前阵子有个朋友问我我想跟着风口用 AI 做短视频是不是得先去学大模型我说恰恰相反你被概念绕进去了。真正让普通人卡住的从来不是模型不够聪明而是打开对话窗口之后不知道该让它干什么。我们这个小团队不做通用大模型也碰不起大模型的底层训练我们只干一件事把 AI 做短视频这件事拆成普通人看得懂、抄得走、跑得通的流程。这篇就把我们的整套做法和踩过的坑完整写出来。1. 为什么不做大模型普通人缺的不是参数是一条能跑通的流水线1.1 大众对“AI做视频”的常见误解我观察到一个很有意思的现象只要一聊 AI 做短视频大多数人脑海里冒出来的画面是——输入一句话软件自动吐出一条完整成品视频。这个想象不能说毫无根据但把它当主业干目前会非常难受。原因很简单。视频生成类能力当下还在高速迭代生成几十秒连续故事片、多人互动、准确口型这些问题对于普通人来说完全不可控。你做一条生活记录、口播知识、产品展示如果每一帧都要靠生成式模型去碰运气制作成本不会降反而会升。所以我们不去追那个“一键成片”的终极幻想。我们要解决的是更现实的问题普通人手里有手机、有时间、想表达但不会写脚本、不会剪辑、不想露脸、又找不到素材。这一串问题AI 是能逐个解决的只是需要把它拆开放进一个固定流程里。1.2 我们把视频生产拆成了五个可替换环节真正操作下来你会发现一条短视频从零到发布本质上是五件事选题、文案脚本、画面素材、声音字幕、剪辑包装。每一个环节AI 都能参与但参与方式完全不同。我们的做法是把这五个环节分别配上一个最轻量的工具然后像流水线一样串起来。写脚本用对话式 AI出画面用文生图工具配音用语音合成剪辑靠模板化软件。每个工具都不是最强的但组合在一起普通人就能在碎片时间里把视频做出来。这也是项目标题想表达的核心不做通用大模型让普通用户借助组合式 AI 工作流来做视频。你可以把我们做的事情理解成开一家小餐馆你不研究怎么种菜、怎么育种你只研究怎么把现成的食材配成几道稳定的招牌菜。这个定位决定了我们后面所有选型。我们拒绝任何“看起来很酷但普通人学不会”的方案也拒绝任何“需要折腾半天环境才能跑起来”的工具。标准只有一个一个零基础用户半天之内能不能上手出片。1.3 明确边界哪些事交给AI哪些事必须人判断流水线的另一面是划定 AI 的边界。我们踩过很多坑最后总结出一个原则AI 负责“量”人负责“质”。具体来说AI 帮你想出十个选题方向你来挑一个最打动自己的AI 写出三版脚本你来选一个最有表达欲的AI 生成几十张配图你来筛出三五张能用的。AI 最大的价值是把从前需要两小时的前期工作压缩到十分钟但最后的审美判断、价值判断必须留给人。这个边界不划清楚很容易掉进另一个陷阱AI 生成什么就发什么最后账号变成一个没有灵魂的内容垃圾场。我们见过太多人这样做短期播放量飘一下长期根本留不住粉丝。普通人和专业创作者的区别从来不是会不会用工具而是有没有判断力。AI 帮你把地板抬高了但天花板还是你自己。2. 从空白文档开始让AI替你完成选题和脚本2.1 选题的约束式提示词大多数普通人做短视频第一步就死了打开文档想写脚本但根本不知道写什么。所以我们把选题环节设计成了“约束式提问”不是让 AI 随便想而是给它一套边界条件。一个我们自己反复使用的选题提示词模板长这样你是一名短视频编导。请为以下账号策划10个视频选题方向。 账号定位XXXXXXXX 目标观众XXXXXXXX 内容领域XXXXXXXX 视频时长30-60秒 发布频率每周3条 要求选题要具体、有画面感、能引发互动不要空泛的大主题。注意几个关键点。账号定位必须具体不能写“生活类”这种模糊词汇要写“30岁上班族的快手晚餐”。目标观众越细越好给 AI 明确的约束它给出来的选题才有针对性。我们要“具体、有画面感”的选题这样后续脚本才容易写。举个例子有一次我们做“新手养猫”的账号第一次提问给的是“养猫知识”AI 给出来的东西全是“猫咪健康指南”这种无聊内容。后来改成“第一次养猫的上班族预算有限住在小户型”AI 立刻给出“猫咪第一次进家门应该关在哪个房间”“怎么让猫适应夜猫子作息”这种能直接拍的东西。2.2 脚本结构用“三段式”逼出完整内容选题定了接下来是脚本。绝大多数普通人写脚本的问题不是文笔不好而是没有结构。所以我们统一采用一个短视频黄金三段式开头三秒抓注意力、中间三个信息点、结尾一个行动指令。AI 擅长填内容但结构必须由我们把控。所以提示词里直接嵌结构请根据以下选题写一条30-60秒的短视频口播脚本。 结构要求 1. 开头3秒用一个反常识提问或场景描述抓住观众 2. 中间部分分3个点展开每点不超过2句话多用生活化比喻 3. 结尾给观众一个明确的行动指令 要求口语化像和朋友聊天不要书面语不要AI腔。为什么要这样设计因为短视频的完播率看的就是前三秒而信息密度靠后续三点支撑。普通人不需要学复杂的编剧理论只需要让 AI 在一个标准结构里发挥产出至少不会垮。实测下来这个结构模板哪怕 AI 自由发挥出来的脚本也比“请你帮我写一条养猫视频脚本”靠谱十倍。因为你给了它一个可以套用的骨架它不会放飞自我。2.3 分镜表的批量生成逻辑脚本写完还需要分镜表。分镜表的作用是把每一句口播对应到一个画面这样后面制作素材、剪辑时才有依据。我们让 AI 批量生成分镜一条龙完成。给 AI 的指令很简单请把下面的脚本拆成8-10个分镜。 输出格式 镜号 | 口播文案 | 画面建议 | 素材类型实拍/AI配图/截屏 画面建议要具体包括主体、环境、景别。这里有个补充细节分镜表里的画面建议越是具体后面 AI 生图越省事。比如“一只橘猫在窗台打哈欠阳光照在毛上近景”这种描述直接甩给文生图工具出图质量比“猫”两个字好得多。我们通常一次生成三个不同方向的脚本每个脚本配一版分镜表然后让使用者自己挑选最顺眼的。整个过程大概十分钟以前这还是两小时起步的活。3. 画面生产提示词模板与素材避坑3.1 一个能落地的文生图提示词结构脚本有了画面怎么来对于不想露脸、没有实拍素材的普通用户AI 配图是最快的路子。但文生图工具的提示词普通人一开始根本写不好。我见过太多人输入“一个人在做早饭”出来的图完全没法用。我们沉淀了一套稳定的提示词结构五层主体、动作或状态、环境、风格、画幅与质量词。每一个部分用逗号隔开避免用复杂长句。举一个我们做美食账号的实例目标画面是一碗番茄鸡蛋面一碗热腾腾的番茄鸡蛋面面条上卧着金黄色炒蛋番茄块红亮出汁筷子夹起面条冒热气原木餐桌上清晨窗边自然光日系美食摄影风格俯拍9:16竖构图高清细节丰富这组提示词的关键是把“环境”和“风格”写清楚。同样一碗面放在原木餐桌上、清晨窗边光和放在外卖盒里、白炽灯下完全是两种质感。AI 是会“看”环境的你把环境描述到位出片率直接上一个台阶。3.2 选图参数与构图策略很多工具都支持设置画幅比例短视频必须选 9:16 竖画幅这个别偷懒。横图做成竖屏视频两边糊背景是最无奈的办法能一开始避免就避免。在构图策略上我们强烈建议普通用户优先选“主体居中、画面简单”的图。AI 生成复杂的多人互动、手部动作、精细文字很容易翻车。不是说它永远不行而是对普通用户来说与其花时间修补不如在设计脚本时就避开。怎么避写脚本的时候画面建议尽量往“静物、近景、单人、无文字”靠。比如讲“如何收纳”画面给“整齐叠放的衣服、抽屉内景”而不是“一个人正在整理衣柜的动作”。静态画面配合镜头缓慢推近观感完全可以接受。生成批次也建议用足。同样的提示词一次性产出四到六张然后从中挑。这里的感知差异不太大但多两三张备选后面剪辑时灵活度高很多。我们通常为一条 45 秒的视频准备 20 到 30 张候选图实际用 8 到 10 张这是比较舒服的比例。3.3 动态画面不足时的替代方案纯静态图会有一个问题视频看起来不够“动”。我们现在会组合使用两三张相关图片做交叉溶解或者在关键画面上加缓慢放大的景别变化模拟推镜头的效果。具体操作上放在剪辑软件里把一张图片的时长设为 2 到 3 秒开头固定在原始大小结尾放大到 105%关键帧自动补间出来的动态感比硬切好很多。不同图片之间用 0.3 到 0.5 秒的交叉淡化过渡视觉上就会比较顺。对于需要展示流程的内容比如菜谱步骤、工具使用顺序我们常用“并列图卡”三张图依次出现每张配一句说明文字配上字幕观众完全能看懂。普通人不一定需要真的视频素材清晰的图文动态化在短视频平台照样有市场关键是你把信息传递清楚了没有。4. 声音与字幕把AI味压到最低的细节处理4.1 配音不是选个音色就完事短视频里最出戏的就是所谓“AI 味”。很多人用语音合成直接读稿声音倒是不难听但一听就是机器在读完全没有情绪起伏。观众对视频的信任感很可能在配音开口的第一秒就崩了。我们试了很多种语音方案最后稳定下来的配置是这样的音色选温暖、偏低的中年或年轻女声语速调到 0.9 到 1.0句间停顿时长在系统和脚本层面手动加长。特别是标点符号把逗号、句号替换成更明显的停顿或者直接用换行来强制断句。更管用的一招是给 AI 配音增加语气词和口语习惯。写脚本时不要写“首先、其次、最后”这种书面连接词改成“你想想看”“说白了”“我跟你说”这种带互动感的口语。配音工具读出来语气会自然很多。AI 腔很多时候不是音色问题是文本本身太像说明书。4.2 字幕同步的校对流程字幕是另一道坎。现在主流剪辑软件都有自动字幕识别识别准确率不低但也不能依赖。我们的流程是导出自动字幕草稿后必须逐条检查三样东西——错别字、断句、语气停顿。错别字最坑一错就是大型社死现场。断句更影响观感一句话被分成七八段观众注意力全被字幕节奏打碎了。我们通常会把长句在语义完整处手动拆行每行最多十来个字。另外标点符号里坚决不用句号短句之间用空格或直接换行因为短视频字幕是一行一行跳出来的句号会让画面显得很重。一个好的检查技巧是把视频静音只看字幕能不能看懂整个故事。如果只靠字幕就能理解内容那说明字幕合格了。这一步很重要因为大量用户是在通勤、吃饭的碎片时间看视频根本没开声音。4.3 背景音乐的选择与响度控制背景音乐的作用是垫情绪不是抢注意力。普通人最常见的错误是选了一首很嗨的流行歌音量还开很大结果口播完全听不清。我们的参数习惯背景音乐音量压到人声音量的 20% 到 30%如果是有旋律起伏的歌还要在口播停顿的间隙让音乐稍微起来一点口播一响音乐就压下去。这个动作在剪辑软件里叫“闪避”很多工具都能自动做。音乐选择上强烈建议用平台自带曲库或标注了“可商用”的素材别去随便下载一首歌就往上配涉及版权问题完全不值得。流量起来之后尤其要注意这一点身边因为版权被下架、限流的例子太多了。5. 剪辑出片模板化操作决定你一天能发几条5.1 固定包装模板的搭建方法很多普通人学剪辑学不下去是因为每剪一条视频都要从头想一遍用什么转场、什么字幕样式、什么花字。这完全是浪费时间。我们的办法是搭建三套固定模板一次性做好之后每次只换素材。三套模板对应三种内容类型口播知识类、产品展示类、生活记录类。每种模板提前设定好片头默认 0.5 秒、字幕默认字体和大小、标题出现的位置、转场方式统一交叉淡化。做视频的时候直接套模板花在“剪辑”上的时间能压缩到二十分钟以内。有人可能觉得模板会让视频千篇一律。这个担心有道理但更适合进阶阶段再考虑。对普通人来说先把视频做出来、坚持更新比每期换花活重要得多。等粉丝量起来之后再根据数据反馈逐步微调模板细节也不迟。5.2 剪掉“看起来像AI”的废镜头这一步是我们的血泪教训。用 AI 素材做视频出镜率最高的“AI 感”来自两方面一是图片过度完美导致失真二是动态视频素材莫名诡异。静态图还好到了那些 AI 生成的小视频素材经常出现极其诡异的手部扭曲、人物背光、肢体比例失衡。记住一个原则只要你觉得某个画面不自然观众也一定会觉得。不要心疼那一点生成时间果断删掉换一张静态图加缩放效果有时反而更稳。我们在内部定了一条很死的规则所有素材经过三人目检任何一人觉得奇怪一律不用。别小看这个流程它能帮你拦下至少两成潜在的“恐怖谷”反馈。5.3 发布前十分钟检查清单上传之前我们固定用一张检查清单逐项打勾检查项标准前三秒画面画面有明显吸引力或信息增量字幕错别字全文逐条校对无错别字字幕断句每行不超过12字语义完整配音音量人声清晰音乐压到30%以下封面图统一风格文字清晰主体突出标题文案有数字或悬念不说“你知道嘛”这种废话画面比例1080x19209:16无黑边导出清晰度1080p及以上这十分钟值得花。它决定了你的成品是从“能发”到“能看”的分界线。6. 实测数据与典型翻车瞬间我们是怎么排查和补救的6.1 文案“假大空”的根因排查最早我们做 AI 脚本出现过一个非常普遍的问题AI 写的文案听起来很有道理但实操起来完全没有内容。比如“提升效率的五个方法”这种选题文案套话连篇观众看完毫无记忆点。排查链路是这样的先怀疑是模型能力问题换了几个对话模型试结果没变再怀疑是提示词不够具体于是我们把提示词里的“目标观众”从“上班族”改成“每天通勤两小时、经常加班、没时间做饭的上班族”并且要求 AI “给出可直接执行的步骤不要通用建议”。改完之后文案质量立刻上升了一个档次。结论很明确问题不在 AI在我们给的约束太少。AI 就像一个新来的实习生你说“写个方案”它只能给你一个万能模板你告诉它“给一个每天通勤两小时的人写低成本做饭方案”它才能交出真正有用的东西。6.2 图片素材手部与文字崩坏的补救方案文生图最稳定的翻车点一是手二是文字。想让 AI 画一只人手拿着杯子十张有八张手的关节都是扭曲的。想让图里有中文文字经常出来一堆乱码。我们的补救手段很务实不在画面里出现手就不必担心手的问题不在画面里出现文字文字就不会乱码。看起来像废话但确实是普通人最省心的方案。脚本设计阶段就把“手部动作”“文字展示”这类高风险元素避开。如果内容上实在需要手部动作就用真实实拍补一个特写镜头两三秒即可如果文字很重要就别用 AI 生成图在剪辑软件里后期加字清晰又好看。不要试图去修复 AI 生成的坏图修复成本永远高于重新设计画面。6.3 两条真实制作时间记录对比我们用同一套流水线记录了两种方式制作一条 45 秒口播知识视频的耗时。第一周还不太熟练从选题到发布一条视频用掉了大概两小时。其中四十分钟在磨脚本五十分钟在挑图半小时在剪剩下时间在犹豫。这个效率已经比传统方式快不少了。到了第三周流程完全跑通同样一条视频耗时压缩到四十分钟左右十分钟出脚本和分镜二十分钟生成加挑选素材十分钟套模板剪辑。之所以能压到这么短最大功臣是固定的分镜表和固定的剪辑模板它们把大量决策环节全部前置了现场只剩下执行。这个数据说明一件事AI 做短视频能不能轻松靠的不完全是工具强弱更取决于你愿意花多少时间把流程固定下来。流程越固定普通人就越轻松。最后再分享两个我自己的习惯。第一任何时候都不要让 AI 替你决定视频的立场和价值观数据再好看不如你自己认同的内容做得长久。第二普通人做视频前期别追求每条都 80 分先做到 60 分能发连续发二十条之后你会发现审美、手感、网感全都会长出来。这套流程的价值不是让你一夜爆红而是让你稳定地保持输出剩下的交给时间。