打开Sora的生成页面很多人第一反应是惊叹“这画面太真了”但真到了要拿它做一条能发出去的短视频时通常就是另一个故事了脚本不知道怎么定生成出来的片段东一榔头西一棒槌剪辑时花在挑素材上的时间比手动拍摄还长。过去半年我一直在折腾“Sora CapCut”这套自动化工作流目标是让一条短视频从脚本到发布尽量少占用人工时间同时保证完播率和画面质感。这篇文章就是这套流程的完整复盘包括我怎么设计提示词、怎么批量出片、怎么用CapCut的自动化功能收尾以及踩过的那些坑。想用AI视频做持续更新的个人创作者、小团队或者正在做AI短剧、AI漫剧这类批量内容的会从这篇里找到一套能直接落地的思路。1. 自动化的前提把短视频生产链路拆成“能标准化”和“不能标准化”两部分很多人一提“自动化”脑子里想的是“我写一个标题啪一下整条视频就出来了”。我劝你先忘掉这个画面至少现阶段全自动一键成片在质量上还撑不起“爆款”二字。真正能自动化的是链路中那些重复、高耗时、低创造力的环节而不是判断和审美。1.1 传统制作流程的时间黑洞做短视频的人都有体会最耗时间的往往不是“拍”或“生成”而是中间那些零碎动作。我拆过自己的制作时间一条5分钟的解说类视频从确定选题到最终发布大约6到8小时。细看分布找选题、查资料、写初稿1到1.5小时脚本润色、口语化改写、设计钩子1小时找素材实拍、素材库、AI生成1.5到2小时粗剪、卡点、加字幕、配乐、调色1.5到2小时封面、标题、多平台发布40分钟发布后统计数据和评论30分钟发现没有真正需要创意和审美的时间核心就在脚本设计和最后的节奏把控其他大部分都在“搬运”和“重复操作”。这些重复操作就是自动化的入口。1.2 判断一条视频能不能自动化的标准我自己的判断标准很简单就看三点流程是否固定、输出是否可批量、质量是否可以量化验证。流程固定意味着每一步的输入输出都清晰比如“脚本进、分镜出”“分镜进、素材出”“素材进、成片出”。输出可批量意味着做的不是独一无二的一次性内容而是能被算法模型“复刻”的模块。质量可量化意味着能通过一些硬指标完播率、字幕准确度、节奏卡点偏移量来反向校准流程。举个例子“根据今天热点写一条60秒AI短剧脚本”是可自动化的因为它流程固定、可批量、质量可以用点赞率验证而“根据我此刻的情绪写一条朋友圈文案”就不适合自动化因为判断标准太个人化连Prompt都很难描述。1.3 我的工作流全貌人机分工表我最终跑通的工作流分五个阶段每个阶段人机各有分工阶段自动化工具人工参与度产出物选题与脚本LLMGPT/Claude等生成初稿高人定方向、审事实分镜脚本画面生成SoraStoryboard/Remix/Re-cut中人挑版本、改提示词素材片段后期剪辑CapCut自动字幕、节拍、模板低人定风格、微调节奏成片多平台发布CapCut生态与平台工具中人写标题、定封面发布内容数据复盘平台数据后台 LLM总结高人做策略判断优化建议这套分工的核心逻辑是AI负责“做到80分”人负责“从80分提到100分”。如果你要求AI一步到位做满分反而会陷入反复修改Prompt的泥潭时间成本比传统流程还高。2. 脚本阶段就开始为画面服务LLM生成脚本与Sora分镜的一次成型脚本是整条流程的地基但大部分人在这个阶段犯的错是把脚本写成了“给人读的文章”而不是“给Sora和剪辑师看的分镜脚本”。这两个东西的差别巨大。2.1 为什么脚本要按“可视化单元”写而不是按人生成普通写作是按段落组织的但视频脚本必须按“画面单元”组织。一个画面单元对应一个镜头通常3到8秒包含完整的视觉信息和情绪目的。比如同样一句话“他推开咖啡馆的门发现座位已经被占满了。”按段落写Sora会生成一个宽泛的场景按可视化单元写就要拆成单元12秒中景一只手推开玻璃门门铃响单元23秒过肩镜头主人公扫视室内镜头缓慢推近单元32秒特写主人公眼神变化嘴角微微下压这样拆分有几个直接好处Sora生成时候选素材更可控、CapCut剪辑时素材匹配更精准、后续想替换某个镜头只需要重新生成其中一个单元。我现在写脚本都是直接让LLM按“画面单元表”格式输出。2.2 一个可以直接抄的脚本生成提示词模板我自己用的脚本生成Prompt已经迭代了很多版核心结构包括以下几个部分账号定位、目标平台、单集时长、内容风格、镜头语言要求、字幕要求。下面是一个可以直接复制使用的模板我用的是GPT但其他LLM也通用你是一名资深的短视频导演和文案策划。请根据以下要求为我输出一份可直接用于AI视频生成工具如Sora的分镜脚本。 【账号定位】 一个专注“城市生活观察”的泛知识类账号受众是25-35岁一线城市上班族。 【本期主题】 “为什么现在的年轻人越来越不想参加无效社交” 【视频要求】 - 时长60秒 - 平台抖音/B站竖屏9:16 - 语速正常偏快解说词总字数控制在200字以内 - 风格克制、冷静、略带疏离感不要煽情不要网络热梗堆砌 - 配乐基调轻缓电子音乐 【输出格式要求】 严格按照以下Markdown表格输出不需要额外解释 | 序号 | 时间码 | 景别 | 镜头运动 | 画面描述 | 字幕/解说词 | 音效/音乐提示 | 【画面描述要求】 1. 每个画面描述必须包含主体、动作、环境、光线、氛围。 2. 镜头运动必须具体固定镜头/缓慢推近/横移/跟随/俯拍等。 3. 画面之间要有连续性和因果性避免跳跃感。 4. 至少包含一个“钩子画面”和一个“情绪转折画面”。 【解说词要求】 1. 口语化短句为主避免书面语。 2. 每句不超过20个字。 3. 开头第一句必须能引发好奇或共鸣。注意到输出格式里我要求用Markdown表格这很重要。格式化的输出可以直接喂给下一个Agent做Sora分镜卡也方便我人工快速审阅。2.3 把脚本翻译成Sora Storyboard分镜卡拿到LLM生成的脚本表格后下一步是把它转换成Sora的Storyboard。这里我发现一个关键逻辑LLM输出的分镜已经是“画面单元”但Sora对每个卡片输入的提示词需要更偏向“视觉生成”。我写Sora分镜卡提示词的结构是“主体动作场景光线氛围镜头运动画质词”。举个实际例子分镜表里写的是“中景一杯咖啡被推到桌对面窗外下雨”而我在Sora Storyboard卡片里写的会是A cup of hot coffee is slowly slid across a wooden table toward the camera, rain streaks visible on the window behind, soft gray daylight, melancholic cozy atmosphere, shallow depth of field, cinematic medium shot, slow push-in这里的区别在于脚本里的“画面描述”是对人类导演说的而Sora的提示词是在描述像素的构成。LLM能自动完成这个转译你只需要在Prompt里加一句“请将分镜表中的每个画面描述改写为适合Sora的英文视觉提示词保持主体、动作、光线和镜头运动一致”。这一步做好后面Sora出片就能省掉80%重复修改的时间。3. Sora出片不是“抽卡”参数、提示词与批量策略决定剪辑效率Sora很多人都用过但绝大多数人把它当“抽卡机”用输入一句话生成一个片段不满意重来。这种用法做一两条玩具视频可以支撑不起稳定更新的工作流。真正的稳定出片需要从参数、提示词、生成策略三个维度控制。3.1 基础参数时长、分辨率、宽高比的取舍短视频工作流里我一般固定用这三套参数组合内容类型宽高比分辨率单片段时长用途口播/解说类9:16 竖屏1080x19205秒-10秒抖音、快手、视频号、TikTok横屏叙事/短剧16:9 横屏3840x21604K8秒-10秒B站、西瓜、YouTube图文情感类1:1 方屏1080x10803秒-5秒小红书、朋友圈分辨率我建议能选4K就选4KSora生成后即使你在CapCut里做裁剪、推拉、变速画质余量都足够。如果预算有限至少保持1080p输出低于这个分辨率再一剪辑就废了。时长方面我会刻意生成“比实际需要更长的片段”比如剪辑时需要3秒我生成5到8秒。因为Sora生成视频往往开头和结尾不够干净中间才稳定留出预裁剪量方便后期。3.2 提示词的六要素与完整示例我总结了一套Sora提示词六要素主体、动作、场景、光线、氛围、镜头语言。再补一个画质修饰。六要素不要缺缺一个画面就容易失控。一个经过实测的完整示例Cinematic shot, a young woman in a beige trench coat walks through a rainy city street at dusk, wet asphalt reflecting neon signs, motion blur of passing umbrellas, shallow depth of field, moody and solitary atmosphere, camera follows from behind, slight handheld shake, ultra detailed, 4k这个提示词里主体是“穿米色风衣的年轻女性”动作是“在雨中街道行走”场景是“城市街道、黄昏、湿沥青、霓虹灯倒影”光线是“黄昏霓虹”氛围是“孤独、电影感”镜头语言是“从背后跟随、轻微手持抖动”画质词是“ultra detailed, 4k”。写提示词有个需要注意的地方——动作不要写太抽象的词像“思考”“回忆”这种Sora完全不知道该怎么画出来要把心理活动外化成具体动作“停下脚步抬头手微微握紧衣领”。另外中文提示词Sora也能理解但我实测英文提示词的画面稳定性和细节丰富度明显更好建议统一用英文。3.3 批量生成与Retake策略稳定的生产必须批量单个镜头只生成一条就开剪基本等于自杀。我的批量策略是这样的每个分镜单元生成3个备选重点镜头开场钩子、情绪转折生成5个备选。批量生成时不要手动一个个输入Sora的Storyboard功能支持把多个分镜卡一次性提交。我通常一次提交5到7个分镜卡然后统一回来挑片。挑片的优先原则是“动作干净、画面无畸形、光线稳定”而不是“画面最美”。AI视频难修的不是丑是“动态瑕疵”比如手部扭曲、文字乱码、物体穿模只要动作逻辑正常色调风格统一后面CapCut都能救。这里再提一下Sora的Re-cut和Remix功能在批量策略里很有用。Re-cut可以把一个长片段重新切割剪出多个可用角度Remix可以对生成结果做局部修改比如把衣服颜色从红色改成蓝色把白天改成夜晚不需要重新生成整个镜头。这两个功能组合起来一个满意的素材可以衍生出四五个变体批量效率直接翻倍。素材生成后我建议在本地建一个固定的文件命名规则比如“04_A_01_备选1.mp4”04是分镜序号A是版本批次01是镜头编号。命名规则直接决定你后面在CapCut里找素材的速度这个细节千万别省。4. CapCut接力把零散AI素材变成有节奏的成片Sora生成完一堆素材片段之后真正的后期战场在CapCut里。CapCut就是剪映的国际版功能基本一致国内用户直接用剪映也完全通用。这一阶段的核心目标只有一个用尽量短的时间把零散素材变成一条节奏流畅、有字幕、有配乐、有情绪曲线的成片。4.1 自动字幕不是“识别出来”就完了CapCut的自动字幕识别准确率已经相当高但直接用它默认设置就是浪费。我的做法是分三步第一步先让CapCut把音频轨道里的解说词全部识别出来生成字幕。第二步对字幕做样式统一我会在全局设置里把字幕字体、字号、描边、底色调好保证整条视频风格一致。第三步最关键的一步——用CapCut的“字幕批量编辑”功能把文案重新分组和断句。AI识别出来的字幕经常把一句话断成两半看的时候特别难受。我一般会把同一句话合并成一个字幕片段控制在每屏不超过12个字。注意字幕不只是给人看的它还是视频节奏的“隐形骨架”。我在剪辑时习惯先铺字幕轨道然后看着字幕的节奏去调整画面素材的长短这样比先剪画面再加字幕快得多因为解说词的停顿位置本身就是天然剪辑点。4.2 智能剪口播与音乐卡点节奏感也能自动化Sora生成的口播片段如果带有配乐或环境音处理起来比较头疼因为AI语气的停顿不一定正好在你想剪的位置。CapCut的“智能剪口播”功能可以有效处理掉说话之间的空白停顿和多余语气词一键删除。这个功能在处理AI生成的口播素材时特别管用因为AI生成的语音往往有大量“预留呼吸感”实际听感拖沓剪完后信息密度立刻上来。音乐卡点用CapCut的“自动节拍”功能它会在音乐波形上标记出重拍位置。我的做法是先选好BGM让CapCut自动打节拍点然后根据标记点去安排转场位置。开场钩子画面一定卡在第一个重拍上情绪转折画面卡在一个次重拍上结尾CTA卡在最后一个重拍上。这三处卡点对了观众体感上的“专业感”就出来了其他转场不需要刻意卡。4.3 模板库与批量处理把剪辑时间压进十分钟CapCut的模板功能经常被忽视实际上是自动化流程里最高效的一环。我会为固定类型的内容建3到4套专属模板每套模板里包含固定的片头动画、字幕样式、转场预设、调色滤镜和音效素材。拿我做“城市观察”系列来说我的模板固定是0到0.5秒无字黑场引入0.5到2秒标题字出现并轻微上浮后续全部用硬切轻微缩放转场滤镜统一用“青橙色调”环境音和BGM的混音比例预设好。这样一来每次新视频只需要替换素材、调整字幕剪辑时间从两小时压缩到约十五分钟。CapCut还支持批量处理操作比如多段素材统一加“闪白”转场、统一加“噪点”质感、批量调整同名字幕样式这些动作用鼠标框选后一次性完成。对于固定更新频率的账号这套模板化处理逻辑是提升效率最明显的杠杆点。5. 发布、复盘与提示词迭代让工作流形成闭环视频剪好不算完发布和发布后的数据回收本身就是自动化流程的关键一步。少了这一步你的工作流是断的下一期内容还得从头开始摸索。5.1 导出参数与多平台适配CapCut导出的参数设置直接决定视频在平台上的画质表现。我导出的标准配置是分辨率选择“与项目一致”竖屏系列保持1080x1920帧率选30fps码率选“更高”编码格式H.264。这个组合在画质和文件体积之间最均衡上传抖音和B站后不会被二次压缩得太惨。多平台发布方面CapCut桌面版支持直接分享到TikTok、YouTube Shorts、Instagram Reels等平台国内用剪映也可以一键发布到抖音、西瓜、头条。但我的习惯是能用生态内一键发布的就一键发布跨生态的平台比如B站、小红书、视频号还是手动上传因为隔了一层跳转网络环境和平台规则都不稳定手动上传其实更省心。5.2 封面、标题与发布动作很多人在发布时会低估封面的作用。对于AI生成视频封面最好从成片里抽一帧“信息量最大”的画面再用CapCut的“导出帧”功能导出为封面图然后用在线作图工具或LLM生成标题文本叠加上标题字。不要用Sora原始输出做封面因为AI画面往往缺少“锚点”观众看了不知道你要讲什么。标题和发布文案建议在脚本生成阶段就让LLM一起输出。我在脚本模板里会加一个要求“请为这条视频提供3个不同风格的标题选项并配一段发布文案文案前两行需要用悬念或反常识观点抓住注意力。”这样到发布的时候只需要复制粘贴不用临时想文案。5.3 数据回流用完播率反哺下一轮提示词真正让工作流“自动进化”的是数据回流。我每期视频发布48小时后会把平台后台的数据截图喂给LLM让它做三件事总结完播率和流失点、对照脚本结构分析哪个环节出了问题、给出下一期脚本的修改建议。这里有个经验LLM的分析仅作参考但“流失点对应分镜单元”这个信息是极有价值的。比如B站数据显示大量观众在40秒到45秒流失我就回看这个时间点的画面和字幕发现问题出在铺了一个没有信息量的空镜。下一轮优化方向就清晰了把这个分镜单元替换成信息密度更高的画面。这就是数据回流的价值——它让每一次生成和剪辑都有据可依而不是靠猜。6. 实战踩坑记录素材不一致、音画错位、节奏太平的修复方案最后这部分是我最想写的因为Sora CapCut这套流程看着很顺实际操作时坑非常多。我把踩过且验证过解决方案的四个问题列出来建议直接收藏。6.1 角色一致性AI拍不了连续剧但有补救办法最开始做AI短剧时最大的痛点是同一个角色在不同镜头里长相差很多。上一秒还是黑色短发下一秒就变成了微卷长发。这个问题到现在都不能100%解决但我摸索出了一套补救组合拳第一建立“角色卡”。把角色的外貌、服装、气质写成一段固定的英文提示词每次生成该角色相关镜头时整段复制到提示词开头。这段角色卡包括发型、发色、瞳色、脸型、体型、服装颜色和款式、年龄感、气质词。每次都不变一致性会提高不少。第二多设计“不露脸”的镜头。用背影、剪影、局部特写手部、脚步、衣角、远景替代正脸镜头。这些镜头不仅避开了人脸一致性问题还天然增加氛围感观众脑补比直接看到更入戏。第三剪辑时用“遮罩过渡”修穿帮。如果前后两个镜头的角色确实看起来不像就在CapCut里用蒙版缩放的转场弱化对比配合闪白或快速推进观众的注意力被转移就不会细究一致性。6.2 Sora 2带来音频也带来音频坑Sora 2支持一次生成画面和同步音频这是个革命性功能做短视频时不再需要额外配音工具了。但它带来的坑也真实存在生成的口型同步并不总是准尤其是人物近景说话时中文字幕观众会不自觉地盯口型一旦对不上就极其出戏。我的处理方案分两层第一层是写脚本时预防——尽量少设计人物正面说话的近景镜头用旁白空镜/动作镜头的组合替代让口型不进入画面。第二层是后期修复——如果必须保留说话镜头就在CapCut里把音频和画面做微调。先对齐口型关键词再用“音频闪避”功能压低背景音乐让说话声更清晰最后用“音画同步”参数细调偏移量。实测下来能缓解大部分错位问题做到“不细看注意不到”的程度。6.3 AI片子没有节奏感问题通常在提示词阶段很多新手反馈AI生成的视频“画面很美但很平”剪起来无从下手。这个问题的根源不在剪辑而在生成时的提示词里根本没有“运动设计”。画面里没有运动趋势剪辑节奏自然跳跃不起来。解决办法是在每个分镜卡的提示词里写明镜头运动和画面内运动推近/拉远/横移/跟随/俯拍/手持以及主体动作的幅度和方向。我在提示词六要素里强烈建议把“镜头语言”单独拉出来强调就是这个原因。生成后在CapCut里再加一层节奏处理对没动感的空镜做变速处理1.5倍速或2倍速播放配合卡点转场立刻能产生动感和张力。6.4 平台对AI内容的隐性限制先保证质量再谈效率最后一个坑不是技术问题而是分发问题。AI生成视频目前在各平台的推荐机制里属于“特殊关照对象”处理不好轻则限流重则影响账号权重。我的经验是三要三不要。要保证故事逻辑完整不要做纯视觉轰炸要混入实拍或素材库镜头做穿插不要全程都是AI生成画面要有明确的口播解说或字幕信息流不要让画面成为唯一信息源。核心逻辑是AI是工具平台打击的是“低质批量内容”而不是“AI本身”。只要内容有信息量、有审美、有情绪AI体现在画面质感上的优势会变成加分项。我自己的体会是这套自动化工作流真正释放的不是“不用干活”而是把“大块的创造性时间”从重复劳动里抽出来。当你发现一天可以稳定产出两条成片而大部分时间都花在判断选题和打磨节奏上时你会觉得这才是用AI做内容该有的状态。最后再分享一个小技巧把你在CapCut里调试得最满意的那个工程文件存成模板命名带上日期和风格关键词两周以后你会发现所有新的内容都能在这个模板上快速长出枝叶那种感觉比任何自动化工具都爽。