AI短视频的真正瓶颈，不是模型而是工作流
几乎没有哪个创作者是被“模型不够强”卡住的。真正让人卡住的是：同一套流程每次都要重新想一遍。今天换个生成工具，明天换个剪辑软件，素材命名乱七八糟，三周前做过的角色再也复现不出来。工具会更新，工作流的价值却会累积。
把AI短视频当项目来做，而不是当玩具来玩，你需要一条固定链路：选题 → 剧本 → 分镜 → 视觉资产 → 生成 → 剪辑 → 声音与字幕 → 质检 → 发布 → 复盘。每个环节都必须有明确的输入、输出和验收标准。缺少验收标准的环节，问题都会往后堆积，最后在生成阶段爆发：一条镜头返工三次以上，基本可以判定问题出在分镜，而不是模型。
角色分工也要清楚。单人创作者可以一人串完整条链路，但必须在时间上分段，不要把写剧本和调生成混在同一天；两到三人的小团队建议这样分：一个人负责剧本与分镜，决定内容质量的上限；一个人负责视觉资产与生成，决定画面的稳定性；一个人负责剪辑、声音与发布，决定完播率。如果只有一个人，就把“资产建设”单独排成半天，因为这一环最怕被打断。
还有一件事值得提前想清楚：你的内容能不能复用。一张角色定妆照、一套字幕样式、一个片头动画，如果能被接下来二十条视频反复使用，那么单条的边际成本会快速下降。相反，如果每条视频都从零开始，就算模型再快，你也只是在用更快的方式重复劳动。
最后要接受一个现实：AI 生成的随机性不会消失，只能被流程约束。流程的作用不是让生成变准，而是让错误在更便宜的地方暴露。剧本写错，改一行字；分镜写错，改一张表；生成错了，可能要重做十几分钟的画面。越早发现越便宜，这就是工作流的全部意义。
开工前先把交付标准写下来
画幅、时长与节奏的硬性参数
竖屏内容基本固定为 9:16、1080×1920。帧率 24 或 30 更贴近真实观感，60 帧适合运动类素材但会削弱电影感。单条时长建议控制在 15 到 45 秒，信息量大的知识类可以到 60 秒，但前 3 秒必须给出结论。
比总时长更重要的是平均镜头时长。默认区间是 1.5 到 3 秒；开头 5 秒可以更碎，0.8 到 1.5 秒都合理；结尾留一个 3 到 5 秒的收束镜头。先把这个数字定下来，分镜表就有了节奏依据，生成阶段也不会因为“这个镜头到底要不要 8 秒”而反复推敲。
一稿多剪：一套素材适配多个投放位置
同一批素材往往要投放到不同尺寸和规则的位置。做法是：拍摄或生成时留出安全边距，主体居中偏上，字幕放在下部 15% 到 25% 的区域。剪辑时先出一个“母版”（带完整音轨和字幕），再导出不同比例的版本，而不是为每个渠道重新剪一遍。
声音与字幕的基础规格
音频是最容易拉低整体质感的部分。可用的起点是：人声峰值约 -6 dB，背景音乐比人声低 12 到 18 dB，环境音只在需要氛围时抬起。字幕每行不超过 14 个汉字，单屏停留 1 到 3 秒，关键词可以用强调色，但全片强调色不要超过两种。
把这些规格写进一个“项目说明”文档，每次开新项目直接复制，能省掉大量临时决策。这份文档不需要漂亮，只需要在你想不起“上次那个字号是多少”的时候能立刻打开。
选题与剧本：把创意变成可执行的结构
钩子的四种可靠写法
反常识陈述（“越贵的麦克风，录出来的声音可能越难听”）、具体数字（“我用三步把一条视频的制作时间压到 40 分钟”）、直接提问（“你的视频前三秒到底在说什么？”）、结果前置（先给最终画面，再解释过程）。四种写法可以轮换使用，但同一系列内最好保持一致，观众的预期也是内容资产的一部分。
钩子要具体，不要抽象。写“如何提升效率”不如写“我把一条视频的剪辑时间从两小时压到二十五分钟”。具体的东西才能被记住，也才能被转述。
三幕微型剧本模板
0 到 3 秒：钩子，给出结论或冲突。
3 到 12 秒：展开，用一到两个具体例子支撑，避免三个以上的并列信息点。信息点越多，观众记住的越少。
12 到 20 秒：收束，给出可执行动作或一句能被记住的总结。
超过 30 秒的内容，把中段再切一次，形成“钩子—小高潮—钩子—解决”的波浪结构，而不是一路平铺。每一波浪的结尾都可以留一个未解决的问题，让观众有理由继续看下去。
分镜表应该有哪些字段
字段越多越好吗？不是。字段太多会让人懒得填，最后整张表形同虚设。推荐的最小可用集合是：镜号、时长、景别、画面描述、角色、场景、台词或旁白、音效、生成状态、备注。
一个例子：
| 镜号 | 时长 | 景别 | 画面 | 角色 | 状态 |
|---|---|---|---|---|---|
| S01 | 1.2s | 特写 | 手把杯子放到桌上，热气升起 | 无 | 已通过 |
| S02 | 2.0s | 中景 | 主角抬头看向窗外 | 主角A | 待重生成 |
| S03 | 1.5s | 全景 | 城市清晨，逆光 | 无 | 已通过 |
“生成状态”这一列看起来不起眼，却是批量生产能跑起来的关键。它把“哪一条还没做”从记忆问题变成可勾选的清单问题。
视觉资产建设：角色、场景与风格一致性
角色设定板：从文字描述到参考图
一致性不是靠运气，是靠资产。为每个主要角色建立一张设定板，至少包含：正面、四分之三侧面、侧面、全身、两到三种表情，以及服装细节（材质、颜色、配饰）。如果角色会换装，每种造型单独一张。
写提示词时用固定模板，保证每次只改必要变量：年龄段 + 发型发色 + 面部特征 + 服装 + 材质 + 光线方向 + 镜头语言 + 风格词。把这串文字存成片段，生成时直接粘贴，不要每次现场发挥。现场发挥是“变脸”的最大来源。
场景与光线的一致性
角色会变脸，场景同样会“换世界”。做法是给每个主要场景准备一张背景参考图，并固定三个参数：光源方向、色温、时间感（清晨、正午、黄昏、夜景）。同一场戏里的所有镜头都沿用这三个参数。如果剧情需要时间推进，就按顺序整体调整，而不是随机变化。
关键帧锁定的三种做法
第一种是“先图后视频”：用图像生成出满意的定妆照或关键画面，再以这张图作为起点生成动态。这是目前最稳的做法。
第二种是首尾帧控制：指定起始帧和结束帧，让模型在两个锚点之间补运动，适合有明确起止动作的镜头。
第三种是生成后修补：整体运动没问题，只出现局部瑕疵时，用局部重绘或扩图把问题区域替换掉，而不是整条重做。
判断用哪种方法的标准很简单：如果问题是“运动不对”，回到第一种或第二种；如果问题是“某一小块画错了”，用第三种。
资产库要按用途归档，而不是按日期
按日期归档是最常见的错误，因为你在需要素材时想的是“我需要一个夜景角色背影”，而不是“我需要上个星期二生成的东西”。建议的文件夹结构是：角色 / 场景 / 音效 / 音乐 / 模板 / 成片。每个角色文件夹里再分“参考图”和“已通过素材”。半年之后，这个结构会比任何技巧都更省时间。
模型选择与组合策略
文生视频、图生视频、视频转视频的分工
文生视频适合空镜、氛围镜头、转场素材——这些镜头没有明确角色，容错率高。
图生视频适合所有有角色出场的镜头，因为画面起点已经被你控制住了。
视频转视频适合统一风格：把已经剪好的片段整体转成某种质感，比逐帧调色更省事。
局部重绘与扩图适合修补，包括去水印、改服装颜色、补画幅边缘。
关键思路不是“哪个模型最强”，而是“这个镜头最怕什么”。最怕角色变脸，就用图生视频；最怕风格跳脱，就用视频转视频；最怕等太久，就用更快但分辨率略低的组合，然后在后期统一做锐化和降噪。
什么时候重生成，什么时候交给后期
先看三类硬伤：脸部与手部是否崩坏、运动是否符合物理直觉、镜头关系是否越轴。这三类问题在后期的修复成本极高，建议重生成。反过来，亮度不统一、轻微噪点、色调偏移、音画差半帧，这些都在后期解决更划算。
一个简单的止损规则：单个镜头的生成尝试不超过五次。超过五次还不行，就回去改分镜——把长镜头拆成两个短镜头，把正面大特写换成侧脸或手部特写，往往一次就过了。
迭代预算
给每个项目设一个“尝试预算”，例如 10 条成片允许 60 次生成尝试。用完就上线，不追求完美。这条预算的存在，是为了防止一个镜头吃掉整个项目的时间。
预算不是限制创作，而是保护节奏。把它写下来，就能在手痒的时候有据可依。
剪辑、声音与节奏
音频先行的工作方式
先录好旁白或选好音乐，再按音频的节奏点排镜头。这样做的好处是节奏天然统一，镜头长度不用猜。做法是把音频拖进时间线，标出重音和句子结束点，然后让镜头切点落在这些位置上。
如果先剪画面再配音，很容易出现“画面漂亮但说话被切掉”或“节奏忽快忽慢”的问题。
转场、运动与呼吸感
AI 生成素材本身运动感偏强，所以转场越朴素越好。优先使用硬切，其次是用运动方向一致的匹配剪辑，比如上一镜人物向右出画，下一镜物体向右入画。叠化、翻页、旋转这类转场，在成片里出现一两次就够了。
“呼吸感”指的是节奏变化：连续三个快切之后给一个稍长的镜头，观众才不会被压得喘不过气。整条视频如果每个镜头都是 1.5 秒，看到第十五秒就会疲劳。
字幕与视觉层级
字幕的功能是降低理解成本，不是装饰。位置固定、字号统一、颜色克制。需要强调时用加粗、变色或轻微放大，但不要同时用三种手段。画面里出现文字信息（招牌、界面、标签）时，字幕要避开这些区域，否则两者会互相抢注意力。
音效是性价比最高的质感来源
一句轻微的“咔哒”声能让一次切镜变得明确，一段低频氛围能让画面立刻有空间感。建立自己的音效库，按“转场、环境、强调、情绪”四类归档，用一次记一次。这类积累的回报周期很长，但一旦形成就很难被替代。
批量生产的流水线管理
命名规范与版本控制
统一的命名规则能让素材在几分钟内被找到，而不是在几十个文件夹里翻找。推荐结构：项目_集数_镜号_版本_日期，例如 P01_E02_S07_v3。导出成片时再加上渠道后缀，例如 P01_E02_final_竖版。
版本号不要用“final”“final2”“真final”这种命名，它会在第三天失效。用 v1、v2、v3，并配一句话的修改说明写在项目文档里。
把可复用部分模板化，把变量列成清单
模板包括：片头片尾、字幕样式、音乐起手位置、转场方式、导出预设、项目说明文档。
变量包括：角色、场景、台词、镜头数量、发布渠道。
把变量做成清单，每开一个新项目就复制一份，逐项打勾。这一步听起来枯燥，但它决定了你能不能在同样时间里做十条而不是三条。
节奏设计：一天一条还是一天十条
产能不是越多越好，而是要和素材库、脚本质量匹配。可参考的节奏是：新手阶段每周 2 到 3 条，重点是把流程跑通并积累资产；流程稳定后每天 1 条，靠模板和资产复用维持；真正追求规模化时，把工作拆成“素材周”和“剪辑周”，素材周集中生成与筛选，剪辑周集中组装与发布。这样切换成本低，也不容易在生成阶段反复犹豫。
质量检查清单与常见错误
上线前的检查清单
- 前 3 秒是否已经给出核心信息？
- 全片角色外形是否一致，包括发型、服装、配饰、脸型？
- 手部、耳部、牙齿等高频崩坏区域是否可接受？
- 画面里出现的文字是否可读，有没有乱码或错字？
- 镜头之间的运动方向和视线方向是否连贯？
- 音量是否统一，人声是否清晰，背景音乐是否压过人声？
- 字幕有没有错别字、断行是否合理、有没有出安全区？
- 首尾是否留有品牌或系列标识（若有）？
- 导出参数是否符合投放要求，包括比例、码率、帧率？
- 是否有任何一处让你自己出戏的地方？有就修。
最常见的十个错误
把长镜头塞进短节奏、角色在第二镜换脸、用花哨转场掩盖内容空洞、音乐音量压过旁白、字幕与画面文字重叠、过度平滑导致塑料感、所有镜头都是同一个景别、旁白信息密度过高没有停顿、结尾没有收束，以及最致命的——没有把可复用的元素留下来，下一条视频又从零开始。
前九个是质量问题，第十个是效率问题。质量问题会随着经验减少，效率问题如果不主动解决，会一直存在。
另一个容易忽视的错误是“用生成解决叙事问题”。如果一条视频看起来无聊，通常不是画面不够炫，而是信息没有推进。这时候应该改剧本，而不是再加三个特效镜头。
时间、成本与工具组合的决策框架
按镜头类型选方法
| 镜头类型 | 首选方法 | 主要风险 | 备用方案 |
|---|---|---|---|
| 空镜、氛围 | 文生视频 | 运动过于夸张 | 换成静态图加缓慢推拉 |
| 角色出镜 | 图生视频（先定妆照） | 面部变形 | 换成侧脸或手部特写 |
| 统一风格 | 视频转视频 | 细节丢失 | 只对部分片段转换 |
| 局部修补 | 局部重绘或扩图 | 边缘不自然 | 用遮罩加轻微模糊过渡 |
| 快速草稿 | 低分辨率生成 | 无法直接使用 | 作为分镜预览使用 |
时间预算怎么分
把总时间按经验比例分配：剧本与分镜 20%，视觉资产 15%，生成与筛选 30%，剪辑与声音 25%，质检与发布 10%。大多数人把 70% 时间花在生成上，结果剪辑和声音被压缩，成片质感直接掉档。生成只是中间环节，它的目标是“够用”，不是“完美”。
工具怎么选
决策标准只有三条：产出是否可复现、是否支持你需要的控制方式、失败时是否有替代路径。不要因为某个工具出了新版本就换掉整条流水线，只替换最痛的那一环。每次替换都写一句话记录原因，半年后回头看，这份记录比任何评测都更有用。
常见问题与落地路线图
常见问题
问：一个人做 AI 短视频，最应该先学什么？
答：分镜。分镜是唯一能把创意、生成和剪辑连起来的中间件。
问：角色一致性总是不稳怎么办？
答：先建立定妆照和场景参考图，再生成动态；同时把提示词模板固定下来，只改变量。
问：一条视频需要生成多少次才算正常？
答：10 到 20 秒的成片，生成尝试 20 到 40 次属于正常范围。低于 10 次通常意味着你在凑合，高于 60 次说明分镜需要改。
问：要不要追求最高画质？
答：先追求稳定，再追求画质。观众流失的原因是节奏和信息，不是分辨率。
问：字幕用自动生成可以吗？
答：可以，但必须逐条校对。同音字和专有名词是自动字幕的高发错误区。
问：音效素材从哪来？
答：建立自己的音效库，按转场、环境、强调、情绪四类归档，用一次记一次。
问：多平台发布要注意什么？
答：留安全边距，母版单独保存，导出不同比例版本，不要直接拉伸。
问：什么时候该考虑团队？
答：当你连续四周每周产出超过五条，且剪辑成为瓶颈时，再考虑加人。
问：风格不统一怎么办？
答：统一风格词、统一调色预设、统一音乐类型。三处一致，观感就会一致。
落地路线图
第一周：只做一件事——确定交付标准，包括画幅、时长、字幕样式、音频规格，并用一条 15 秒的视频跑通全流程。
第二到四周：建立角色设定板和三个场景参考图，形成分镜表模板，把单条制作时间压到 90 分钟以内。
第二个月：批量生产同一系列 10 条内容，建立命名规范、模板库和音效库，开始复盘每条的完播数据，把有效结构记录下来。
流程稳定之后，你会发现真正带来差距的从来不是某个模型的参数，而是你能不能在同样的时间里，把同一套标准重复执行二十次。
