作者：Changan I Biteye 内容团队
一个从没剪过视频的人，能做出一条有剧情、有台词、有镜头切换的 AI 短视频吗？
能，而且整个流程不超过半天。
这篇文章教你从：想一个故事 → 拆成分镜 → 生成视频 → 剪辑成片。
不需要任何基础，跟着做一遍，你会得到一条完整的 AI 短视频。
一、从想法到故事：AI 视频不是一句提示词生成的
很多人做 AI 视频的第一步是打开即梦，对着输入框发呆，不知道该写什么。打出几个字，生成出来的东西跟想象里差很远，然后开始怀疑是不是工具不好用，或者是不是自己不会写提示词。
比如说「我想做一个Biteye 小师妹重生在币圈当大佬」，这是一个想法，不是一个故事。
想法是一个方向，它告诉你大概要做什么。故事是一个结构，它告诉你每一个画面该拍什么。从想法到故事，中间有一段工作要做，这段工作就是脚本策划。
最简单的方式是打开任意的 LLM ，把你脑子里那个模糊的想法直接告诉它，让它帮你把故事撑起来。你不需要自己想清楚所有细节，你只需要提供一个方向，剩下的可以和它一起推导。
故事线确定之后，不要直接拆分镜，先按照叙事节奏把它切成几个大的段落，每个段落明确一件核心的事是什么。这一步是为了控制整体节奏，防止某一段太拖或者太仓促。
即梦单条视频最长 15 秒，实际操作中 12 秒以下是最稳定的，画面出问题的概率最低。1min 秒的成片，按照每个片段平均 10 秒计算，大概需要 5 个片段。
我们把的故事切成五个段落：
-
段落一：开场，核心任务是交代场景和角色。
-
段落二：穿越，核心任务是交代时间线。
-
段落三：展现角色从困惑到清醒的转变。
-
段落四：计算财富，把情绪推向高潮。
-
段落五：完成反转，与开场形成闭环。
段落确定之后，把每个段落进一步拆成具体的镜头描述。每个镜头写四个要素：画面主体、所在位置、正在做什么、拍摄角度。不要在分镜里写运动，只描述静止的瞬间。
将段落一的脚本复制到 AI 聊天框中，输入「帮我根据场景一的脚本，生成分镜描述」，得到的效果如下?
二、从故事到画面：先锁定角色、场景和分镜
这一章是整个流程里最核心的一章，你在这里生成的图片质量，直接决定最终视频的质量上限。
先做三视图，锁定你的主角
在生成任何分镜图之前，第一件事是先把主角的三视图做出来。
三视图就是同一个角色的正面、侧面、背面三张图，目的是把这个人的外形固定下来，后面不管生成什么场景，都参考这三张图来保持角色一致。
跳过这一步直接生成分镜图的话，你会发现每次生成出来的角色都长得不一样，发型变了，脸型变了，这条视频就完全做不下去了。
打开ChatGPT/Seedream，在对话框里输入：
「帮我生成一张Biteye 小师妹的三视图」
AI会生成一张图，里面有三个角度的同一个人物，如果生成出来的人和你想要的差距大，可以上传参考图。
三视图满意之后，把这张图下载下来，后面每次生成视频都要把它上传回去作为参考。
再做场景参考图，锁定你的背景
角色确定之后，同样的逻辑，把你的场景也先单独生成一张参考图，对话框输入「帮我生成一张办公室的图片」
在正式开始生成分镜图之前，需要先理解一个基础概念：镜头是视频最小的表达单位。
镜头也是会说话的，不同的镜头景别，传递的信息是不一样的，常见的景别有以下几种：
-
全景：交代信息的，观众通过全景知道这个场景在哪里、有哪些角色。
-
中景：推进剧情的，能看清楚动作和表情，是叙事里用得最多的景别。
-
特写：制造情绪的，画面只拍脸、手、或者某个关键道具，放大细节，给观众强烈的情绪冲击。
理解单个镜头之后，还需要再往上走一层：一条视频不是一个镜头，而是多个镜头按照节奏组合在一起的结果。
在实际制作中，我们通常会用「四宫格」和「九宫格」来组织一段视频的镜头结构——也就是在一段视频里，安排 4 个或 9 个镜头完成一次完整表达。
四宫格和九宫格的选择，本质上是对节奏的控制：
-
节奏慢的段落：比如开场交代环境、结尾情绪收口，用四宫格就够，四个镜头有足够的空间让每个画面呼吸。
-
节奏快的段落：比如打斗高潮，镜头需要密集切换来制造紧张感，这时候用九宫格，九个镜头压在一段视频里，剪出来的感觉完全不一样。
理解了镜头和节奏之后，就可以开始进入实际制作：把抽象的故事，变成具体的画面。
人物三视图和场景参考图都准备好之后，接下来要做的，就是把前面写好的分镜描述，一张一张变成可视化的画面。原因很简单，AI 更擅长处理「确定的单帧」，而不是「连续变化的过程」，也能大大降低抽卡率。
具体做法是：
每次生成一个镜头，先把角色三视图和对应的场景参考图上传到 ChatGPT 对话里，然后输入刚刚分镜图的生成提示词。
「帮我根据故事梗概+分镜描述（附上前面与 AI 生成的分镜词）生成一张四宫格分镜图，附上场景图+人物图」
模型会根据你提供的分镜信息，把这段镜头拆成四个画面，并且保证人物和场景的一致性，效果如下：
?小 Tips，文生图有几个高频坑，提前知道能省很多次数：
-
想生成人物拿手机打游戏的镜头，生成的手机屏幕会自动转向观众。AI 的逻辑是让「内容可读」，打游戏成为图片的污染源。正确做法是：「双手横向持手机，屏幕朝向人物面部，手机背面朝向镜头」。
-
职业名词会让 AI 联想出整套场景：写「护士」，AI 会联想出医院、写「厨师」，AI会联想出厨房。正确做法是：只描述你真正想要的服饰，不提职业名称。
-
文生图只能生成静止画面，「正在转头」没有对应的视觉状态。正确做法是：只描述这一帧存在的东西。
三、从画面到视频：提示词要写动作，不要重写画面
分镜图都准备好了，现在我们要把它们变成会动的视频。
?注册即梦
打开浏览器搜索「即梦AI」，进入官网。点击右上角登录，用抖音账号或者手机号注册都可以，国内可以直接访问。
新用户可免费生成一段 15 s 的视频，如果需要开头会员，Biteye小师妹也对比了全网多平台 Seedance 2.0 的价格，详情请看： 《全网最低成本订阅 Seedance 2.0 攻略来啦！》 。
?视频提示词怎么写？
这是这一步里最关键的地方，也是新手最容易写错的地方。
先把参考图都丢进去，即梦支持同时上传多张参考图，直接把图片拖到聊天框里就可以。你在上一章准备好的所有素材，角色三视图、场景参考图、四宫格或者九宫格分镜图，一次性全部拖进去，即梦会综合这些图片的信息来生成视频。
这里很多新手会犯一个错误，就是把画面里有什么重新描述一遍。即梦已经能看到你上传的图了，不需要你再告诉它画面里有什么。
提示词要写的是：画面里什么东西在动，怎么动，镜头自己有没有在运动，以及每一段时间里发生什么。
按照下面这个模板来写，每一行对应视频里的一个时间段：
「帮我参考以上分镜图，生成一段视频。
[起始秒到结束秒]，[景别]，[运镜方式]，[角色或主体]+[具体动作]，音效：[声音描述]。」
?声音描述是新手最容易忽略的部分，如果视频里有台词，光写「说话声」是不够的，模型会随机生成一个声音作为参考。要保证多段视频里角色声音一致，有两个方法：
1️⃣用第一段的音频做参考
先生成第一段视频，对生成结果满意之后，把这段视频的音频单独导出。后续每一段生成时，把这段音频作为声音参考上传，即梦会参考这个音色来生成后续片段的人声，保证声音一致性。
2️⃣用 Fish Audio 找参考音色
打开 Fish Audio，搜索符合角色气质的声音，试听之后下载一段作为参考音频。生成每一段视频时统一使用这个参考音频，全片声音保持一致。
?用标点控制 AI 配音的语气
给 AI 配音模型写台词，不是把文字打进去就完了。同样一句话，标点不同，发出来的语气可以完全不一样。
核心逻辑是：标点符号控制停顿，停顿决定情绪。
…… 省略号让声音断开但气息不断，适合思考、犹豫、话未说完的状态。
……！ 组合使用，是压抑之后的突然爆发。
（） 括号内的内容音量自动降低，变成气声，适合内心独白和自言自语。
*内容* 星号包围的词会变得更低、更慢、更重，用来强调关键信息。
[] 方括号里写指令而不是台词，比如 [深吸一口气]、[停顿1秒]，模型会执行动作而不是念出来。
?小 Tips：
-
AI 没有方位意识，经常分不清左右，需要另外做「位置关系参考图」告诉AI 人物是怎么运动的，如下图一。还有简单的方法：用箭头来描述人物的运动轨迹，并在最后添加上「把箭头删除」。
-
写慢不写快。模型处理缓慢动作比快速动作稳定得多。需要快节奏的片段，优先用剪辑速度来实现，而不是让模型生成快动作。
-
每段视频都要上传参考图，不要只上传一次。模型没有跨段记忆，不上传参考图的那一段，角色外貌会偏移。
四、从片段到成片：剪辑决定视频最终质感
剪辑和后期是整个流程里画龙点睛的一步，前面生成的每一段素材都是独立的，色调可能有差异，节奏可能不连贯，声音也是分散的，剪辑的作用就是把这些碎片捏合成一个完整的故事。
视频加上音乐后，更能带动观众的情绪、加上字幕，台词更清晰了，同样的素材，剪得好和剪得差，最终呈现可以差一个量级。
做法分四步：排列素材 → 统一色调 → 加声音 → 加字幕，最后导出。
第一步：排列素材
打开剪映，把所有片段按场景顺序拖入时间轴。先不管色调和声音，把顺序确认好，整体看一遍节奏有没有问题，太长的片段在这一步剪掉多余的部分。
第二步：统一色调
不同时间生成的片段，色温和亮度可能有细微差异，放在一起会显得割裂。处理方法：全选所有片段，在「调节」里整体加一层滤镜，场景一用冷蓝色调，场景二之后切换暖黄，保持每个场景内部色调一致就够了。
第三步：加背景音乐和音效
对白声音在生成视频时已经处理好了，这一步主要补两类声音：背景音乐和环境音效。
背景音乐决定整体情绪基调，音量压到对白的 30% 以下，不要盖过人声。
第四步：加字幕
用剪映的「智能字幕」自动识别对白，识别完之后检查一遍错别字，统一字体和位置。旁白或自言自语的台词，建议和正常对白用不同样式区分，比如斜体或不同颜色。
五、从工具到表达：AI 视频真正改变了什么
在上一篇文章 《GPT Image 2.0 加持 Seedance 2.0：人人可拍好莱坞大片》 我们认为在 AI 时代：「拍视频」的门槛被降低了，以后人人都能排除好莱坞大片。
但门槛低，不代表你就能做出来。
工具都是公开的，教程也到处都有，但大多数人卡在同一个地方：从来没有完整跑通过一遍。
本篇文章 Biteye 已经带你从一个模糊的想法，一步步剪成一条完整的成片。
过去，这个过程需要一整套专业分工： 编剧、分镜、美术、摄影、剪辑，每一个环节都是一道门槛。
而现在，这些环节没有消失，只是被压缩进了一条流程里。
这意味着一件更底层的变化：视频不再是「生产能力」的产物，而开始变成「表达能力」的产物。
