很多人在第一次尝试 AI 短片时，会以为难点全在软件操作上。真正让项目停摆的往往是三件事：故事没有成型、镜头切得太碎、角色在第三个镜头就换了张脸。生成工具只是放大器，它会把清晰的想法变得更清晰，也会把模糊的想法变得更模糊。零基础并不意味着低质量，只意味着你需要把每一步拆得足够细，让每个决定都有依据。
下面这套流程按真实制作顺序展开：先确定目标和画幅，再写分镜脚本，然后解决角色与场景的一致性，接着按镜头类型挑工具，进入生成、筛选、剪辑、配音和交付，最后附上排查清单与进阶练习路线。全程不需要摄影经验，也不需要剪辑基础，但需要你愿意把一条三十秒的短片当成一个小项目来管理。
零基础做AI短片，卡住你的通常不是工具
新手最容易踩的坑并不是「模型不够强」，而是流程顺序错了。常见的三种失败模式值得先说清楚，因为避开它们，你就已经领先大多数第一次尝试的人。
第一种是「先做后想」。打开工具，输入一句模糊的描述，看到什么好看就留下什么，生成二十多个片段后才发现彼此之间接不上：人物换了衣服，房子换了朝向，白天变成了黄昏。第二种是「镜头贪多」。三十秒的故事写了二十个镜头，平均每镜头一点五秒，结果每个镜头都来不及建立信息，观众只看到一堆快速闪过的画面。第三种是「只在意单帧好看」。单张画面很精致，但一动起来手部融化、背景扭曲，剪进去之后整条片子的可信度立刻崩掉。
正确的心理模型是：把 AI 生成理解为「拍素材」，而不是「一键出成片」。你依然是导演，只是摄影组、美术组和演员都被换成了几次点击。导演的工作是定义清楚要什么、判断什么能用、决定怎么组装。工具负责的是执行，不是替你思考。
一个可以反复使用的制作循环是：写清楚要什么 → 生成三到四个版本 → 按固定标准筛选 → 拼接并检查连贯性 → 加上声音与字幕 → 复盘哪一步最耗时。每轮只改一个变量，否则你永远不知道是提示词起了作用，还是随机种子碰巧给了好运。
关于时间预期，请给自己一个现实的心理准备。第一条三十秒的短片，纯新手通常需要四到八小时，其中将近一半时间花在筛选和取舍上，而不是生成。生成很快，判断很慢。接受这一点，你就不会在第两小时感到挫败。
开拍前的三件事：故事、时长、画幅
在打开任何生成工具之前，先把三个决定做完。这三个决定会直接影响后面每一句提示词的写法。
用一句话锁定故事
一句话故事应该包含四个元素：主角是谁、他想要什么、什么阻碍了他、最后发生了什么。例如：「一只怕水的小猫在雨夜借到一把伞，走到街口才发现，雨其实并不可怕。」这句话已经包含了人物、欲望、阻碍和转折，也天然给出了至少六个画面：屋内、门边、雨中、伞下、街口、抬头看天。
一句话故事的另一个好处是防跑题。生成过程中你一定会看到很多漂亮但无关的画面，判断标准很简单：这个镜头在推进那句话吗？如果答案是否定的，再好看也砍掉。
先定时长，再定镜头数
时长和镜头数是绑定的。可以参考这个粗略换算：十五秒短片约四到六个镜头，三十秒约八到十二个镜头，六十秒约十八到二十四个镜头。镜头越短，一致性压力越大，因为观众没有时间适应变化，任何细微差异都会被放大。
如果你是第一次做，建议从六到八个镜头的三十秒版本开始。这个长度足够讲一个小转折，又不至于让你在一致性上消耗过多精力。
画幅决定构图与提示词
竖屏九比十六适合短视频平台，主体通常放在画面中上部，底部预留字幕区；横屏十六比九适合叙事和风景铺陈，留白更多；一比一方形适合信息型内容。
关键点是：画幅要写进提示词。如果你只生成横屏素材，后期再裁成竖屏，会损失将近一半画面信息，人物可能被裁掉半张脸。直接在提示词里写「竖屏构图，人物位于画面中上部，底部留空」会省掉大量返工。
从点子到分镜脚本：把故事切成可生成的镜头
分镜不是专业人士的专利，它只是一张让生成变得可控的清单。
分镜表应该包含什么
用任意表格工具建一张表，列可以这样设置：镜号、时长、景别、画面描述、角色动作、台词或音效、生成要点。填写时注意两件事。第一，每个镜头的时长要写具体秒数，不要写「一会儿」。第二，生成要点要写成可以直接复制的关键词组合，而不是「氛围感强一点」这种模糊描述。
填完整张表之后再开始生成。这一步看起来慢，但它节省的是后面反复返工的时间，实际是加速。
提示词的结构化写法
把提示词拆成七个要素，按固定顺序写，你会明显感觉结果更稳定：
- 主体：谁或什么，包含年龄感、体型、显著特征。
- 外观细节：服装材质、发色、配件。
- 动作：正在做的具体动作，动词越明确越好。
- 环境：地点、时间、天气、周围物件。
- 镜头语言：景别、机位高度、镜头运动。
- 光线氛围：主光方向、冷暖、明暗对比。
- 风格与画质：写实、动画、胶片质感，以及清晰度描述。
举一个完整示例：「一只灰白短毛小猫，戴红色小围巾，站在便利店门口的台阶上抬头看雨，雨水在灯光下形成细线，环境是夜晚街道，霓虹反光，中景平视，镜头缓慢向前推进，柔和顶光加侧面霓虹冷光，写实电影质感，浅景深，画面干净」。
注意，这里没有堆砌形容词，每个词都在描述可见的东西。形容词越抽象，模型越容易乱猜。
首帧、尾帧与运动描述
如果工具支持首帧和尾帧，一致性会立刻提升一个档次。做法是：先用上一镜的最后一帧作为下一镜的首帧，或者在同一个场景里固定一组场景描述词，只改变人物动作。
运镜描述同样要具体。「镜头缓慢向前推进」「镜头围绕主体做小幅环绕」「固定机位」都是有效的；「动感一点」基本等于没写。运动幅度建议从保守开始，幅度越大，画面结构越容易崩。
角色与场景一致性：最容易被低估的环节
一致性是 AI 短片和普通短视频之间最大的分水岭。观众可以接受画风统一但镜头简单的作品，却很难接受同一个角色在不同镜头里像两个人。
角色档案与参考图
为每个主要角色建一份简单档案：姓名、年龄感、体型、发色发型、服装、显著特征。然后准备三到五张参考图，覆盖正面、侧面、半身和全身，最好再加一张表情参考。
生成参考图本身就是一个小项目。你可以先用一段描述生成一批候选，挑出最符合设定的一张，再以它为基准生成其他角度。这样得到的一组图彼此之间是自洽的，比从网上随便找图更可靠。
如果工具支持参考图或角色锁定功能，把参考强度设置在中等偏高的位置。太低会漂移，太高会让动作僵硬，中间值通常最实用。
场景锚点
场景同样需要锚点。为每个场景固定一组描述词：地点名称、时间、天气、主光方向、色彩基调、标志性物件。例如「老旧公寓走廊，夜晚，暖黄色顶灯，墙面有细微裂纹，尽头有一扇绿色铁门」。每个涉及这个场景的镜头都完整重复这组词，不要偷懒简写。
标志性物件特别有用。它给观众一个视觉锚，也给模型一个稳定的构图参考。一棵歪脖子树、一盏路灯、一块褪色招牌，都能承担这个功能。
常见漂移与应对
最常见的漂移有四种：脸部变化、发色或发型变化、服装变化、场景方向反转。应对方法按优先级排列：一是提高参考图权重；二是减少同一镜头内跨场景的切换；三是固定随机种子，只改动作描述；四是把跨度过大的镜头拆成两个镜头，中间加过渡。
如果某个镜头连续三次都崩，不要继续在这条路上加形容词。换个景别，或者把它拆开，成功率通常比硬调提示词高得多。
模型与参数选择：按镜头类型挑工具
不同镜头对生成能力的要求差异很大。把所有镜头交给同一个工具，往往会在某一类画面上反复受挫。下面这张对照表可以作为选择依据。
| 镜头类型 | 优先关注的能力 | 参数建议 |
|---|---|---|
| 人物特写 | 面部稳定性、皮肤质感 | 短时长、低运动幅度、高参考强度 |
| 对话场景 | 口型与视线方向 | 中景、固定机位、避免大幅运镜 |
| 大场面空镜 | 空间层次与透视 | 长时长、可放宽一致性要求 |
| 环境过渡 | 光线与色调统一 | 与相邻镜头复用同一组场景词 |
| 动态跟随 | 运动连贯性 | 中高运动幅度、缩短单镜时长 |
| 风格化插画 | 风格一致性 | 固定风格关键词、固定种子 |
参数上有四个值得单独说明的选项。
时长：五秒和十秒的差别不只是长度。十秒镜头里人物有更多时间暴露结构性问题，所以人物为主的镜头建议从短时长开始。
分辨率：先用较低分辨率快速试稿，确定构图和动作之后再用高分辨率重生成同一个种子，这样能省下大量等待时间。
运动幅度：从低到中逐步试探，找到画面还稳的那个临界点，然后停在那里。
随机种子：把可用镜头的种子记下来，同一个角色、同一个场景优先复用同一批种子。
生成、筛选与剪辑节奏
批量生成与素材命名
每个镜头生成三到四个版本，不要只生成一个就开始剪。命名规则建议固定为「镜号_版本号_状态」，例如 shot03_v2_ok。看起来琐碎，但当你有六十个文件时，这套规则能救你半小时。
素材按镜头分文件夹存放，并保留一份纯文本的提示词记录。哪句提示词生成了可用素材，直接复制到分镜表的生成要点那一列，下一条短片就能直接复用。
筛选标准
不要用「好不好看」来筛选，用四条硬标准：
第一，主体是否清晰可辨，脸和手有没有明显变形。第二，动作是否自然连贯，有没有卡顿或结构跳变。第三，色调与相邻镜头是否接近，会不会像来自两条不同的片子。第四，构图是否给字幕和配音留了空间。
四条里有一条明显不合格，直接换版本，不要试图用后期修补。修一个崩掉的镜头的成本，通常高于重新生成四个版本。
剪辑节奏
短片的信息密度比长视频高，平均两到四秒切一次是常见节奏。三种切点比较自然：动作切，在动作进行到一半时切走；节拍切，跟着音乐重音切换；视线切，让人物看向画外，下一个镜头正好是被看的对象。
避免连续两个同景别、同角度的镜头相接，那会让观众产生画面卡住的错觉。中景接特写、全景接中景，是最省力的搭配方式。
补拍与重生成
当某个镜头在剪辑台上显得多余，先别急着删，试着把它缩短一半。很多冗余是时长问题，不是内容问题。
需要重生成时，记住一个原则：只改一个变量。改完记录结果，两次之后你就能判断出这个工具对哪类词汇敏感，这比看十篇教程都有用。
声音、字幕与成片交付
画面完成度到七成的时候就可以进入声音环节。声音对成片质感的提升幅度，通常远大于再花两小时打磨画面。
配音与音效
文本转语音要注意语速和停顿。同样的文字，语速放慢一成、在关键句前留零点三秒停顿，听起来会自然很多。如果短片有旁白，建议先配音再定剪辑点，让人物动作去配合语句节奏，而不是反过来。
音效分三层叠加：环境层（雨声、街道底噪、室内混响）、动作层（脚步、开门、物体碰撞）、强调层（一两个点睛音效）。三层齐全，画面会立刻「立起来」。音乐选择上，注意使用可商用或无版权来源，并保留授权记录。
字幕规范
单行不超过十六个字，最多两行；位置固定在画面下三分之一区域内，不要压到人物面部；字体加一层细描边或半透明底，保证在复杂背景上依然可读。字幕出现时间略微提前于语音起点，观感会更顺。
导出参数
| 用途 | 分辨率 | 帧率 | 备注 |
|---|---|---|---|
| 竖屏短视频 | 1080×1920 | 30 | 码率适中，兼顾清晰与体积 |
| 横屏展示 | 1920×1080 | 24 或 30 | 叙事类优先 24 帧 |
| 高画质留档 | 文件上限分辨率 | 同源帧率 | 单独保存，不用于上传 |
| 预览与反馈 | 720p | 30 | 发给他人看节奏即可 |
导出前做三件事：完整看一遍带声音的版本、检查首尾各留零点五秒、确认字幕没有错字。这三件事各花两分钟，能避免大多数「发出去才发现」的尴尬。
常见问题排查清单
| 现象 | 可能原因 | 处理方式 |
|---|---|---|
| 人脸在不同镜头间变化 | 缺少参考图或权重过低 | 补参考图，提高参考强度，固定种子 |
| 手部结构异常 | 动作幅度过大或手部占比过高 | 缩短时长，改成中景，避免手部特写 |
| 画面闪烁跳变 | 单镜时长过长、运动描述矛盾 | 缩短镜头，统一运镜描述，拆成两个镜头 |
| 同一场景方向反转 | 场景描述词不完整 | 每镜重复完整场景锚点，包括主光方向 |
| 人物动作僵硬 | 参考强度过高或运动幅度过低 | 降低参考强度，适当提高运动幅度 |
| 画面里的文字乱码 | 模型对文字渲染不稳定 | 避免依赖画面内文字，改用后期字幕 |
| 衔接处像两条片子 | 色调与镜头语言不统一 | 统一风格关键词，做一次整体调色 |
| 生成时间过长 | 高分辨率反复试错 | 低分辨率试稿，定稿后再提升画质 |
进阶练习：从一条短片到系列化创作
当你完成第一条短片，最有价值的不是立刻做第二条更长的，而是做三个有针对性的小练习。
第一个练习是单镜头打磨。挑一个五秒镜头，用同一个种子生成十个版本，观察提示词中每个词的影响。做完这个练习，你对提示词的直觉会明显变好。
第二个练习是三镜头对话。两个角色、一句台词、一个反应镜头，全程保持一致性。这是所有叙事类内容的最小单元，练熟之后扩写成长片会轻松很多。
第三个练习是无台词叙事。用五个镜头讲一个完整的小事件，不靠旁白。这会迫使你在构图和动作上表达信息，是提升叙事能力最快的方式。
之后可以进入系列化创作：把角色档案、场景锚点、提示词模板整理成一套可复用的素材包。同一个角色出现在不同故事里，观众会产生熟悉感，这比每次都从零开始更能积累作品辨识度。
另外建议建立个人元素库，把可用的光线描述、运镜描述、色调组合分类存好。拍摄时直接调用，不用每次重新构思措辞。长期来看，这套库比任何单一模型都更保值，因为工具会更新，你的表达体系不会。
常见问题解答
完全不会剪辑，能做出成片吗？ 能。短片的剪辑需求很低，主要工作是把素材按顺序排列、裁掉多余部分、加上声音和字幕。用任意一款基础剪辑软件，一个下午就能掌握所需功能。
一条三十秒短片要生成多少素材？ 通常在四十到八十个片段之间。按每个镜头三到四个版本计算，最终使用的比例大约三成。这个比例很正常，不要因为废片多就怀疑方法。
必须准备参考图吗？ 如果短片里有同一个人物出现在多个镜头，强烈建议准备。纯环境类短片可以省略。
角色一致性做不好，应该换工具吗？ 先别换。大多数一致性问题是参考图和场景描述不完整造成的，换工具未必能解决。先补齐角色档案和场景锚点，再考虑换。
提示词越长越好吗？ 不是。有效提示词的标准是每个词都描述可见信息。重复、矛盾的形容词只会让结果更不稳定。长而有序优于短而含糊，但两者都不如有结构。
怎么判断一条短片算完成了？ 三个标准同时满足就可以停：故事讲清楚了、没有明显崩坏的镜头、声音和字幕完整。追求每个镜头都完美，通常会让项目永远做不完。
第一个镜头总是不够好怎么办？ 把它放到最后再做。先完成中间那些结构简单的镜头，等你对手上的工具有了手感，再回头处理最难的开场。
需不需要提前学美术或摄影？ 不需要，但了解两个基础概念会很有帮助：景别（远中近特写的作用）和主光方向（光线从哪来）。花二十分钟了解一下，对提示词和画面判断都有直接帮助。
怎样提高效率？ 三件事最有效：低分辨率试稿、只改一个变量、保留可复用的提示词记录。这三件事加起来，能让第二条短片的制作时间减少一半以上。
做出来的短片能商用吗？ 取决于你使用的工具、素材和音乐各自的授权条款。上传前逐项确认授权范围，尤其是音乐和字体，并保留相关记录。
