AI 短视频流水线：脚本到成片的六步，每步用什么、注意什么

这篇写的是我现在做一条 1 分钟 AI 短视频的完整流程，六个环节串下来，重点说每步用什么、哪些地方容易翻车。

一、脚本：先定结构再写词

60 秒的口播或故事，字数控制在 180 到 240 字，语速正常的话刚好一分钟。

结构我一般按四段走：

1. 前 3 秒钩子：一句反常识的话、一个问题、一个画面。
2. 中间展开：2 到 3 个点，每点一句话讲完。
3. 转折或高潮：情绪最高的一句。
4. 结尾：一句总结或者一个行动指引。

用 AI 写脚本时，别让它"写一篇短视频脚本"。把上面这个结构、字数、受众、语气一起给它，出来的东西能直接用。写完自己念一遍，拗口的地方一定改，后期改不起。

二、分镜：把脚本拆成镜头表

这一步最容易被跳过，也最值得做。格式很简单：

几个原则：

• 1 分钟大概 12 到 20 个镜头，单个镜头 3 到 5 秒。
• 画面描述只写镜头里能看到的东西，别写情绪和主题，模型理解不了。
• 每段旁白对应一个镜头，方便后面对齐。

三、生图：锁定角色是核心

1. 先单独生成主角形象，挑一张满意的当参考图，后面所有镜头都带着它。
2. 角色描述词固定成一个模板，每次原样复制：“25 岁亚洲女性，黑色齐肩发，米色风衣，室内暖光，写实摄影风格”。
3. 同一个镜头生成 4 到 8 张，挑一张。
4. 出图后先检查手、手指、文字、五官对称，这几处最容易崩，废图直接重来，别指望后期修。

四、生视频：图生视频为主

• 把每张分镜图丢进去，写清楚"镜头怎么动"：推、拉、摇、移、固定。
• 单次生成 5 秒左右，超了容易变形。
• 一条生成 3 到 6 次挑一条，这是正常的，别怀疑人生。
• 先低分辨率验证动作方向，选中了再高清重跑。

时间主要花在这一步，1 分钟成片，光生视频可能要一到两小时。

五、配音：本地 TTS 更划算

两条路：

1. 云端配音 API：方便，按字数计费，量小的时候省心。
2. 本地开源 TTS：量大之后几乎零成本，声音还能固定成角色音。

我的做法是用本地引擎配旁白，配乐单独找，最后在剪辑里混。混音时注意人声比背景音乐高 6 到 10 个 dB，不然听不清。

配音前把文本里的数字和英文改成中文写法，能少一半返工。这一步的细节在站里《长文本配音流水线》那篇里写了。

六、合成剪辑

工具用剪映或者 ffmpeg 都行，流程固定：

1. 按分镜表摆好视频片段，粗剪一遍看节奏。
2. 铺旁白，按旁白调整每个镜头的时长。
3. 加背景音乐，音量压到 -25 到 -20 dB 左右。
4. 加字幕，字幕按句断，别按字断。
5. 加转场，硬切为主，每 5 到 8 个镜头用一次转场就够了。
6. 调色统一：所有片段套同一个滤镜或者 LUT，能盖掉一部分生成差异。

ffmpeg 拼接的常规做法：

# 先建一个列表文件
# file 'clip01.mp4'
# file 'clip02.mp4'
ffmpeg -f concat -safe 0 -i list.txt -c copy raw.mp4

# 混音：人声 + 背景音乐
ffmpeg -i raw.mp4 -i voice.mp3 -i bgm.mp3 \
  -filter_complex "[1]volume=1.0[a];[2]volume=0.15[b];[a][b]amix=inputs=2[aout]" \
  -map 0:v -map "[aout]" -shortest out.mp4

七、时间和成本账

1 分钟成片，大概的投入：

• 脚本加分镜：20 到 40 分钟
• 生图：30 到 60 分钟
• 生视频：1 到 2 小时
• 配音：10 到 20 分钟
• 剪辑：30 分钟到 1 小时

合计 2 到 4 小时。成本主要在生视频的抽卡上，其余环节都很便宜。

八、给新手的两条起步建议

1. 先从 15 秒的做起。一分钟的做下来容易半途而废，15 秒能完整跑通流程，成就感来得快。
2. 先做不需要人物一致性的题材。风景、产品、美食、知识口播，比做剧情故事容易十倍。等流程熟了再上人物。