AI 视频从脚本到成片：一套能跑通的完整流程（2026 版）

先说实话：AI 做视频，难的不是生成，是串联

现在随便一个人都能生成一段 5 秒的炫酷画面，但真正做出一条能看完、能发布的视频，卡点几乎都在后面：分镜接不上、人物长得不像同一个人、配音像机器人、节奏拖沓。这篇不吹工具，只讲一条能跑通的流程。

第一步：先有脚本和分镜表，别急着生成画面

90% 的失败视频都是从"先随便生成点素材再说"开始的。正确的顺序是反过来：先用文字把片子定死。

1. 定主题和时长。1 分钟的口播视频大约 220–260 字文案；3 分钟大约 700–800 字。先按字数倒推，别写一大篇再删。
2. 写口播稿。把大模型当编辑用，提示词这样给："我要做一条 60 秒的科普口播，主题是 XX，受众是完全没有基础的人。写一版口播稿，要求：开头 3 秒抛出反常识结论，中间用三个并列点，结尾给一个行动建议，全文不超过 260 字，口语化，不要书面语。"
3. 拆分镜表。把稿子按句拆成 8–15 个镜头，每个镜头写清楚：画面内容、景别（远景/中景/特写）、镜头运动（推/拉/摇/固定）、时长。这张表是后面所有生成的依据，缺了它素材一定对不上。

第二步：素材生成，先定"人物一致性"再谈画质

文生视频和图生视频的选择，取决于你的片子里有没有固定主角：

• 没有主角（风景、产品、抽象画面）：直接用文生视频，把分镜表里每个镜头的描述翻译成提示词。提示词模板：主体 + 动作 + 环境 + 光线 + 镜头语言 + 画质词。例如"一位穿灰色卫衣的年轻人在清晨的书桌前敲键盘，中景，镜头缓慢推近，侧逆光，景深虚化"。
• 有固定主角：不要用文生视频，人物每次都会变脸。做法是先用图生图（或角色参考功能）把主角的照片固定成一张基准形象，再用这张图做图生视频，每个镜头都从同一张基准图出发，只改动作和环境。

生成时几个参数比画质更重要：

• 时长：单条生成控制在 5 秒内，接不上的地方用剪辑补，别硬凑 10 秒长镜头。
• 运动幅度：调低。运动越大越容易糊和变形，静态画面 + 轻微推拉最稳。
• 一次生成 3–4 条选一条：同样提示词多跑几次，挑手指正常、脸没崩的。AI 生成的瑕疵八成出在手和五官。

第三步：配音和字幕，别让声音毁掉画面

配音有三种做法，按投入从低到高：

1. AI 配音：把口播稿丢进 TTS 工具，选"自然/口语"而不是"播报"音色，语速调到 1.05–1.1 倍。机械感主要来自停顿不自然，可以在句号处手动加 150–300 毫秒停顿。
2. 自己录：手机 + 安静房间就够，离麦 15 厘米，语速比平时慢一点。录完做降噪和压缩，音量拉到 -16 LUFS 左右。
3. 真人 + AI 混合：开场自己录 5 秒建立信任感，后面交给 AI，是目前性价比最高的做法。

字幕一定要手工校对一遍。AI 自动识别对中文专业词、人名、英文缩写的错误率很高，一条错字幕比没有字幕更伤。

第四步：剪辑，节奏比特效重要

剪辑软件用剪映、CapCut 或 Premiere 都行，但三条铁律一样：

• 前 3 秒必须有事发生。不要开场 logo、不要"大家好"，直接上结论或者最冲击的画面。
• 每 2–4 秒切一次。短视频的注意力窗口就这么长。素材不够就换机位、放大、加局部特写，别让一个镜头静止超过 5 秒。
• 音乐音量压到人声的 20%–30%。很多人栽在这里，背景音乐盖过人声，观众 10 秒就划走。

转场少用花哨的，硬切和叠化能覆盖 90% 的场景。字幕位置固定在安全区内，别被平台右侧的按钮挡住。

第五步：发布和复盘，只看两个数

发出去之后不要盯着播放量，看两个指标就够：

• 3 秒完播率：低于 40%，说明开头没抓住人，问题在前 3 秒。
• 整体完播率：1 分钟视频低于 20%，说明中间节奏拖了，回去看哪一段掉得最狠。

同一条视频换个开头重发一次，往往能差出好几倍播放，这不丢人，是常规操作。

几个最容易翻车的地方

• 一条片子换三套画风。生成前先定统一的光线和色调词，每次提示词都带上，否则拼起来像四部不同的片子。
• 文案写成书面语。念出来别扭的句子，观众一定听不下去。写完自己读一遍。
• 忽视版权。AI 生成画面可以用，但背景音乐、字体、素材库图片要确认授权，商用尤其注意。
• 一条就发。同一套流程至少做 5 条再判断有没有效果，单条数据说明不了任何问题。