AI制作电商广告与品牌宣传片：从脚本到成片的完整工作流

为什么电商广告与品牌宣传片的生产方式正在改变

过去做一条 30 秒的品牌宣传片，流程固定得像一条流水线：写脚本、找导演、约场地、租设备、拍摄、剪辑、调色、配音、反复过审。这条流水线的问题不在于效果差，而在于它的最小起订量太高——你想测试三个不同的卖点，成本就乘以三；你想把同一支片子改成竖屏版本，又是一轮返工；你想在旺季前两周临时加一条促销片，几乎不可能排进档期。

生成式视频工具把这套约束拆开了。现在一条 15 秒的产品演示，可以从一张主图、三段产品卖点文案和一份分镜表开始，在几个小时内产出多个版本。真正的瓶颈也随之转移，从“能不能拍出来”变成了三件新事：

一致性：同一款产品、同一个模特脸、同一套配色，在不同镜头里不能崩。观众对品牌视觉的容错率很低，第三秒换了张脸，信任就断了。
可控性：同一段提示词能不能稳定复现某个画面？如果不能，你就没法迭代，只能靠运气抽卡。
批量化：有没有一套排产方法，让十几条素材的产出像流水线一样稳定，而不是每次都从头摸索。

换句话说，AI 视频的门槛不在于“会不会用工具”，而在于“有没有工程化的流程”。广告公司的价值曾在于设备和团队，现在更在于判断力与流程设计：知道什么镜头该交给哪类模型，知道哪些变量值得测试，知道什么时候该停下来别再用 AI 生成、改用实拍素材。

这篇文章给出一套可以直接照搬的工作流，覆盖从脚本到成片的全链路，适合电商运营、品牌市场部、独立设计师和小型内容团队。你会看到具体到字段级别的分镜表设计、可直接套用的提示词结构、一致性控制手段、批量测试的排产方法，以及一份症状排查清单。

开工前的三件事：目标、素材、品牌规范

大部分人失败在第一步：拿着“做一条好看的宣传片”这种目标去开工具，结果生成了一堆漂亮但没用的素材。开工前把下面三件事写清楚，后面能省下大量时间。

把目标写成一句可验证的话

不要写“提升品牌形象”，而要写“让看到前 3 秒的观众明白这是一款给通勤族用的降噪耳机”。可验证的目标通常包含三个要素：受众、单一卖点、期望动作。

电商投流素材：目标是点击与转化，视频要在 3 秒内出现产品，7 秒内出现核心卖点，结尾必须有明确的下单指引。
品牌宣传片：目标是记忆与好感，允许更长的铺垫，但必须有一个能被记住的视觉符号（一个颜色、一个动作、一个物件）。
详情页与站内视频：目标是把参数讲清楚，允许信息密度更高，节奏可以慢一些，字幕更重要。

同一批素材不要同时服务这三个目标。把目标分开，你会发现每条片子只讲一件事，反而更容易出效果。

素材清单与画质底线

在打开任何生成工具之前，先整理一个素材文件夹。经验上，一个合格的 AI 视频项目至少需要：

产品高清图 5–10 张：正面、45 度、侧面、细节特写、使用场景各一张。正面图用于一致性参考，特写图用于细节镜头。
真人或模特参考图 3–5 张：如果视频需要出现人物，优先准备同一人的多角度照片，或者直接使用虚拟人物形象并固定下来。
环境参考图 2–3 张：办公室、街道、家居场景，用来锁定光线氛围。
品牌视觉文件：主色、辅助色、字体、logo 的透明底文件。
文案与卖点清单：一句主标题、三到五条卖点、一句行动号召。

画质底线很简单：参考图短边不要低于 1000 像素，避免压缩伪影，避免强滤镜和美颜。模型会忠实放大你输入素材的问题，一张糊掉的参考图会让十个镜头全部糊掉。

品牌规范的“可执行版本”

品牌手册里的“科技感、年轻、有温度”对模型毫无意义。把规范翻译成模型能理解的具体描述：

色彩：主色 #0B5FFF，辅助白色与浅灰，禁止出现高饱和橙红。
光线：柔和侧逆光，室内用暖白 4000K，室外用阴天散射光。
镜头：35mm 与 50mm 等效焦段为主，特写用 85mm，避免超广角畸变。
质感：干净、留白多、无强对比噪点，画面中不出现杂乱文字。

把这四条固定成一段“风格后缀”，每次生成都附在提示词末尾。这是保证一批素材观感统一的最低成本手段。

从文案到分镜：把脚本拆成可生成的镜头

AI 视频最常见的失误是“一段提示词想讲一个完整故事”。生成模型擅长的是单镜头内的画面与运动，不擅长跨镜头的叙事。所以你必须先把脚本拆成一个个独立、时长可控、能被单独生成的镜头。

时长与节拍的基本盘

6 秒：单一钩子。适合信息流前贴，只讲一个动作或一个结果。
15 秒：钩子 + 演示 + 行动号召。电商投流的主力时长。
30 秒：可以放入一次转折，比如“以前的麻烦 → 现在的方式”。
60 秒以上：品牌宣传片区间，需要旁白或字幕承担叙事，画面可以更抽象。

一个实用原则：每个镜头 2–4 秒。低于 2 秒观众来不及识别画面内容，高于 4 秒在没有强运动的情况下会显得拖沓。按这个节奏，15 秒大约 5 个镜头，30 秒大约 9 个镜头。

镜头表应该有哪些字段

把分镜写成一张表，而不是一段散文。下面是一个可以直接使用的字段结构：

字段	说明	示例
镜号	顺序编号	S03
时长	秒数	3s
画面描述	一句话说清主体与动作	耳机放在桌面，手指按下播放键
镜头运动	推、拉、摇、移、环绕、跟随	缓慢推进
光线氛围	光源方向与色温	窗边侧光，暖白
参考图	对应素材文件名	product_front.jpg
字幕/旁白	该镜头承载的文字	通勤路上，只剩音乐

这张表的好处是：它同时是生成提示词的输入、剪辑的时间轴依据、以及给客户过审的文档。只要镜头表确认了，后面就是执行问题。

先做动画预演，再做高清

我强烈建议先做一次“纸面预演”：用低分辨率、快速生成的模式把整条片子的节奏跑一遍，配上临时旁白和音乐，看整体是否成立。很多项目的问题不在于某个镜头不好看，而在于镜头之间的逻辑跳了、节奏塌了。预演能把这些结构性问题提前暴露，成本几乎为零。

模型选择：按镜头类型匹配生成引擎

视频生成工具不是同质的。有的擅长人物表演，有的擅长产品质感，有的擅长镜头运动，有的擅长风格化画面。与其追排行榜，不如按镜头类型做匹配。

四类镜头与匹配思路

人物口播与情绪特写：优先选择对唇形、眼神、面部稳定性处理更好的模型。输入要有一张清晰正脸参考图，运动幅度控制在轻微点头、抬眼这类小动作。
产品展示与旋转：重点是几何稳定和材质还原。玻璃、金属、织物三类材质对模型要求不同，金属最容易出现闪烁，建议降低单镜头时长并配合首尾帧。
环境与氛围空镜：自由度最高，可以交给风格化更强的模型。适合用来做转场和情绪铺陈，成本也最低。
动作与场景交互：比如打开包装、倒水、穿戴。这类镜头容易出现手部变形，建议用图生视频并提供动作结束状态的参考图。

一个常见做法是混合使用：氛围镜头用风格化模型，产品镜头用写实模型，人物镜头用表演模型，然后在剪辑时统一调色。不同模型的画面质感差异，可以在后期用统一的色彩曲线抹平大部分。

图生视频与文生视频的取舍

文生视频适合概念探索和空镜。你想不出画面长什么样的时候，用它快速试十个方向，成本低、速度快。
图生视频适合所有涉及产品、logo、人物身份的场景。因为画面主体由参考图锁定，一致性天然更好。
首尾帧控制适合精确的转场和动作完成。给出起始画面和结束画面，让模型补中间过程，可控性最高，但准备成本也最高。

实操建议：任何带产品外观的镜头都用图生视频；只有在找感觉的阶段才用纯文生视频。

分辨率与试拍策略

不要在第一次生成时就用最高分辨率。工作流应该是：低分辨率快速试拍 → 选出方向和构图 → 用同一提示词与参考图重新生成高分辨率版本 → 只对高分辨率版本做后期。这样可以把算力和时间集中在真正需要的镜头上。

同样，不要在一个镜头上反复重试超过五次。如果五次都失败，说明提示词或参考图的结构有问题，改结构比继续抽卡更有效。

提示词与镜头语言：让画面可控可复现

提示词不是许愿，而是镜头说明书。写得好的提示词有两个特征：顺序有逻辑，描述可视觉化（能画出来的词）。

五层提示词结构

按下面顺序写，模型更容易理解优先级：

主体：一款深蓝色入耳式降噪耳机，哑光金属充电盒。
动作：手指轻轻开盖，耳机被取出，缓慢旋转半圈。
环境：浅灰色水泥桌面，背景是虚化的咖啡馆窗户。
镜头与光线：50mm 中景，浅景深，窗边柔和侧逆光，轻微手持感。
风格后缀：干净极简，低饱和，柔和阴影，无文字，无 logo 变形。

参考写法示例：

主体：深蓝色入耳式降噪耳机与哑光金属充电盒；动作：手指打开充电盒，取出耳机并缓慢旋转；环境：浅灰水泥桌面，虚化的窗边咖啡馆；镜头：50mm 中景，浅景深，缓慢推进；光线：柔和侧逆光，暖白；风格：极简干净，低饱和，无文字。

把这段结构固化成模板，每次只替换主体、动作和光线，就能得到风格统一的一批素材。

运镜与光线词汇

模型对专业的镜头词汇响应很好。常用的有：

运动：缓慢推进、缓慢拉远、水平横移、垂直上摇、环绕主体、跟随背影、手持轻晃。
焦段与景别：特写、中景、全景、广角环境、浅景深、长焦压缩。
光线：柔和侧光、逆光轮廓、顶部硬光、阴天散射、窗光、霓虹补光。
质感：低饱和、胶片颗粒、干净极简、高对比、柔和阴影。

把这些词当作积木组合，而不是堆砌。一个镜头里出现三种以上运动描述，模型通常会互相冲突，导致画面混乱。

负向提示与崩坏修复

负向提示用来排除高频问题：文字、水印、多余手指、扭曲的 logo、脸部变形、过度锐化、闪烁。即便如此，仍会遇到几类典型崩坏：

金属与玻璃闪烁：缩短镜头时长，减少运动幅度，改用首尾帧控制。
手指数量异常：把手部移出画面焦点，或改用只出现手腕的构图。
身份漂移：加强参考图权重，同时把镜头运动降到最低。
背景文字乱码：在负面提示中写明不要文字，后期用干净的背景版替换。

一个被低估的技巧是“拆镜头”：与其让一个镜头同时完成开盖、取出、旋转三个动作，不如拆成三个镜头分别生成，后期剪在一起。观众对剪辑的接受度远高于对变形画面的容忍度。

一致性：让产品与角色跨镜头不崩

一致性是 AI 视频从“能看”到“能用”的分水岭。做广告，观众记住的是产品外观和品牌人物，一旦每个镜头都长得不一样，投放效果会直接打折。

参考图库怎么建

给每个需要保持一致的对象建一个独立文件夹：

产品：正面、背面、侧面、细节、使用中。
人物：正脸、侧面、半身、全身、带表情的两张。
场景：白天、夜晚、室内、室外各一张。

生成时始终从同一个文件夹取图，不要在不同镜头混用不同批次的产品图。不同批次的拍摄光线差异，会让模型输出完全不同的质感。

首尾帧与镜头衔接

让相邻镜头“接得上”的最有效方法是首尾帧：把上一个镜头的最后一帧作为下一个镜头的起始参考。这能保证产品位置、颜色、光线不会突然跳变。对于旋转、开合、穿戴这类连续动作，首尾帧几乎是必需品。

另一个技巧是“重叠拍摄”：两个相邻镜头故意有一秒的画面重叠，剪辑时再裁掉。这样即使生成结果有细微差异，观众也几乎察觉不到接缝。

风格锁定：色彩、光比、焦段

一致的观感来自三个被锁死的变量：

色彩：固定主色与整体饱和度范围，后期用同一个色彩查找表统一。
光比：整条片子统一为柔和侧光或硬顶光，不要混用。
焦段：全片以一两个等效焦段为主，特写单独处理。

只要这三项固定，即使镜头是不同模型生成的，成片看起来仍像一个团队拍的。这也是为什么建议在项目开始时就写好风格后缀，而不是生成完再统一调。

品牌宣传片的叙事结构模板

宣传片和广告片的目标不同。广告要转化，宣传片要留下印象。所以宣传片可以承担更抽象的表达，但结构必须更清晰，否则观众记不住任何东西。

问题—转折—解决—升华

这是最不容易出错的四段式结构，适合 30–60 秒：

问题（0–8 秒）：呈现用户的真实困境，画面可以压抑、低饱和、节奏慢。
转折（8–18 秒）：出现品牌的介入点，画面开始变亮，镜头运动加速。
解决（18–40 秒）：产品功能与使用场景的展示，信息密度最高。
升华（40–60 秒）：回到人，回到情绪，用一句短文案收尾，logo 出现。

品牌符号要在这四段里至少出现三次，形式可以变化：颜色、动作、物件、声音。重复是记忆的前提。

情绪曲线与镜头时长

把镜头时长当作情绪工具：高潮段落用短镜头快速切换，铺垫段落用长镜头留住呼吸感。一个可操作的规则是——情绪上升时每镜缩短 0.5 秒，情绪回落时每镜增加 1 秒。这条规则比凭感觉剪更稳定。

旁白、音乐与节奏对齐

先定音乐再定旁白，会容易很多。流程建议：选一段有明确段落感的音乐 → 在波形上标出四个结构点 → 把镜头表的时间轴对齐这些点 → 最后写旁白并做减法。旁白写太长是新手最常见的错误，60 秒片子里的旁白最好不要超过 120 字。

电商广告的批量迭代与变量测试

电商场景的核心不是“做一支好片”，而是“用一批素材找到能跑量的那一支”。所以流程设计要为批量服务。

变量拆解

一支 15 秒素材可以拆成四个可替换的变量：

钩子：前三秒的画面与文案。可以是痛点、结果展示、对比、悬念。
卖点顺序：先讲降噪还是先讲续航，会显著影响完播率。
演示方式：真人使用、单人产品旋转、场景化使用、对比画面。
结尾：价格信息、限时提示、无文字的纯视觉收尾。

不要一次改所有变量，否则你无法归因。推荐策略：固定三个，每次只替换一个，先找到钩子方向，再优化卖点和结尾。

一次排产十二条的执行方法

一个可落地的排产节奏：

准备阶段：完成一条母版分镜，锁定风格后缀与参考图文件夹。
批量生成：三条不同钩子 × 两条不同演示方式 × 两条不同结尾 = 12 个组合，但共享同一套产品镜头素材。
复用策略：环境和空镜只生成一次，跨版本复用，产品特写按钩子重新生成，人物镜头按演示方式生成。
后期：用同一套字幕样式、同一段音乐的三个剪辑点，快速产出 12 条成片。

关键在于把“唯一不可复用的部分”压缩到最小。通常 12 条素材里，真正需要从零生成的新镜头不超过 10 个。

判断哪条值得追加投入

不要只看播放量。三个更有判断力的指标：

三秒留存：低于均值说明钩子无效，问题在前三秒。
完播率：低但留存高，说明中段节奏拖沓或卖点顺序不对。
点击率：整体偏低但某一版本明显更好，说明结尾的行动号召或价格表达起了作用。

找到表现最好的版本后，不要立刻做十支相似的片子，而是围绕它再测一个变量（比如换一个钩子角度）。这样才是迭代，而不是复制。

后期、配音与多平台交付

AI 生成的素材只是原材料，成片质量有一半取决于后期。

剪辑与节奏

进剪辑软件后先做三件事：统一所有片段的时长基线、抹掉模型带来的速度差异、把没有信息量的开头帧剪掉。生成素材常见的问题是“前 0.5 秒还在稳定画面”，剪掉它会让节奏立刻变紧。

调色阶段建议用一个统一的色彩查找表，把不同模型输出的色偏拉齐。金属和肤色的还原是重点，这两项对齐后，整体观感提升非常明显。

配音、音效与混音

配音：AI 语音适合说明性内容，情绪化表达仍然建议真人录。语速控制在每分钟 220–260 字，广告可以更快，宣传片要更慢。
音效：产品开合、按键、织物摩擦这些细节音效能显著提升质感，成本极低，常被忽略。
混音：人声压到 -6dB 左右，音乐在人声段落自动降低 6–9dB，环境音保持轻薄。

画幅、安全区与字幕

一条片子通常要同时投放多个位置，所以从一开始就按最严格的画幅设计：

竖屏 9:16：主体放在画面中央偏上的安全区内，底部预留 20% 给字幕和界面元素。
方屏 1:1：适合信息流与站内展示，构图更居中。
横屏 16:9：适合官网、发布会和大屏播放，可以承载更多环境信息。

做法是先用横屏生成主体画面，再在剪辑里重新构图裁切竖屏版本。如果生成时主体太靠边，裁切后就会丢信息，所以生成阶段就要把主体放在中央区域。

常见错误排查、常见问题与上线节奏

即使流程正确，执行中仍会遇到固定几类问题。下面是一份可以直接对照的清单。

症状排查表

症状	常见原因	解决方式
画面漂亮但没有转化	前三秒没有出现产品或卖点	把钩子改为结果展示，产品在 1 秒内入画
每个镜头质感都不同	参考图批次不统一、缺少风格后缀	固定参考图文件夹，附上统一风格描述
人物脸在镜头间变化	缺少身份锁定、运动幅度过大	加强参考图权重，减少镜头运动，用首尾帧
产品外观细节错位	只用文生视频、参考图不够清晰	改用图生视频，提供多角度高清图
手部与文字崩坏	画面中元素过多	拆镜头，弱化手部，排除文字
成片节奏拖沓	镜头时长过长、无信息帧未剪	每镜压到 2–4 秒，剪掉开场稳定帧
批量素材风格不统一	后期未统一调色	使用同一色彩查找表与字幕模板

常见问题解答

问：完全没有视频经验，能做出可用的电商广告吗？
可以，但顺序要对：先学会写镜头表，再学提示词，最后学剪辑。跳过镜头表直接写提示词，通常会在生成阶段浪费大量时间。

问：一条 15 秒素材大概要生成多少条原始片段？
经验值是成片镜头数的 3–5 倍。也就是说 5 个镜头的成片，通常需要生成 15–25 个片段来挑选。把它当成预期成本，而不是失败。

问：AI 生成的人物能用作品牌代言人吗？
如果长期使用，建议建立一个固定的虚拟形象，固定外貌、服装风格和说话方式，并在所有素材中保持一致。频繁更换形象会让观众无法建立记忆。

问：应该自己搭流程还是用现成工具？
小团队建议直接用成熟工具，把精力放在脚本与测试上。只有当批量需求稳定到每周几十条时，才值得投入时间做模板化与自动化。

问：产品实拍和 AI 生成该怎么选？
涉及精确外观、材质细节、要展示真实使用效果的核心镜头，实拍仍然更可靠。AI 更适合环境空镜、概念演示、风格化转场和批量变体。混合使用往往是最优解。

问：投放前需要做哪些检查？
画面中不出现乱码文字、产品外观无变形、品牌色准确、字幕在安全区内、音乐与音效无版权问题、多画幅版本都已导出。这六项检查能挡掉大多数事故。

七天上线节奏

把这套流程压缩成一周，节奏大致如下：

第一天：确定目标、受众与单一卖点，整理素材文件夹，写品牌风格后缀。
第二天：完成镜头表，做低分辨率预演，确认整体节奏。
第三天：生成产品与人物核心镜头，锁定一致性参考。
第四天：生成环境空镜与转场，完成全部高清镜头。
第五天：剪辑、调色、配音、上字幕，输出三到五个版本。
第六天：多画幅适配，完成投放检查清单。
第七天：小预算测试，采集留存、完播与点击数据，决定下一轮要测的变量。

一周之后，你手里不只是一条片子，而是一套可复用的模板：参考图库、风格后缀、镜头表结构、字幕样式和调色参数。第二轮的产出时间通常只有第一轮的三分之一。这正是 AI 视频工作流真正的价值——它把一次性的创作，变成了可以持续迭代的资产。