,前三个镜头主角穿黑T恤,第四个镜头AI给我生成了一个穿花衬衫的大哥,观众直接在评论区问“换人了吗”。从那以后我每次开工前先做角色设定卡,把人物的年龄、发型、脸型、体型、常穿服装、配饰全部写死。写死之后每次生图都带着这段描述走,出来的角色才像同一个人。
色调风格我也开始提前定。以前每个镜头单独调色,成片花花绿绿像打翻调色盘。现在我开工前会先定一套色板,主色一个、辅助色两个、点缀色一个。生图提示词里我就把颜色写进去,“暖橙色调,低饱和度,胶片质感”,出来的素材色调统一,后期调色只需要微调就能对齐。风格词我固定用几个:日系清新、赛博霓虹、复古胶片、极简白底。每次选一个,全片贯彻到底。
字体规范是很多人忽略的细节。我字幕字体只用两款,一款常规黑体走正文,一款粗黑体走强调关键词。字号也定死,正文四十八号,强调六十号,片头标题七十二号。花字和贴纸的位置我习惯放在画面下方三分之一区域,避开人脸和关键信息。这套规范一旦定下来,后面每条视频套着用就行,不用每次重新纠结。
转场逻辑我遵循一个原则:转场服务于节奏,不服务于炫技。情绪连贯的段落之间用硬切,干脆利落。时间跳跃或者场景大转换用叠化,给观众一个缓冲。动作衔接处可以用相似物转场或者方向转场,让画面动势接得上。花哨的旋转、翻页、故障效果我基本不用,短视频刷久了观众对花哨转场早就免疫了,硬切反而显得专业。
3.4 素材规划与制作分工:哪些用AI生成、哪些用实拍或模板替代
素材规划这个环节,我的原则是能用AI的用AI,AI搞不定的别硬上。我列了一张清单,大概分三类。第一类AI擅长的:氛围空镜、抽象概念可视化、历史或者未来场景、超现实画面、卡通或者插画风格。这些AI生成效率高成本低,十分钟出十张图慢慢挑。第二类AI搞不定的:真人出镜口播、产品实物展示、需要精准文字排版的画面、复杂的手部动作。这些老老实实实拍,省得后期修到崩溃。
实拍和AI混用有个技巧,我管它叫“锚点统一”。实拍画面和AI画面拼在一起,色调、光线方向、景别得统一。我实拍的时候会特意把色温调到跟AI素材接近,拍完先调一版色再跟AI素材混剪。混剪的时候我还会让AI生成素材和实拍素材交替出现,别让同类素材扎堆,观众视觉疲劳会提前划走。
模板替代是降本增效的隐藏选项。片头片尾我直接用剪映模板改字改色,三分钟搞定。数据展示、图表动画、进度条这些用模板比AI生成稳,模板本身已经调好了动效节奏,改几个数字就能用。字幕条、花字标签、进度提示这些我也囤了一批模板,按风格分类存好,用的时候拖进时间线改文案,比自己从零做快好几倍。
分工这块我习惯先画一张素材表,横轴是镜头号,纵轴是素材来源、生成工具、制作责任人、截止时间。表填完了一看就知道哪些镜头工作量最大、哪些环节容易卡住。我自己的经验是AI生图生视频这一块最容易超时,因为要反复抽卡试提示词。所以我会把AI素材的截止时间往前提两天,留出抽卡和返工的时间,实拍和模板部分反而可以往后排。这张表贴在桌面旁边,每完成一个镜头打个勾,进度一目了然,焦虑感少一大截。
4.1 AI文生图与图生视频:工具选择、提示词优化与参数设置
分镜脚本锁死之后,我面临的第一个硬仗就是让画面从文字里长出来。生图工具我电脑上常驻四五个,每款脾气都不一样。Midjourney审美在线,出图自带电影感,适合做封面和关键帧,就是对中国本土场景的理解差口气,你让它生“城中村早餐摊”,它给你整出个香港茶餐厅的味儿来。Stable Diffusion可控性最强,装个ControlNet能把构图锁得死死的,学习曲线也最陡,我头两周净跟报错信息较劲了。国内的工具像可灵、即梦,对中文提示词理解到位,“早高峰地铁车厢里挤满低头看手机的人”这种描述它能接住,出图速度也快,就是风格化选项少一点。
提示词优化这件事,我把它当手艺活来练。刚开始写“一个女孩在咖啡馆看书”,出来的图全是ins风网红照,假得我头皮发麻。后来我学会往提示词里塞“不完美”的细节:书页卷边、咖啡杯沿有口红印、窗玻璃上有雨渍、女孩头发有一缕翘起来。这些毛边让画面有了人味儿。我的提示词模板现在是四段式:主体描述+环境细节+光线氛围+画质参数。主体描述里必须包含年龄、发型、服装、动作、表情,环境细节写三个以上的具体物件,光线氛围定时间、光源方向、色温,画质参数挂上“8k、raw photo、自然光”之类的尾巴。这样一套走下来,出片可用率从十张挑一张提到了三张挑一张。
图生视频是另一层考验。我一般从生好的图里挑最有潜力的那张,导入可灵或者Runway,让画面动起来。参数设置这块我踩过的坑能写一本小册子。运动幅度不能拉满,拉满画面就崩,人脸会扭曲成毕加索的画。我一般把运动强度定在30到50之间,动作描述写“轻微呼吸起伏、窗帘缓缓飘动、咖啡热气升腾”这类微小变化,出来的视频才像实拍素材而不是PPT动画。生成时长选四秒或者五秒,太长了后半段就开始糊。还有一点,图生视频之前先把原图裁成目标画幅,横屏竖屏各裁一版,别指望AI帮你重新构图,它只会把原有的画面拉伸变形。
4.2 AI配音与数字人口播:音色选择、语速情绪、口型匹配与多语言适配
配音这事我交过不少学费。最早图省事,所有视频都用同一个默认男声,评论区有人问“你是不是只会这一种声音”。后来我打开音色库慢慢试,发现选音色得跟人设走。做知识干货类内容,男声选偏低沉稳重的,女声选偏知性干净的,语速拉到每分钟二百二十字左右,听起来不赶也不拖。做生活vlog类,音色就得松弛一点,语速降到一百八,尾音带点上扬,像跟朋友聊天。我现在的习惯是每条视频至少备三个音色试听,闭着眼睛听一遍,哪个声音让人想继续听下去就用哪个。
语速和情绪的调校比选音色更费心思。工具面板上的语速滑块我很少超过六十,超过之后字与字之间黏连,像赶火车。情绪标签得灵活用,开场钩子用“兴奋”或者“悬念”,中间干货部分切到“沉稳”或者“专业”,结尾行动号召再加一点“鼓励”的劲儿。我还会手动给文案加停顿标记,逗号处停零点三秒,句号停零点五秒,段落之间停一秒。这些细碎的节奏调整累积起来,听众才会觉得这个声音有人在后面呼吸,而不是机器在念稿。
数字人口播我最近试得比较多。口型匹配这块,国内的工具像HeyGen、闪剪做得已经挺自然了,选好形象之后把音频传上去,口型能对上七八成。但要注意,数字人适合坐姿固定机位,你要是给它设计一个边走边说的镜头,嘴型就开始飘。多语言适配是数字人的隐藏杀器,同一条文案我先出中文版,切个英语或者日语配音,口型自动适配,海外分发省了请外语主播的钱。不过翻译得自己过一遍,机器翻译出来的口播稿往往太书面,念出来像新闻联播,得改成口语短句才顺耳。
4.3 AI音乐与音效制作:BGM氛围、节奏卡点、音量层次与版权授权注意
BGM选得好,视频质感直接翻倍,选得差,观众三秒划走。我电脑里存了一个分类文件夹,按氛围打标签:励志燃向、温暖治愈、悬疑紧张、轻快日常、科技未来感。做视频的时候先定情绪基调,再从对应文件夹里挑三首备选,拖进时间线轮流听,哪首跟口播节奏最合拍就用哪首。工具方面Suno和Udio我都在用,Suno生成速度快,给一段文字描述就能出完整编曲,适合快速出demo试氛围。Udio的可控性强一些,能指定乐器、节奏型、时长,就是出歌慢,得等。
节奏卡点这个技巧用好了特别提气。我会在剪辑软件里先把口播音频的波形图打开,找到重音和停顿的位置,再手动把BGM的鼓点或者旋律重音对齐到这些位置。动作场面每个镜头切换点卡在鼓点上,观众会有种“被推着走”的爽感。音量层次是另一门功课。我的黄金比例大概是:人声百分之百、BGM百分之十五到二十、音效百分之三十到四十。BGM音量在口播段落压到十五左右,音乐段落或者空镜可以推到三十。音效别铺太满,转场一个“嗖”、字幕弹出一个“叮”、重点强调一个“咚”,够了,再多就成噪音了。
版权授权这件事我吃过闷亏。早期直接从音乐平台扒热门歌曲当BGM,发出去播放量刚起来就收到侵权通知,视频下架还扣了信用分。从那以后我立了条规矩:所有商用视频只用工具有明确商用授权的音乐。Suno和Udio付费版生成的音乐可以商用,但得看清楚条款里有没有限制。国内平台像剪映的音乐库、爱给网、耳聆网,标注了“可商用”的曲目才碰。音效也一样,网上下载的免费音效包很多只能个人使用,商用得单独买授权。我现在建了一个“已授权音乐音效”文件夹,每次下载完把授权截图和文件放一起,用的时候心里踏实。
4.4 素材质量检查:清晰度、连贯性、人物一致性与平台规格适配
素材生成完扔进时间线之前,我有个雷打不动的检查环节。清晰度是第一道关,AI生图有时候会出那种远看挺美近看糊成油画的图,放大到百分之二百看细节,睫毛是不是一根根分明、文字边缘有没有锯齿、暗部有没有噪点。视频素材就看运动模糊是否自然、有没有奇怪的帧间闪烁。不合格的直接淘汰,别想着后期锐化能救,锐化只会让噪点更扎眼。
连贯性检查我按分镜顺序把素材排成一溜,从头到尾快速播放一遍。重点看三件事:色调跳不跳、景别变化有没有逻辑、动作方向接不接得上。上一镜人物朝右走,下一镜突然朝左,观众脑子会卡一下。人物一致性是AI素材的老大难,同一个角色在不同镜头里脸型、发型、服装容易漂移。我的对策是每个角色建一个“身份卡”,把最满意的那张正面图存下来,后面每次生图都把它作为参考图喂给工具,再加上固定的外貌描述词,漂移概率能压到最低。
平台规格适配属于最后一道保险。抖音竖屏一千零八乘一千九百二,视频号竖屏一千零八乘一千二百六,B站横屏一千九百二乘一千零八,小红书方图一千零八十乘一千零八十。我剪之前先把项目尺寸定死,所有素材导入之后统一裁切缩放,别等导出才发现两边有大黑边。封面图单独做一版,文字控制在画面中央安全区内,四周留出被平台UI遮挡的余量。导出参数我固定用H.264编码,码率拉到八千到一万,帧率三十,音频 AAC 一百二十八 kbps。这套参数喂给哪个平台都不会被二次压缩得太惨,画质能保住。
5.1 素材导入与粗剪:按分镜对齐文案、配音与画面节奏
素材攒齐之后我先把它们全倒进时间线,这时候别急着精修,粗剪阶段就干一件事——把骨架搭起来。我习惯先把配音轨铺在最底层,听着声音来找画面节奏,音频波形图就是我的地图。文案念到哪一句,对应的画面就拖到哪句上头,分镜脚本这时候当参照表用,序号对不上的地方标个记号回头再补。粗剪的节奏感比画面精美度重要十倍,我宁可画面糙一点,也不能让观众觉得拖沓。每个镜头停留时长我凭语感定,一般口播类画面两到三秒换一次,信息密度高的段落缩到一点五秒,空镜和情绪镜头可以放到四秒。
粗剪过程中我有个笨办法特别管用:把播放速度调成一点五倍速过一遍。正常速度看容易陷进细节,倍速看的时候哪里卡顿、哪里拖沓、哪里信息过载,身体本能会有反应。我一般看两遍倍速版,第一遍标记所有“想快进”的位置,第二遍标记“没看懂”的位置。这两个标记点就是粗剪要动刀的地方。删素材这件事得心狠,生成的时候觉得每一帧都珍贵,剪的时候该扔就扔,观众不会因为你少放一个镜头觉得遗憾,只会因为你多放了三秒无聊画面划走。
音画对齐有个细节很多人忽略:画面切换点要稍微提前于语音重音半拍左右。观众耳朵听到重音的时候,眼睛已经看到新画面了,这种微妙的提前量会让人觉得“流畅”,反过来画面慢半拍就会产生拖拽感。我一般把口播里每句话的第一个重音字位置标出来,然后把对应镜头的入点往前挪六到八帧。这个习惯是从做 MV 的朋友那偷学来的,用在口播视频里同样好使。
5.2 字幕与花字设计:自动字幕、关键词强调、贴纸与信息层级
自动字幕我每条视频都用,但从来不敢直接用。剪映和 Premiere 的语音识别准确率现在能到九成五左右,剩下那百分之五全是专有名词、数字和人名,偏偏这些地方最不能错。我的流程是自动生成字幕后逐句过一遍,碰到数字把阿拉伯数字改成中文大写,碰到行业术语检查有没有识别成同音错字。断句也得手动调,机器按呼吸停顿切句,有时候一句话被切成三段,读起来磕磕巴巴,我按语义完整度重新合并或者拆分。
关键词强调这件事得克制。早期我恨不得每句话都加个花字,颜色换着来,动画轮着上,做出来的视频像过年贴春联。后来看数据发现观众注意力全被花字带跑了,正片内容反而没记住。现在我的规矩是每十五秒最多一个强调花字,只给三类内容加:核心结论、关键数字、行动指令。样式也统一,主标题用品牌色加粗描边,副标题用白色细体,位置固定在画面下方三分之一处,观众形成视觉习惯之后扫一眼就知道重点在哪。
贴纸和图示属于锦上添花的东西,我的原则是能用图标不用贴纸,能用图示不用文字框。比如讲“三个步骤”的时候,与其打三行字,不如放三个带编号的圆形图标从左到右排开,观众脑子里的结构感一下就出来了。信息层级这件事说白了就是让观众知道先看哪后看哪,主标题字号最大、颜色最跳,副标题次之,辅助信息最小最淡。我做完一版字幕会把画面缩小到手机屏幕尺寸看一眼,如果眯着眼睛还能分清主次,这版就合格了。
5.3 转场、调色与音画同步:提升观看流畅度与专业感
转场效果我越用越少。刚学剪辑那会儿恨不得每个镜头之间都加个花哨转场,翻页、缩放、旋转轮着来,生怕别人不知道我会用特效。现在整条视频能用硬切就用硬切,硬切让节奏干净利落,观众注意力留在内容上而不是转场上。只在三种情况下加转场:时间跨度大的场景切换用叠化,强调节奏突变的地方用快速推拉,同一场景内视角切换用轻微的左滑或者右滑。转场时长控制在零点三到零点五秒,超过半秒观众就会感觉到“等”。
调色这块我走的是统一优先路线。一条视频里所有素材的色温、对比度、饱和度先往同一个方向拉,AI 生成的图和视频素材来源杂,有的偏冷有的偏暖,不统一调一遍剪在一起像拼贴画。我一般在剪辑软件里建一个调整图层盖在所有素材上面,先拉一个基础 LUT 定基调,再单独修偏色严重的片段。人像素材重点看肤色,AI 生成的人物肤色容易偏灰或者偏黄,用色轮把中间调往红偏一点、高光加一点暖,肤色立刻活过来。画面整体我偏好在高光里加一点点蓝、阴影里加一点点青,出来有种干净的数码感,不算风格化但足够顺眼。
音画同步的检查我放在最后做,但检查方法比较笨——戴耳机闭着眼睛听一遍。眼睛不看画面的时候,耳朵对声音和画面的错位特别敏感,口型差个两三帧都能察觉出来。音效和画面动作的同步同理,关门声必须卡在门合上的那一帧,脚步声要跟脚步落地对齐。还有个小细节:BGM 的淡入淡出别用软件默认曲线,默认曲线太陡,听着突兀。我手动把淡入拉到一点五秒,淡出拉到两秒,结尾留半秒静音再黑屏,观众的情绪有个落点。
5.4 导出与多版本适配:封面制作、横竖屏版本、平台尺寸与文件规格
导出之前我先把工程文件另存一版带日期后缀的,这是被坑出来的习惯。有次导出完发现字幕错位,回头想改发现自动保存覆盖了原工程,只能从头再来一遍。另存完做三件事:检查所有素材有没有丢失链接、播放一遍从头到尾看有没有黑帧、确认字幕和花字都渲染在画面内没有被裁切。确认无误再点导出。
导出参数我固定用一套组合:H.264 编码、码率八千到一万、帧率三十、音频 AAC 一百二十八 kbps、色彩空间 Rec.709。这套参数发给任何平台都够用,平台二次压缩之后画质损失最小。竖屏和横屏我分开建工程,不在一版里硬裁。竖屏版重点保证人物面部在画面中上部安全区内,底部留出平台字幕和按钮的遮挡空间。横屏版左右两边多出来的画面信息可以放补充字幕或者装饰元素。小红书方图版本单独做一版,把核心信息压缩到画面正中央的正方形区域里。
封面制作我单独花二十分钟以上。封面是观众决定点不点进来的第一眼,比视频前三秒还重要。我的封面公式是:人物半身像或者产品特写占画面三分之二、大标题六个字以内压在人物旁边、背景跟视频主色调一致。标题字体用粗黑体加描边,颜色从视频画面里提取一个对比色,保证小图状态下也能一眼看清。做完导出一张一千二百八十乘七百二十的横版和一张一千零八十乘一千四百四十的竖版备用。最后把成片、封面、字幕文件、工程备份统一放进一个文件夹,命名格式是“日期+主题+版本号”,下次要改直接翻文件夹就行。
6.1 发布策略设计:标题、标签、封面、发布时间与A/B测试
视频剪完导出只是完成了产品,发布才是真正的销售环节,这一步我踩过的坑比剪辑还多。标题我一般准备三到五个版本,同一期内容换不同的切入角度去写,有的偏向悬念有的偏向干货直给,有的用数字清单有的用提问。发出去之前我会选两个版本做A/B测试,抖音可以发两遍但改标题和封面,小红书直接建两条笔记分时段发,看哪条数据跑得快。测试样本不用大,前两小时的自然流量就能看出端倪,点击率差百分之二十以上基本就分出胜负了。
标签这件事我走过极端,一开始恨不得把能想到的热门标签全挂上去,后来发现标签越多系统越不知道把你的内容推给谁。现在我的习惯是三层标签法:一层是内容品类词,比如“AI教程”“视频制作”,一层是细分场景词,比如“自媒体干货”“副业工具”,一层是自造的话题词,用自己的系列名做话题,哪怕只有几十个人看也坚持挂,时间长了观众能顺着话题找到你所有相关内容。标签数量控制在五到八个,多了不精,少了不够。
发布时间我试过整整两个月才摸出规律。工作日早上七点半到八点半是通勤高峰,短视频消费量大但竞争也大,适合发轻量娱乐向内容。中午十二点到一点是午休窗口,知识类干货在这个时段完播率最高。晚上八点到十点是黄金档,流量池最大但你的对手也最多,新号在这个时段发容易被淹没,我一般避开正面对决,选晚上十点半之后发,竞争小了但夜猫子用户粘性反而高。周末整体流量偏娱乐化,干货内容我会压到周日晚发,观众有“为新一周做准备”的心理暗示。
封面这件事我单独说,因为它是点击率的命门。我的封面制作流程固定:先截取视频里最有信息量的画面,人物表情要有情绪或者产品展示要清晰,然后把标题压上去。标题字数我控制在六到九个字之间,太短信息量不够太长手机上看不清。字体用思源黑体heavy加描边,颜色从画面里提取一个高饱和对比色。最关键的检验步骤是把封面缩小到手机屏幕尺寸的百分之三十看一遍,如果这时候还能一眼读出标题,这版封面就过关。A/B测试封面的时候我一般一次换一个变量,要么换图要么换字,同时换两个变量数据出来了也不知道是谁的功劳。
6.2 数据复盘与迭代:完播率、互动率、转化效果与内容优化方向
数据面板我每天看两次,早上看前一天的发文数据,晚上睡前看当天实时曲线,但看的核心指标就那几个,不会陷进数据海洋里出不来。完播率是我最看重的指标,没有之一。一条视频完播率低于百分之二十,说明开头三秒没留住人,问题出在钩子上;完播率在百分之二十到三十五之间,说明中段有拖沓,观众看到一半跑了;完播率超过百分之四十五,这条内容的结构和节奏就值得作为模板复用。我习惯把完播率曲线截图存下来,对比不同视频的曲线形状,五秒处陡降说明开场废话太多,三十秒处平缓说明中段信息密度不够。
互动率我拆成三个维度看:点赞率反映内容认同感,评论率反映话题参与度,转发率反映社交货币价值。点赞高评论低说明观众觉得“不错”但没有想说的,评论区需要主动埋钩子,比如结尾留一个开放式问题或者故意留一个无关紧要的小错误让观众来纠正。转发率高说明内容有“替我说了我想说的话”的属性,这类内容我会在后续选题里加重比例。收藏率是我最近的关注重点,收藏行为代表用户觉得“以后有用”,知识类内容收藏率超过点赞率的一半就算跑赢了,说明内容有长尾价值。
转化效果我分两层看,一层是浅层转化,比如主页访问量、关注转化率,一层是深层转化,比如私信咨询量、商品点击率。浅层转化看内容和人设的匹配度,观众看完视频愿不愿意点进主页看看你是谁。深层转化看视频里有没有设计明确的行动路径,口播里提没提“主页有”“评论区见”“私信我”。我做过一个对比测试,同一条视频一个版本结尾只说“关注我”,另一个版本说“关注后私信回复工具包领取”,后者的关注转化率翻了将近三倍,哪怕前者的完播率更高。观众需要具体的行动理由。
复盘频率我定在每周一次深度复盘,每月一次大复盘。周复盘看数据波动找原因,月复盘看趋势找方向。复盘笔记我记在一个在线表格里,每条视频记录发布日期、选题、标题、封面版本、完播率、互动率、涨粉数、转化数,旁边一列写主观判断“这条为什么好或者为什么差”。三个月之后回看这个表,规律自己就浮出来了,哪种选题方向数据稳定、哪个发布时间段效果好、哪类封面点击率高,全在表里写着。
6.3 AI短视频制作全流程步骤与工具推荐:低成本方案、进阶方案与组合工作流
全流程我梳理成七个步骤,每一步都有对应的工具方案,从零成本到进阶付费我都试过,下面直接给配置清单。
低成本方案适合刚起步练手的朋友,总成本控制在零到五十块。文案用DeepSeek或者Kimi免费生成,提示词写清楚平台、时长、风格、受众四个要素就能出可用初稿。图像生成用即梦AI的免费额度,每天签到送积分够做一条视频。视频生成用可灵AI的免费版,五秒镜头攒几条拼起来用。配音用剪映自带的文本朗读,选“阳光青年”或者“知性女声”这类基础音色,调一下语速就能用。剪辑直接在剪映里完成,自动字幕、花字模板、转场特效全免费。封面用Canva免费版或者稿定设计的模板。发布用手机端直接发,数据看平台自带后台。这套方案做出来的视频质量能满足入门级需求,缺点是可灵免费版有水印、时长受限、生成排队时间长。
进阶方案适合已经有稳定更新节奏、开始考虑变现的创作者,月成本五百到一千五左右。文案我用Claude或者GPT-4o做初稿加润色,指令里带上“口语化”“短句”“每句不超过二十字”这类硬性约束,出来的稿子直接能念。图像升级到Midjourney标准版或者即梦AI付费版,出图质量和风格一致性明显提升。视频生成用可灵付费版加Runway Gen-3组合,可灵负责人物口播和常规镜头,Runway负责特效镜头和创意转场。配音我换成ElevenLabs,音色库大很多,情感表现力强,还能克隆自己的声音。数字人口播用HeyGen或者硅基智能,适合批量做同质化内容。音乐用Suno生成定制BGM,避免版权风险。剪辑还是用剪映专业版,但导出用PR做精细调色和音频处理。数据复盘用飞书多维表格自己搭一个轻量看板。
组合工作流我目前跑通的最顺一条链路是这样:DeepSeek出文案初稿,我手动改一遍口播化处理,然后丢给即梦生成分镜图,挑出可用的图丢给可灵图生视频,配音用ElevenLabs生成音频轨,全部素材进剪映做粗剪加自动字幕,导出后用PR做最终调色和音频压缩,封面用稿定设计套模板改字,发布用创客贴做多平台尺寸适配。整条链路跑下来,一条一分钟的成片从文案到发布大约三到四小时,比纯手工做效率提升五倍以上。
工具之外我想多说一句:工具更新迭代太快了,今天推荐的版本半年后可能就变了,比记住具体工具更重要的是记住“每个环节都要有备选方案”。文案工具有两个、图像工具有两个、配音工具有两个,一个挂了立刻换另一个,不断更才是做账号的第一原则。
6.4 常见问题排查:画面不连贯、配音不自然、字幕错位、版权风险与效率优化
画面不连贯是AI视频最常见的问题,我遇到的情况分三种。第一种是同一个角色在不同镜头里长得不一样,解决办法是固定seed值加详细的外貌描述,把发型、服装、脸型、年龄特征写进每一段提示词里,必要时用参考图功能锁住角色形象。第二种是镜头之间色调跳变,这个在剪辑阶段用调整图层统一拉LUT能解决大半,剩下的在生成阶段就把色温描述写进提示词,比如“暖色调黄昏光线”每条都带上。第三种是动作衔接断裂,上一个镜头人物在走路下一个镜头突然坐着,这种问题出在分镜阶段没规划好动作连续性,我在写分镜脚本时会标注每个镜头的“起始状态”和“结束状态”,生成时按状态描述去写提示词。
配音不自然我踩过两个坑。一个是机器味太重,每个字都咬得清清楚楚反而假,解决办法是换音色加调参数,ElevenLabs里把stability调低一点、similarity调高一点,出来的声音有呼吸感有轻重变化。另一个是语速均匀没有节奏,整段话一个速度念下来像新闻联播,我在文案阶段就标好哪里该快哪里该慢,重点句前面加逗号或者破折号制造停顿,配音时手动调那几句的语速,或者分段生成再拼起来。数字人口播还有个口型对不上的问题,目前的技术做不到百分之百匹配,我的经验是选正面半身像、嘴部动作幅度小的形象,生成时输入音频让工具自己对口型,后期剪辑时把画面稍微放大一点裁掉嘴部特写的部分,观众注意力就不在嘴上了。
字幕错位分两种,一种是时间轴错位,字幕比语音慢了半秒或者快了半秒,这个在剪映里全选字幕轨整体拖动就能校准,我一般对着波形图找每句话的第一个字手动对齐。另一种是字幕被画面裁切,竖屏视频底部容易被平台UI挡住,解决办法是在剪辑时把字幕安全区往上提,我习惯把字幕底边放在画面高度百分之七十八的位置,这个位置在绝大多数平台都不会被遮挡。自动字幕识别错误前面章节说过,这里补充一个新经验:生成字幕后先导出一版纯字幕文件SRT,用文本编辑器批量替换专有名词,再导回剪辑软件,比在时间线上逐句改快十倍。
版权风险我列个自查清单,每次发布前过一遍。BGM来源是否商用授权、AI生成的图像和视频是否涉及真实人物肖像、文案里有没有引用未经授权的数据或观点、字体是不是免费商用字体、背景里有没有出现品牌logo或者受版权保护的艺术作品。AI生成内容还有一个隐蔽风险:提示词里如果写了“迪士尼风格”“皮克斯风格”这类词,生成的画面可能涉及风格侵权,我的习惯是提示词里只描述视觉特征不写具体品牌名。音乐我用Suno生成的时候会在提示词里写明“royalty free”和“original composition”,生成后听一遍确认没有明显抄袭某首已知歌曲的旋律。
效率优化这件事我最大的心得是“模板化加批量化”。片头片尾做一套固定模板存成剪映草稿,每期视频直接拖进去改字。字幕样式、花字样式、转场参数全部预设好,新工程直接套用。文案的结构模板化,开场钩子三种模板轮换用,痛点场景两种模板,价值输出按干货密度分长短两版,行动号召固定三句话。批量化的意思是集中一个下午把一周的文案全写完,再集中一个下午把图全生成完,再集中一个下午全剪完,比每天零散做一条效率高得多。大脑在不同任务之间切换的成本比想象中大,集中做同类事情进入心流之后产出速度是碎片化作业的两三倍。