脚本决定AI视频的上限：为什么"不会写"是最贵的瓶颈
视频生成能力在过去一段时间里提升得很快：画面更稳定、镜头更连贯、光影更可信，输入一句话就能得到几秒钟可用的素材。工具越好用，一个反直觉的现象就越明显——真正拖慢项目的，往往不是生成速度，而是生成之前的空白页。打开软件，光标在提示词框里闪，脑子里只有一个模糊的感觉："我想做一个有点酷、有点情绪的短片。"这种状态没法推进，因为它既没有主角，也没有冲突，更没有终点。
很多创作者会把这个问题归因为"我没有编剧天赋"。更准确的说法其实是：他们缺的不是灵感，而是把灵感压缩成结构的流程。灵感是散点，脚本是连线。没有连线，再好的画面也只是一堆漂亮却连不成片的碎片。
视觉质量的差距正在被抹平
当主流生成工具都能稳定产出电影感画面时，"好看"就不再是差异化来源。同一个题材，十个团队做出来的镜头质感可能相差无几：都是浅景深，都是柔和逆光，都是慢动作推进。观众刷到第三个类似视频时会直接划走，不是因为画面差，而是因为没有信息增量，也没有情绪推进。画面负责吸引第一秒，故事负责留住后面的每一秒。
故事的复利效应
一个结构清晰的脚本会带来连锁收益：
- 生成阶段废片更少：每一段提示词都有明确目的，不需要靠反复抽卡碰运气；
- 剪辑阶段更快：素材按场次命名，镜头顺序在写脚本时就已确定；
- 复用性更高：同一套结构可以替换题材、品牌与平台，变成可规模化生产的方法；
- 数据更集中：完播率、停留时长与评论语义都会围绕同一个主题收敛，而不会散成一锅粥。
一个能立刻验证的对照实验
取同一批已经生成好的素材，做两个版本：第一个版本按直觉随便挑镜头拼接，第二个版本先写两页脚本、再按脚本挑选。把两个版本分别给五个人看，问他们三个问题："主角想要什么？""中间发生了什么变化？""结尾给了你什么感觉？"第二个版本的回答一致率通常会明显更高。观众能复述出故事，才说明这条片子真的被看进去了。
AI视频脚本与实拍脚本的差别：四个必须接受的约束
很多人第一次写AI视频脚本时，会直接照搬影视剧的分场格式，结果写出来的东西根本无法生成。原因是AI视频脚本的本质不同：它不是给剧组看的执行文件，而是给生成模型和剪辑台看的结构化描述。两者都讲结构与节奏，但约束条件完全不同。
| 维度 | 传统实拍脚本 | AI视频脚本 |
|---|---|---|
| 核心目的 | 指导剧组拍摄 | 指导素材生成与组装 |
| 连续性保障 | 同一演员、同一场景、同一服装 | 靠文字描述与参考图锁定 |
| 镜头时长 | 通常 3 到 10 秒不等 | 多数生成段落 3 到 8 秒更稳 |
| 表演控制 | 靠导演与演员 | 靠动作描述与情绪关键词 |
| 失败成本 | 重拍成本高 | 重生成成本低，但一致性成本高 |
| 修改方式 | 改剧本再拍 | 改提示词再生成 |
约束一：你写的每一句都要"可生成"
"他站在人群中感到孤独"是文学描写，生成模型读不懂。改成"中景，男子独自站在街角，人群以轻微动态模糊从画面右侧经过，冷调偏蓝，雨夜霓虹"，模型才知道要画什么。写AI脚本时，请把每一句都翻译成可见的动作、可见的环境、可见的光线。凡是无法被画出来的形容词，都在浪费你的时间。
约束二：镜头会被切得很碎
实拍可以一个长镜头拍完一段对话，AI生成更适合短段落拼接。写作时就要接受这个现实：把一场戏拆成 3 到 6 个短镜头，而不是写一个 30 秒的连续调度。拆得越细，后期拼接越顺，也越容易替换某一个不满意的镜头。反过来，如果你在脚本里写了一个 20 秒的复杂长镜头，最后大概率要花三倍时间拆解它。
约束三：连续性靠描述而不是靠现场
实拍现场，演员本人就是一致性的保证。AI生成里，一致性是"写出来"的：角色卡、服装描述、光线基调、镜头语言，都要在脚本阶段固定下来。**一致性不是后期修补出来的，而是前期写进去的。**这一点决定了你的脚本必须比传统剧本更啰嗦、更重复、更精确。
约束四：你不是在写台词，而是在写视觉证据
观众相信一件事，靠的是看到证据，而不是听到声明。脚本要负责安排证据出现的位置：想让观众相信主角疲惫，就要给出他靠在电梯墙上闭眼的镜头；想让观众相信产品有效，就要给出使用前后的对照画面。台词只是补充说明，画面才是主证据。凡是重要结论，都要问一句"我给了什么画面来支撑它"。
开写之前的四个决策：先收敛，再展开
在动笔之前，把下面四个问题回答清楚，可以省掉后面大量的返工。它们不需要长篇讨论，每个问题两分钟就能定下来，但定与不定，后面的效率差距非常大。
决策一：这条片子投放在哪里
竖屏平台要求主体居中、字幕靠上、前三秒必须有强钩子；横屏平台可以容纳更宽的环境与更慢的节奏；方形画幅适合信息流广告，但构图空间最小。这些差异直接影响脚本里要不要写环境全景，以及字幕出现在什么位置。如果同一条片子要同时投放竖屏与横屏，最好的做法是为竖屏单独设计一版构图更紧的镜头表，而不是把横屏素材裁一下了事。
决策二：时长与信息密度
十五秒只能装一个情绪转折；六十秒可以装一整个人物弧线；九十秒以上才适合解释一个完整逻辑。写下时长上限后，再决定要讲几件事。一个常见的错误是在三十秒里塞进五个卖点，结果每个都只讲了一半。判断标准很简单：**如果观众看完只能记住一件事，你希望是哪一件？**那一件就是主线，其余全部降级为背景细节或者干脆删掉。
决策三：主线是叙事还是情绪
叙事主线靠"发生了什么"推动，适合案例、故事、剧情号；情绪主线靠"感觉怎么变化"推动，适合品牌片、氛围片、音乐类内容。两种主线的镜头排布方式完全不同：叙事需要清晰的动作因果，情绪需要景别与光线的渐变。把两者混在一起，最常见的后果是既没有推进感，也没有氛围感。
决策四：这是一条还是系列
如果打算做成系列，必须在第一条里就固定下来的东西包括：开场镜头形式、配乐气质、字幕样式、结尾收束方式、以及每集唯一变化的那个变量。系列内容的稳定性来自结构一致、变量单一，而不是每集都换风格。观众形成预期之后，才会产生追更行为。
| 决策 | 常见选项 | 对脚本的影响 |
|---|---|---|
| 投放画幅 | 竖屏、横屏、方形 | 构图、字幕位置、镜头景别 |
| 时长 | 15 秒、30 秒、60 秒、90 秒以上 | 可容纳的信息量与转折数量 |
| 主线 | 叙事、情绪、信息 | 镜头排布逻辑与节奏曲线 |
| 是否系列 | 单条、系列 | 是否需要在第一条固定模板 |
从一句话创意到三幕结构：七步工作流
下面这套流程适用于广告、短片、口播、剧情号、产品演示等大多数AI视频项目。它的逻辑是先收敛，再展开：先把想法压到一句话，再逐层放大成可生成的镜头。整套流程跑通一次大约需要四十分钟，但能省下几个小时的试错。
第一步：写一句话前提
用一句话说清"谁，在什么处境下，想要什么，遇到什么阻碍"。例如："一个失眠的上班族，想在凌晨的城市里找到一家还开着的面馆。"这一句话决定了后面所有镜头的取舍标准——任何不服务于这句话的画面，都可以删掉。
第二步：确定主角与欲望
主角不需要复杂背景，但必须有一个明确的欲望。欲望越具体，镜头越好设计。模糊的"想要幸福"无法拍摄，"想在天亮前吃完一碗热汤面"则可以拍出一整条片。写下欲望之后，再补一句"他愿意为此付出什么"，人物立刻就拥有了重量。
第三步：设置冲突与代价
没有阻碍就没有故事。阻碍可以是外部（店关门、手机没电、下雨）也可以是内部（不敢开口、怕被拒绝）。**关键不是阻碍多大，而是主角为了跨过它付出了什么。**哪怕代价只是"多走三条街"，故事也会立刻有张力。
第四步：搭出三幕骨架
把故事压成三个动作：
- 建立：主角出现，处境交代清楚，观众知道他在追求什么；
- 升级：阻碍出现并加重，主角做出选择；
- 解决：结果揭晓，情绪落点出现。
短视频可以只有 15 秒，但三幕依然存在，只是被压缩成一两个镜头。
第五步：拆分场次
场次的标准是"地点 + 时间 + 情绪状态"三项中至少有一项发生变化。凌晨的出租屋、凌晨的便利店、凌晨的面馆，就是三场。场次拆分清楚，后面做提示词时就不会混在一起，也方便统一色调。
第六步：落到镜头表
每个场次拆成若干镜头，每个镜头写清五件事：景别、主体动作、环境、光线色调、时长。这一步是整条流程里最值钱的部分，因为它直接决定生成效率。
第七步：提示词化
把镜头表里的每一行扩写成生成提示词，并同步准备负面描述。此时你手里已经有了一份完整的"脚本 + 素材清单"，剩下的只是执行。
角色一致性：把"同一个人"写进提示词
跨镜头角色漂移是最常见也最耗时间的问题：脸型变了、发型变了、衣服颜色从深灰变成浅灰、年龄忽然年轻五岁。解决的思路不是反复重生成，而是在脚本阶段做三件事。
建立角色卡并固定措辞
给每个主要角色写一张固定描述，并把它原样复制到每一个相关镜头的提示词里。角色卡至少要包含：年龄段、面部特征、发型发色、服装颜色与材质、常带道具、气质关键词。写完之后不要随意改写措辞，措辞变了，模型理解的角色也可能跟着变。宁可重复到显得啰嗦，也不要用同义词替换。
一个可用的角色卡示例："三十岁上下男性，短黑发略显凌乱，面容清瘦，深灰棉质外套已旧，内搭白色圆领衫，随身携带一只磨旧的帆布包，神情疲惫但目光安静。"这段文字应当一字不改地出现在该角色出场的每个镜头里。
用参考图锁定外观
如果工具支持参考图或角色训练，优先使用同一张或同一组图片作为外观基准。文字描述的稳定性永远不如视觉参考。多个镜头共用一个参考，比每个镜头各自描述要可靠得多。实践中可以准备三张参考：正面近景、侧面半身、全身带服装，覆盖大多数景别需求。
转场里带上状态引用
在写场次转场时，顺手写一句角色当前状态："外套已被雨水打湿""手里还拎着那袋没吃完的面包"。这些细节会自然进入下一段提示词，让前后镜头在视觉和情绪上连起来。连续性是从上一镜头的状态里长出来的，不是凭空指定的。
角色漂移的排查顺序
如果已经出现漂移，按这个顺序检查：第一，角色卡措辞是否在每个镜头里完全一致；第二，是否使用了统一参考图；第三，单镜头里的动作是否过于复杂；第四，镜头是否同时出现多个相似人物。多数情况下，前两项就能解决问题。
镜头语言速成：用文字写出电影感
镜头语言听起来专业，实际上只需要掌握几个高频概念，就能让画面从"随机素材"变成"有意图的叙事"。
| 术语 | 视觉效果 | 适用场景 |
|---|---|---|
| 特写 | 强调情绪与细节 | 关键台词、情绪爆发、产品细节 |
| 中景 | 兼顾人物与动作 | 对话、日常动作、口播 |
| 广角/全景 | 交代环境与规模 | 开场、转场、孤独感 |
| 低角度 | 增强权威与压迫 | 反派、力量感、英雄时刻 |
| 俯拍 | 表现渺小与命运感 | 结尾、失落、群像 |
| 推近 | 情绪升温 | 犹豫、决定、发现真相 |
| 拉远 | 情绪收束 | 结尾、留白、告别 |
光线与色调是最便宜的情绪工具
同一段动作，暖光与冷光能讲出完全不同的故事。建议在脚本里为每一场戏指定一个基调：清晨的灰蓝、便利店的冷白、面馆的暖黄。整条片子的色调不要超过三种，否则观众会感觉拼贴感很重。写脚本时可以把色调写成一行固定句式，例如"室内暖黄顶灯为主，窗外冷蓝街灯作为轮廓光"，这样在每个镜头里复用即可。
运镜要服务于情绪方向
推近通常表示注意力收拢、情绪上升；拉远表示抽离、结束或释然；横向移动适合交代空间关系；手持晃动适合紧张与临场感。写脚本时，把运镜写成"镜头缓慢推近"这样的确定性描述，而不是"镜头有动感"这种模糊表达。
转场是为节奏服务的
不要为了炫技而加转场。硬切适合节奏紧凑的动作段落，黑场适合时间跳跃或情绪停顿，光影遮盖适合梦境与回忆。写脚本时标注转场意图，剪辑阶段就不会犹豫。
同一句话的三种写法
以"他走进面馆"为例：
- 平淡写法："一个男人走进面馆。"
- 情绪写法："中景，浑身湿透的男人推开门，暖黄灯光打在他脸上，他停顿半秒，镜头缓慢推近。"
- 张力写法："低角度近景，男人推开拉面店玻璃门，门内暖黄与门外冷蓝在画面中间分界，蒸汽升起遮住他的半边脸。"
三种写法对应三种叙事目的。你选择哪一种，取决于这一镜要解决什么问题。
分镜表与提示词模板：可批量执行的写法
分镜表写完之后，最后一步是翻译。这里推荐一个固定句式，能让提示词结构稳定、便于批量修改：
主体 + 动作 + 环境 + 光线色调 + 景别与运镜 + 风格参考 + 画质描述
例如："三十岁男性，穿着湿透的深灰外套，缓慢推开拉面店的玻璃门，室内暖黄灯光与室外冷蓝街灯形成对比，中景，镜头缓慢推近，写实电影风格，浅景深，颗粒质感"。
分镜表应该包含哪些列
| 列名 | 作用 |
|---|---|
| 镜头编号 | 排序与素材命名 |
| 场次 | 统一色调与地点 |
| 景别 | 控制信息量与情绪距离 |
| 主体动作 | 决定生成难度 |
| 光线色调 | 锁定视觉基调 |
| 时长 | 决定剪辑节奏 |
| 音频意图 | 标注配乐、音效或对白 |
| 备注 | 记录需要参考图或特殊处理的地方 |
把负面描述也标准化
负面描述同样值得固定：不要变形的手部、不要多余肢体、不要文字与水印、不要画面闪烁。把这一组负面词做成模板，每个镜头复用，能显著降低废片率。遇到特定题材时再追加：不要现代建筑、不要明显品牌标识、不要夸张表情。
一次只改一个变量
生成结果不理想时，不要同时改风格、改镜头、改光线。一次只调整一个变量，你才能知道是哪一个因素造成了问题。这也是把创作变成可学习过程的关键。把每次调整记录在分镜表备注列里，两周之后你会拥有一份属于自己的经验库。
素材命名与版本管理
推荐命名格式："场次-镜头-版本-状态"，例如"S02-04-v2-ok"。生成量上来之后，命名混乱带来的时间损耗远超你的想象。同时保留一份"最终选用"文件夹，只放已经确认的镜头，剪辑时不会被废片干扰。
音频、对白与节奏：别让画面单打独斗
很多人把AI视频当成纯视觉项目，结果成片"看起来不错但记不住"。原因往往在音频：配乐与画面不同步，音效缺失，对白节奏拖沓。
先定节拍，再排镜头
选定一段参考音乐，标出前奏、主歌、副歌、尾奏的时间点，然后把镜头按这些时间点排布。画面跟着音乐走，观众的沉浸感会立刻提升一个档次，因为身体先于大脑感知到了节奏。写脚本时可以在分镜表里加一列"时间码"，让剪辑阶段不用重新计算。
对白要短，信息要少
AI生成的对白口型很难完全对齐，所以更聪明的做法是：减少对白数量，提高单句信息量，其余信息交给画面和字幕。如果必须使用配音，优先选择语气清晰的短句，避免长句和复杂从句。一句话超过十五个字，就要考虑拆成两句或者改成字幕。
音效是廉价但高效的"真实感"
雨声、脚步声、开关门声、键盘敲击声，这些细节音效会让生成的画面显得真实。剪辑时给每个镜头至少配一个环境音，是成本极低但效果明显的优化。尤其注意转场处的音效衔接，一个干净的"咔哒"声往往能让两个不连续的镜头看起来像一个整体。
字幕要统一，而不是逐条调整
字幕的字号、位置、出现时长、描边样式，应该在第一条就定死，后面全部复用。竖屏视频尤其重要：字幕要避开平台界面遮挡的区域。把字幕当成设计系统的一部分，而不是后期临时加的东西。
三个可直接套用的案例拆解
下面三个案例分别覆盖广告、情绪短片与知识口播，可以直接作为模板修改。
案例一：十五秒产品广告
前提："一个总是忘记喝水的上班族，在下午三点崩溃之前找到解决办法。"
- 0 到 3 秒：特写，手指敲击键盘，屏幕反光，冷白色调，节奏紧张；
- 3 到 6 秒：中景，主角揉太阳穴，桌面散乱，镜头轻微手持晃动；
- 6 到 10 秒：中景，一只手把水杯放在桌上，光线转为暖色，镜头缓慢推近；
- 10 到 13 秒：近景，主角喝水的动作，背景虚化，音乐转为舒缓；
- 13 到 15 秒：产品静态特写 + 品牌落点字幕。
这条结构的关键是只讲一个改变，不解释参数、不罗列功能。
案例二：六十秒情绪短片
前提："一个失眠的上班族，想在凌晨找到一家还开着的面馆。"
- 0 到 15 秒：建立。出租屋、窗外冷蓝、翻来覆去，交代失眠与孤独；
- 15 到 40 秒：升级。走出门、街道空荡、便利店关门、雨开始下，阻碍逐步加重；
- 40 到 50 秒：选择。看到远处一点暖光，加快脚步；
- 50 到 60 秒：解决。推开门、蒸汽升起、坐下，镜头拉远收束。
转折点放在第四十秒左右，而不是第十五秒。转折来得太早，后面就没有余味了。
案例三：九十秒知识口播
前提："解释为什么大部分人在学习新技能时会卡在第三周。"
- 0 到 8 秒：结论前置，直接给出"不是意志力问题，是反馈缺失"；
- 8 到 30 秒：第一层解释，用生活化画面配合口播；
- 30 到 55 秒：第二层解释，加入对比案例画面；
- 55 到 75 秒：第三层解释，给出可执行动作；
- 75 到 90 秒：总结与行动指引。
口播类内容的关键是信息密度不要平均，每层之间要有停顿和重复强调。
常见错误、排查清单与常见问题解答
常见错误一：角色漂移
先检查角色卡描述是否在每个镜头里保持了完全一致的措辞，再检查是否使用了统一参考图。如果仍然漂移，就减少单镜头里的动作复杂度，动作越复杂，模型越容易牺牲面部稳定性。
常见错误二：动作崩坏
通常是动作描述过于抽象或幅度过大。把"跳舞"改成"缓慢抬起右手"，把"奔跑"改成"向前迈出两步"，成功率会明显提高。描述可执行的最小动作，而不是完整动作序列。
常见错误三：节奏拖沓
检查是否有镜头超过 8 秒，或者是否连续三个镜头景别相同。改变景别、缩短时长、增加一个信息点，通常就能救回节奏。如果整条片子都显得平，往往是缺少一个明确的转折点。
常见错误四：语义漂移
如果成片意思和脚本对不上，回看提示词是否混入了多个意图。一个镜头只表达一件事，是避免语义漂移最简单的方法。一个镜头里同时写"喝水"和"看手机"，模型很可能两件事都做不好。
常见错误五：色调发散
画面单看都还行，连起来却像拼贴。解决方法是在脚本里给每场戏指定唯一基调，并在提示词里固定光线描述。后期再统一套一层轻微色调映射，也能明显改善整体感。
发布前检查清单
- 开头 3 秒是否有明确的视觉钩子；
- 主角在跨镜头间是否一眼可辨；
- 色调是否控制在三种以内；
- 音频是否有节奏对齐与基础音效；
- 结尾是否给出情绪落点或行动指引；
- 字幕是否统一字号、位置与出现时长；
- 竖版与横版是否分别检查过构图；
- 静音播放一遍，是否仍能看懂故事。
完全没有写作经验，能写AI视频脚本吗？
可以。AI视频脚本更接近"结构化描述"而不是文学创作。你只需要回答四个问题：谁、想要什么、遇到什么阻碍、最后怎样。把这四点写清楚，再拆成镜头，就已经是一份合格脚本。
一个镜头写多长比较合适？
多数情况下 3 到 6 秒最稳，动作简单、情绪单一的镜头甚至可以更短。超过 8 秒的镜头不仅生成难度上升，后期剪辑时也容易让观众失去注意力。
应该先写脚本还是先试生成？
如果你的目标是可复用的内容生产，先写脚本。如果只是探索某个视觉效果，可以先试生成找感觉，但一旦确定要成片，仍然需要回头补一份简短脚本，否则素材会很难拼成完整叙事。
脚本要写多细？
判断标准很简单：换一个没参与讨论的人来执行，能不能做出接近你预期的片子。如果他看完还能问出"这个镜头拍什么"，说明还不够细。
同一个角色出现在多个场景，怎么保持统一？
使用固定角色卡加统一参考图，并在每个相关镜头的提示词中复制同一段外观描述。不要在不同镜头里换同义词，措辞的一致性比词汇的丰富性更重要。
没有预算做配音和配乐怎么办？
优先保证节奏与情绪：用免费音乐库选一段结构清晰的曲子，用文字字幕替代部分对白，再把环境音效补齐。观众对"节奏对不对"的敏感度，远高于对"音频是否昂贵"的敏感度。
怎么判断一条片子可以发布了？
关掉声音看一遍，再闭眼听一遍。如果静音时能看懂故事，只听声音时能感受到情绪起伏，这条片子基本成立。反之，回去补结构，而不是继续加特效。
写脚本会不会限制创意？
恰恰相反。结构越清楚，你在具体画面上越敢冒险，因为你知道冒险服务于什么目的。真正限制创意的是漫无目的地试，而不是有意识地写。
写作的终点不是脚本，而是让每个镜头都知道自己为什么存在。当你把这套流程跑通三到五次之后，会发现真正节省下来的不是生成时间，而是那种面对空白页无从下手的焦虑。
