为什么 AI 短视频需要工作流思维
大多数人的 AI 视频尝试都是「一次性」的：想到一个点子，写一句描述，生成几段画面，随手剪在一起发出去，然后盯着数据看运气。这种做法的瓶颈不在于工具不够强，而在于每一次发布都从零开始——上一支视频里试出来的角色描述、镜头写法、音色、字幕样式、节奏结构，全都随着项目一起丢失了。第二支视频要重新摸索一遍，第三支还是。于是产量上不去，质量也不稳定，最后得出一个错误的结论：AI 做视频「看起来很美，其实不好用」。
工作流思维要解决的就是这个问题：把「做一条视频」拆成若干可以重复执行的步骤，并且让每一步都留下可复用的资产。资产可能是文本（提示词模板、脚本骨架、镜头词汇表），可能是图像（角色定妆图、场景概念图、封面模板），也可能是工程文件（剪辑工程、字幕样式、音频预设）。当这些资产被沉淀下来，下一次创作就不是从零开始，而是从一个已经验证过的起点往前推进一步。
衡量一套工作流是否合格，有三个很朴素的指标：
- 可预测：给定一个选题，你能大致预判最终成片长什么样，而不是每次都靠运气抽到好画面。
- 可替换：某个环节换工具时，其他环节不用推倒重来。今天是这套模型，明天换成另一套，流程本身不变。
- 可复制：同一条流水线，换一个选题、换一个角色，依然跑得通，最好还能交给别人执行。
一条 30 秒的 AI 短视频，拆开来看通常包含九个环节：选题 → 脚本 → 分镜 → 视觉资产 → 镜头生成 → 配音配乐 → 剪辑与字幕 → 导出与发布 → 数据回收。每个环节都可以单独优化，也可以单独替换工具。真正决定成败的往往是前三个环节，而不是最后一个：选题决定了一半的播放量，脚本决定完播率，视觉资产决定第一眼的可信度，声音决定留存，剪辑决定节奏感，分发决定复利。
下面的内容按这条流水线的顺序展开，每个阶段都会给出具体模板、参数取舍和常见坑。
阶段一：选题与脚本，把创意做成可复用的模板
选题矩阵的四个维度
灵感不可控，但选题可以结构化。把选题拆成四个维度，每次填表，就能稳定产出候选题目：
| 维度 | 取值示例 | 作用 |
|---|---|---|
| 受众与痛点 | 职场新人、宝妈、健身初学者、独立开发者 | 决定内容能不能被推给对的人 |
| 内容形式 | 口播讲解、情景短剧、产品演示、混剪盘点、教程步骤 | 决定制作难度与镜头结构 |
| 信息母题 | 反差、避坑、清单、对比、故事、数据 | 决定钩子怎么写 |
| 生产难度 | 单人出镜 / 无需真人 / 需要大量空镜 | 决定这条选题值不值得做 |
填完表之后，你会得到一批「可做」的选题，而不是一堆「想做」的点子。多数账号死在想做但做不出来的选题上。
四段式脚本模板
短视频的时间极其有限，脚本结构建议固定成四段，长度按 30 秒计算：
- 钩子（0–3 秒）：一句反常识的结论、一个具体数字、或一个明确的冲突。不要铺垫背景。
- 承诺（3–8 秒）：告诉观众看完能得到什么，用一个短句讲清楚。
- 展开（8–25 秒）：两到三个要点，每个要点配一个画面或例子，宁少勿多。
- 收尾（25–30 秒）：一句总结加一个开放式问题或下一步动作。
这个结构的好处是，它自带「镜头数量」：三个要点通常对应三到六个镜头，钩子和收尾各一个镜头，全片六到十个镜头，正好落在短视频的舒适区间。
脚本句转镜头描述的写法
这是 AI 视频工作流里最关键的一次翻译。把每一句脚本拆成「镜头描述」，固定使用八个要素，顺序不变：
- 主体（谁，外貌特征一句话概括）
- 动作（正在做什么，用动词，不用情绪形容词）
- 环境（在哪，时间与天气）
- 光线（主光方向 + 色温倾向）
- 景别与镜头（远景 / 中景 / 特写，焦距感）
- 运镜（固定、推、拉、摇、跟、环绕）
- 风格（写实电影、日系清新、复古胶片等）
- 画幅与负面约束（16:9 或 9:16，画面中不出现文字、不出现水印、不出现多余人脸）
举个具体例子。脚本句是「她把咖啡放在窗台上，看向外面下雨的街道」。翻译成镜头描述就是：「中近景，二十五岁左右短发女性，穿米色针织开衫，把马克杯轻放在木质窗台上，窗外是雨夜街道，暖色台灯从左侧打光，浅景深，35mm 镜头质感，轻微手持呼吸感，16:9，写实电影风格，画面中不出现文字与水印」。
固定顺序的价值在于批量替换：换角色只改第一句，换场景只改第三句，换氛围只改第四句。如果每次自由发挥，改起来就会牵一发动全身，效率直接归零。
阶段二：视觉设定与角色一致性
角色锚定：一张定妆图解决一半问题
AI 视频最容易被观众识破的地方不是画质，而是角色「换了张脸」。要解决这个问题，最有效的方法不是堆关键词，而是做「角色锚定」：
- 先用图像生成工具做一张或多张角色定妆图：正面、四分之三侧面、全身各一张，服装和发型保持一致。
- 写一串角色关键词串，固定不变，包含年龄段、脸型、发型发色、服装主色、标志性配饰。每次生成都原样带上。
- 每个镜头都同时提供「角色图 + 关键词串」，而不是二选一。图片负责长相，关键词负责可控性。
- 优先使用支持主体参考 / 角色一致性能力的生成模式。目前比较常见的选择包括 Kling、Runway、Pika、Luma、Veo 等系列中带参考图或主体保持能力的模式，不同版本对人物脸部的还原程度差别很大，值得单独测试一轮。
- 遇到难拍的角度（背面、俯视、激烈动作），先用图像模型生成关键帧——Midjourney、Flux、Stable Diffusion 配合 ComfyUI 都可以——再用「图生视频」把关键帧动起来。这比硬碰硬地用文字描述一个复杂姿势要稳得多。
建议在项目开始时专门花半天做一次「角色测试」：用同一个角色跑十个不同场景、不同光线的镜头，把成功的参数记录下来，形成一份角色说明书。这半天会省下后面几十个小时。
风格套餐与场景词典
风格漂移是第二种常见问题：第一段像纪录片，第二段像广告，第三段像动画。解决办法是把风格固定成几个「套餐」，每个套餐写死五到八个关键词，用的时候整段复制，不做临时发挥。
| 风格套餐 | 关键词要点 | 适合内容 |
|---|---|---|
| 写实电影 | 浅景深、35mm、柔和侧光、颗粒感低 | 知识讲解、品牌短片 |
| 日系清新 | 高调曝光、低饱和、自然光、留白 | 生活方式、日常记录 |
| 复古胶片 | 暖黄调、明显颗粒、轻微漏光 | 怀旧故事、情绪片段 |
| 赛博霓虹 | 强对比、蓝紫色光、湿润地面反光 | 科技、游戏、潮流 |
| 黏土定格 | 材质质感、微缩布景、手作痕迹 | 亲子、趣味科普 |
| 三维动画 | 圆润造型、柔和高光、饱和色块 | 儿童内容、轻松叙事 |
同样重要的是场景词典：办公室、地铁、咖啡馆、海边、卧室书桌，每个场景预先写一段环境描述（光线、时间、道具、色温）。这样切换场景时只需替换这一小段，角色和其他设定都不受影响。
跨镜头连续性的四个检查项
把多个镜头拼在一起时，观众会在潜意识里检查连续性。生成之前先确认四件事：光源方向是否一致、色温是否一致、时间天气是否一致、关键道具的位置是否一致。如果角色在镜头 A 手里拿着杯子，镜头 B 里杯子消失了，观感就会立刻变得廉价。
阶段三：分镜设计与镜头语言
分镜表模板
分镜不是导演的专属工具，它是 AI 视频里最实用的项目管理表。建议固定成六列：
| 镜号 | 时长 | 景别 | 运镜 | 画面内容 | 音频 |
|---|---|---|---|---|---|
| 01 | 2.0s | 特写 | 固定 | 手部把杯子放上窗台 | 环境雨声 + 音乐前奏 |
| 02 | 3.5s | 中近景 | 缓慢推 | 角色望向窗外 | 旁白第一句 |
| 03 | 2.5s | 远景 | 固定 | 雨夜街道全貌 | 音乐展开 |
把这张表填满，再开始生成。没有分镜表就开工，结果一定是「生成了一堆好看的镜头，但拼不成一个故事」。
景别与节奏的基本配比
30 秒的片子里，六到十个镜头比较舒服。景别建议按「远—中—近—特」交替，避免连续三个同景别镜头。节奏上，前八秒的镜头要短（1.5–2.5 秒），中段可以放宽到 3–4 秒，结尾回到 2 秒左右收住。
运镜词汇与提示词写法
运镜写不清楚，画面就会动得莫名其妙。下面这份对照可以直接抄：
- 固定：
固定机位，轻微呼吸感 - 推：
镜头缓慢推近至中近景 - 拉：
镜头缓慢拉远，露出完整环境 - 摇：
镜头水平摇过房间 - 跟随：
镜头跟随主体向前移动 - 环绕：
镜头绕主体半周缓慢环绕
运镜不要和动作冲突。角色正在做剧烈动作时，通常用固定机位更清楚；角色静止时，才适合用推、拉、环绕制造运动感。
转场与匹配剪辑
AI 生成的镜头之间常常缺少衔接。三种低成本的处理方式：动作匹配（上一个镜头抬手，下一个镜头手落下）、遮挡转场（角色或物体扫过镜头）、光线转场（由亮到暗或由暗到亮）。有条件的话，用上一段视频的最后一帧作为下一段视频的起始帧，能做到几乎无缝的延续，这也是「首尾帧」功能最有价值的用法之一。
阶段四：生成环节的工具搭配与参数取舍
文生视频与图生视频的分工
两者不是竞争关系，而是分工关系。文生视频（文字直接生成画面）适合探索性的、不需要精确控制的镜头，比如空镜、氛围、概念画面。图生视频适合所有需要角色一致、构图确定的镜头。一个稳妥的配比是：先用图像工具生成全部关键帧，再用图生视频把它们动起来，仅对少数空镜使用纯文生视频。
时长与分辨率
大多数模型单次生成的有效时长在 5 秒左右，超过这个长度容易出现结构崩坏或动作重复。所以分镜设计要迁就这个限制：把长镜头拆成两个短镜头，用剪辑连起来，比硬生成一个 12 秒长镜头要可靠得多。
分辨率方面，建议在生成阶段使用模型最擅长的比例，导出前再统一到目标画幅。竖版内容用 9:16，横版用 16:9，方形用 1:1。不要用横版生成再强行裁成竖版，人物的头顶和脚往往会被切掉。
迭代顺序：先构图，后细节
新手经常把「画面好看但构图不对」的镜头留下来硬用，结果剪辑时处处别扭。正确的迭代顺序是：
- 先确认构图（主体位置、景别、留白）
- 再确认角色一致性（脸、发、服装）
- 最后才调细节（光线质感、背景元素、色彩）
每一步只改一个变量，并且一次只改一项。同时改五个参数，成功了也不知道为什么成功。
把生成次数当作预算来管理
生成次数是有限资源，用超了就拖慢整个项目。实用做法是给每个镜头设一个上限，比如最多试六次；六次还不行，说明这个镜头的描述或参考图有结构性问题，应该回头改分镜或换思路，而不是继续加次数。真正省时间的不是「抽到好画面」，而是「知道什么时候该停下」。
阶段五：配音、音效与字幕
音色一致性
观众对声音的记忆比对画面更敏感。选定一个音色之后，把音色参数、语速、停顿习惯记录下来，做成音频预设，后续所有视频复用。如果需要多角色对话，就为每个角色固定一个音色并编号存档，不要每次重新挑。合成语音时，句子不要写太长，一句话控制在 25 字以内，遇到专有名词可以拆句或用空格断开，停顿会更自然。
口型与画面对齐
如果画面里有正脸说话的角色，口型对不上会非常劝退。两种应对方式：一是尽量避免正脸说话镜头，改用背影、侧脸、手部特写或环境空镜承载旁白；二是使用支持口型驱动的工具，把音频和人物图像合成说话镜头。前者成本更低、容错更高，推荐作为默认策略。
音乐与音效的层次
一条完整的音轨通常有三层：底噪环境（雨声、街道、办公室）、背景音乐、关键音效（点击、翻页、脚步、转场冲击）。三层都做的人不多，但做了的账号辨识度明显更高。音乐选择上，尽量选没有人声的器乐，避免和旁白抢频段；音量上，旁白清晰度永远优先，背景音乐在旁白出现时可以适度自动降低。
字幕规范
字幕是短视频里被严重低估的变量。规范建议：一屏不超过两行，每行不超过 14 个字；关键词用颜色或加粗强调；中英混排时给英文单独设置字体，避免出现奇怪的间距；固定字号、固定位置、固定动效，让观众形成视觉习惯。字幕样式一旦确定，就不要再随心情改。
阶段六：剪辑节奏、交付规格与批量资产管理
剪辑节奏的三条经验
第一，前紧后松：开头三秒的镜头必须短、必须有信息量或冲击力，中段可以放慢，结尾干脆收住。第二，音频先行：先铺好旁白和音乐，再按音频的节拍去对齐画面，节奏感会好很多。第三，删掉最好看但没用的镜头：一个好镜头如果不能服务于这条视频的信息，它只会拖慢节奏。
交付规格的固定清单
把导出规格写进模板，每次直接套用，不要临场决定：
- 竖版短视频：1080×1920，9:16，30 帧，H.264，码率适配平台上限
- 横版长视频：1920×1080，16:9，30 帧，同样使用常见编码
- 封面：单独导出，不要在视频里截图
- 字幕：同时导出带字幕与不带字幕两个版本，方便二次分发
导出前逐项检查：音量是否爆音、字幕是否超出安全区、首帧是否有吸引力、有没有忘记去掉的空白片段。
资产命名与版本管理
项目一多，文件管理就会变成灾难。一套简单的命名规则能省很多时间：项目名_镜号_版本_日期，例如 coffee_rain_03_v2。角色图、风格套餐、音色预设、字幕样式统一放在「素材库」目录下，分文件夹管理。剪辑工程另存为模板，包括片头结构、字幕轨道、音量包络、导出预设，新项目直接复制模板开始。
用模板把产量提上去
当你连续做了五条同类型视频之后，把重复的部分抽出来：固定的开场结构、固定的字幕样式、固定的音乐风格、固定的结尾动作。最终目标是：做一条新视频，只需要换选题、写脚本、生成镜头，其他全部复用。到这一步，产量会从「一周一条」变成「一天一条」，而且质量更稳定。
常见错误与排查清单
| 症状 | 常见原因 | 处理方式 |
|---|---|---|
| 角色每个镜头长相都变 | 缺少参考图或关键词串 | 固定角色关键词串 + 统一参考图，先做定妆图 |
| 画面很漂亮但拼不成故事 | 没有分镜表 | 先填分镜表，六到十镜头，按景别交替 |
| 动作重复或结构崩坏 | 单次生成时长过长 | 拆成 5 秒以内的短镜头，用剪辑衔接 |
| 风格一段一个样 | 每次自由描述风格 | 使用固定风格套餐，整段复制关键词 |
| 画面看起来廉价 | 光线方向不一致、道具消失 | 检查光源、色温、时间、道具四项连续性 |
| 完播率低 | 前 3 秒没有信息量 | 重写钩子：反常识结论、具体数字或冲突 |
| 声音听起来很假 | 句子太长、语速固定 | 拆句到 25 字以内，加短停顿，微调语速 |
| 生成次数失控 | 没有设上限 | 每镜头最多试六次，超了就回头改分镜 |
| 导出后画面被裁 | 生成比例与目标画幅不符 | 按目标画幅生成，不要事后强行裁切 |
按账号类型选择工作流
不同的账号类型，重点环节完全不同。下表的思路是：把精力集中在最能提升数据的一环，其他环节用最省力的方式处理。
| 账号类型 | 重点环节 | 推荐工具组合 | 更新节奏 |
|---|---|---|---|
| 口播知识号 | 脚本与字幕 | 配音工具 + 少量空镜生成 + 提词器 | 高频，日更或隔日更 |
| 剧情短剧号 | 角色一致性与分镜 | 图像生成做关键帧 + 图生视频 + 口型驱动 | 中频，一周两到三条 |
| 产品演示号 | 构图与清晰度 | 图生视频为主 + 屏幕录制 + 字幕强调 | 中频，配合发布节点 |
| 情绪氛围号 | 风格套餐与音乐 | 文生视频为主 + 音乐库 + 调色 | 高频，可批量生产 |
| 科普动画号 | 分镜与节奏 | 三维或黏土风图像 + 图生视频 + 图表动画 | 低频，重打磨 |
选好类型之后，把不属于重点的环节全部模板化。比如口播号不需要复杂的运镜设计，但必须把字幕样式和音色固定到极致；氛围号不需要精细角色，但必须把风格套餐和音乐风格锁死。
常见问题 FAQ
完全没有剪辑基础，能从哪一步开始？
从最简单的结构开始：一个口播镜头 + 三到五个空镜 + 固定字幕。先把流程跑通一遍，再逐步加复杂度。不要在第一个项目就挑战多角色剧情。
角色一致性始终做不好怎么办？
先降低难度，而不是加参数。减少正脸特写、减少大幅度动作、增加背影与手部镜头，同时把参考图从一张增加到三张不同角度。如果还是漂移，说明模型能力到了上限，考虑改用「多镜头同场景拍摄」的思路，减少换景次数。
同一个选题能不能重复做？
可以，但要换角度。同一个母题换受众、换形式、换信息切入点，就是一条新内容。这也是选题矩阵的作用：它让你知道哪些题已经被做过、还可以怎么变。
生成出来的画面很好，但总感觉不像视频怎么办？
通常是缺少运动层次。可以尝试：给静止画面加轻微运镜、增加环境动态（雨、风、光斑、人群）、在剪辑里加入速度变化。静止画面连续播放会像幻灯片，而不是视频。
音频和视频谁先做？
先做音频。旁白时长决定画面时长，先有音频再配画面，节奏会自然很多。反过来做，就要不断裁剪画面去迁就音轨，非常痛苦。
需要准备多少套风格套餐？
两到三套起步就够了。一个账号通常有一到两套主风格，再加一套用于特别企划。套餐太多等于没有风格。
批量生产会不会让内容变得很像？
会，所以模板要固定的是「形式」，不是「内容」。字幕样式、镜头节奏、音频层次可以完全一致，但选题、例子、观点必须每条都不同。观众记住的是形式带来的熟悉感，取关的原因是内容重复。
数据不好时应该先改哪一环？
按顺序排查：完播率低先改前三秒，互动率低先改收尾，播放量低先改选题和封面，转化低先改内容与产品的匹配度。不要同时改所有环节，否则无法判断哪个变量起了作用。
多久能把这套工作流跑顺？
以一周三条的节奏，大概三到四周能形成稳定的模板。前十条视频的主要目的是收集参数和数据，而不是追求爆款；真正的效率提升来自第十一条之后。
可以用同一套流程同时做多个账号吗？
可以，但每个账号要有独立的角色设定、风格套餐、音色和字幕样式。共用一套视觉语言会让几个账号看起来像同一个账号的分身，反而不利于各自积累受众。
把上面这些环节连起来，你会发现 AI 短视频真正的门槛不在「会不会用某个工具」，而在「有没有把流程拆开、把资产留下」。工具会不断更新，模型会不断换代，但只要工作流的骨架还在——选题矩阵、脚本模板、角色锚定、分镜表、风格套餐、音频预设、剪辑模板——换工具只是替换其中一个零件，而不是重新学一遍怎么做视频。
