AI 视频：从脚本到成片的生产线
做视频最难的不是某个工具，而是把一堆碎片素材组装成一条完整片子。这篇把 AI 视频拆成一条生产线：口播稿、配音、画面、字幕、剪辑，每一站该做什么、常见坑在哪，最后还有一条不能省的合规动作。
一条 AI 视频是怎么被组装出来的
很多人第一次做 AI 视频的体验是这样的：让模型生成一段画面，看着挺酷，但配上文案、配乐、字幕，最后剪出来就是不对劲——要么画面和讲述对不上，要么节奏拖沓，要么整条片子看着像素材拼盘。
问题在于把「生成画面」当成了全部工作。真实的一条视频是一条流水线，画面只是其中一站。把每一站的交付物想清楚，后面组装才不会散。
| 环节 | 产出物 | 这一站最容易出的问题 |
|---|---|---|
| 口播稿 | 一份能念的文稿 | 书面语太重，念出来别扭 |
| 配音 | 一段配好的音频 | 语速忽快忽慢，断句奇怪 |
| 画面 | 一段段视频素材 | 提示词写太满，动作糊成一团 |
| 字幕 | 带时间轴的字幕文件 | 错别字、与音频不同步 |
| 剪辑 | 成片 | 节奏拖、转场硬、音画不对齐 |
顺序很重要：先定稿文稿，再配音，再按音频长度去配画面。反过来先堆画面再塞文案，一定会陷入「这句配哪段画面」的死循环。
- 口播类：以说话为主，画面是辅助，重点在文稿和配音
- 纯画面/叙事类：没有说话，靠画面和字幕推进，重点在分镜
- 两条路线的生产顺序不同，别混着做
- 新手建议从口播类入手，因为它对画面一致性的要求更低
第一站：口播稿与配音
口播稿不是写文章。文章可以长句、可以有层次，口播稿是念给人听的，句子要短、要有停顿、要顺口。同一段内容，写和说完全是两种语言。
写口播稿时记住三条：每句尽量不超过一个气口、数字和专有名词要口语化、把书面连接词换成口语连接词。写完之后自己出声念一遍，念着别扭的地方就是要改的地方。
【角色】你是一位短视频口播稿写手，写出来的稿子要能直接念，不能有书面腔。 【任务】把下面的文案改成一段 60 秒左右的口播稿。 【约束】 - 每句话不超过 20 个字，读到逗号能换气 - 把书面连接词换成口语连接词，比如「因此」改成「所以」 - 数字和年份口语化，比如「2026 年」念作「二〇二六年」 - 保留原意，不要增加没有的信息 - 每段开头给一句能被记住的重点句 【原文案】 [粘贴内容]
配音这一站，现在主流做法是用工具把文稿直接转成语音。要点是：先确认文稿定稿再配音，别边配边改；生成后完整听一遍，重点听断句和语速；遇到念错的专有名词，改写成同音字或调整措辞，而不是反复重跑。各家工具的语音能力与用法，以官方最新文档为准。
很多人先把配音生成好，结果发现语速太快或太慢，画面根本跟不上。正确的顺序是：先定一个大概的时长目标（比如 60 秒），按这个时长控制文稿字数，再生成配音。
如果配音后还是不合适，优先调整文稿长度，而不是用变速把音频硬拉快——拉出来的声音会发飘，一听就不自然。
第二站：文生视频提示词怎么写
轮到最后真正「生成画面」的环节。文生视频的提示词和绘图有相通之处，但多了一个维度——时间。画面会动，所以你必须管住「动什么」和「怎么动」。
三条铁律，记住能避开一大半翻车：
一个主体，一个动作
一条提示词里只让一个主体做一件事。写「一个人走进房间，同时拿起杯子喝水，窗外还有鸟飞过」，模型会把三个动作搅在一起，全糊掉。想要多个动作，就拆成多段分别生成。
一条提示词只写一个运镜
运镜词（推、拉、摇、移、跟）一条只写一个。同时写「镜头推进」和「镜头环绕」，等于让摄像机同时干两件事，结果一定是画面抖动、主体变形。
写清具体环境，而不是笼统形容
「在一个很美的地方」等于没说。「一间洒进午后阳光的木地板房间，窗外是绿树」才有画面。环境越具体，模型的发挥越可控。
【主体】一个穿米色风衣的人，背对镜头站立 【环境】傍晚的城市天桥，远处是亮起的楼宇灯光 【光线】暖色昏暗光线，城市灯光的散景 【运镜】镜头缓慢向前推进（只写一个运镜） 【风格】纪实感，色调偏冷，轻微颗粒质感 ——错误示范（多个动作+多个运镜，必翻车）—— 一个人走上天桥，转头看镜头，镜头先推进再环绕， 旁边有车开过，天上还有云在飘
另外准备一组负面提示词兜底，专门压制那些常见的画面毛病。以下基线可以直接复用：
模糊, 画面闪烁, 形变, 多余肢体, 手指畸形, 文字叠加, 水印, 跳帧, 画面撕裂, 主体忽大忽小, 背景突变
还有一点经验：同一条提示词多跑几个版本再挑，是正常流程。视频生成的随机性比绘图更大，指望一次成型不现实。
文生视频的提示词，写多了不是加分，是添乱。一个主体、一个动作、一个运镜，环境写具体，这三条守住了，画面就稳。
把「一条长片」拆成「若干个短镜头」分别生成再拼，比重跑一整条省事得多。
第三站：字幕与剪辑
画面素材有了，接下来是把它拼成一条片子。这一站的核心词是对齐——音频、画面、字幕三者要站在同一个时间轴上。
字幕
现在多数剪辑工具都能自动根据音频生成字幕，但自动生成的结果一定要人工校对，尤其是同音字、人名、专业名词，出错率不低。字幕的呈现也有讲究：一行别放太多字、在句子停顿处断行、位置避开画面重点区域。
剪辑
剪辑阶段最影响观感的是节奏。新手常见的问题是一条片子里每段画面都停留太久，或者转场花样太多反而乱。经验做法是：以配音的句子为段落单位，一句一画面；画面切换尽量用最朴素的硬切；把最有力的信息放在开头几秒。
| 素材问题 | 剪辑端的补救办法 |
|---|---|
| 某段画面动作崩坏 | 缩短它的停留时长，或换成静态处理 |
| 画面与音频长短不匹配 | 用变速微调画面，或补一段空镜 |
| 整条节奏太平 | 在关键句处加快切换，制造对比 |
| 转场生硬 | 统一用硬切，减少花哨转场 |
| 开头不抓人 | 把最有悬念的一句提到最前面 |
新手常想一口气生成一整条几十秒的完整视频，结果每段都出问题，改一处崩一处。
更现实的做法是把片子拆成若干 3-8 秒的短镜头分别生成，挑出合格的片段再在剪辑里拼起来。这样做既好控制单段质量，也方便替换掉失败的那一段。
数字人口播的注意点
数字人口播是这两年增长很快的一类形态：用一张人物形象（真人授权形象或虚拟形象）加上语音驱动，做出一条「人在讲」的视频。它省去了出镜和真人拍摄，但也有自己的坑。
口型对齐是第一位
观众对口型错位极其敏感，一错就出戏。要保证音画对齐，最稳的办法还是先把配音定稿，再驱动口型。文稿中途改动，一定要重新生成，不要手动去「凑」。
注意形象授权与肖像权
如果用的是真人形象，必须获得本人明确授权，这是红线。用某个真人形象做数字人而没经过同意，可能涉及肖像权问题。虚拟形象则要确认所用素材的版权归属。相关使用条款以各工具官方最新公示为准。
别让数字人显得「假」
数字人最容易露怯的地方是：眼神僵硬、头部动作机械、表情和内容不匹配。补救办法是给动作留一点自然变化，避免全程像在念稿；画面里适当加入图文、素材来打断「一张脸一直说话」的单调感。
【开场 0-5 秒】一句钩子，直接点出这条视频解决什么问题 【问题 5-20 秒】说清观众正在遇到的痛点，给一个具体场景 【方案 20-60 秒】分 2-3 点给出可执行的做法，每点配一句话总结 【收尾 60-75 秒】一句能被记住的总结，不做空洞号召 ——每段之间安排一次画面切换或素材插入，避免长时间只拍脸——
最后一站：AI 标识与发布合规
这条最容易被忽略，但现在是发布前的必经环节。随着《人工智能生成合成内容标识办法》施行，平台普遍要求对 AI 生成内容进行标识，未主动标识可能面临限流、下架乃至更严重的处理。各平台已陆续更新相关规则，具体要求以官方与各平台最新公示为准。
简单说，标识通常分两种：显式标识和隐式标识。显式标识是用户能直接看到的，比如在画面角上标注「AI 生成」字样、在文案里说明；隐式标识藏在文件里，通常由平台或工具在生成时写入元数据。作为创作者，你至少要保证显式那一层做到位。
发布前，平台一般还会要求你选择内容标签。据 2026 年的公开资料，主流平台提供多类「必选标签」，例如「含有 AI 生成内容」「含有虚构演绎内容」「含有营销信息」等，选对标签是发布流程的一部分，具体标签类别与选择方式以各平台最新公示为准。
- 用了 AI 生成的画面、配音、数字人，就勾选对应的 AI 生成标签
- 画面角落或简介里加一行文字说明，让观众一眼知道
- 保留生成过程与提示词，既是记录，也是必要时自证的材料
- 涉及他人形象、音乐、字体，逐一确认授权，别默认「网上下的就能用」
一条 AI 视频的质量，取决于你对每一站交付物的要求，而不是你用了多厉害的工具。文稿、配音、画面、字幕、剪辑、标识，六站各守好自己的关，成片自然稳。
合规不是给创作上枷锁，而是让这条生产线能长期跑下去的前提——尤其在平台对 AI 内容标识越来越明确的当下。
下一篇我们回到图文场景，聊「公众号 AI 排版工作流」——为什么直接粘贴 AI 输出会乱版，以及怎么把排版规则写进提示词里。