零基础AI视频制作全流程：从剧本到成片的实操指南

每次刷到AI生成的短视频，后台总有人问同一个问题：AI视频到底是怎么做出来的？我也踩过不少坑，最开始以为随便输入一段文字就能生成整条片子，后来发现完全不是这么回事。AI视频的真正玩法，是把传统视频制作拆成剧本、分镜、画面、配音、剪辑几个环节，每个环节用对应的AI工具辅助，最后拼合成片。今天就把这套我自己反复跑通的完整流程整理出来，零基础的朋友也可以直接照做。

先说清楚一件事：这条流程不是“一键出片”，而是“半自动流水线”。AI负责把最费时的画面生成和配音部分接过去，但剧本结构、镜头节奏、素材挑选这些决定成品质量的工作，还是得自己把关。整套流程走下来，一条30秒左右的短视频，熟练之后差不多一两个小时能完成。下面按实际制作顺序，从思路到实操一步步拆开讲。

1. 内容整体设计与思路拆解

1.1 为什么选“剧本-分镜-图生视频-剪辑”这条链路

目前AI视频生成有两个路线可选：文生视频和图生视频。文生视频就是你输入一句话描述，AI直接生成一段视频，快是快，但问题也很明显——角色长相不固定、场景变化随机、风格飘忽不定。你让AI生成“一个女生在街头喝咖啡”，它可能给你生成三个完全不像同一个人物的片段。对零基础用户来说，这种随机性会让后续剪辑根本没法接。

图生视频走的路线不一样：先让AI生成一张静态图片，再把这张图片“动起来”。相当于你手里有一张剧照，让导演喊了一声“Action”，画面里的角色才开始移动。这种方式最大的优势是可控——画面主体、构图、色调在生成图片的时候就已经确定，视频阶段只是在图片的基础上加运动，角色不会突然“换脸”。所以对没有剪辑经验的新手来说，图生视频是更稳的起点。

我用一个生活化的类比解释这件事：把做AI视频想象成做饭。文生视频等于把一堆食材扔进自动炒菜机，按一个键等它出菜，但做出来什么完全靠运气。而图生视频相当于你先把菜切好、摆好盘，再开火翻炒，AI只负责最后那一下“烹饪”，味道基本能预判。零基础阶段，我们不需要追求自动化程度多高，稳定可复现才是第一位的。

这整条链路本质上就是把传统视频制作流程拆成六个环节：剧本、分镜、画面、动态化、配音剪辑、成片。传统剧组拍一条片子需要编剧、导演、美术、摄影、录音、剪辑一组人，现在这些角色都由你一个人加几个AI工具完成。结构不变，只是每个位置都有了替代方案。

1.2 零基础友好的工具选型与分工

工具不用多，关键是每一环都有明确分工。我按流程顺序整理了实际在用的搭配：

• 剧本与分镜：Kimi、豆包这类大模型对话工具，用来头脑风暴和写分镜描述。
• 文生图：即梦AI、通义万相，负责生成静态画面。
• 图生视频：可灵、即梦的AI视频功能，让静态图动起来。
• 配音与剪辑：剪映，内置AI配音、字幕识别、音乐音效库，一个软件搞定。

这组搭配的好处是门槛低，除剪映外基本都是网页端或手机App操作，不需要高性能电脑。后面每个环节我会单独讲操作细节，这里先提醒一句：所有工具都去官方应用商店或官网下载，不要碰来路不明的“免费版”“破解版”，轻则用不了，重则设备中招，完全没必要冒这个风险。

关于版权也要特别注意：文生图生成的画面如果带明显品牌标识、名人肖像，或者模仿某个还在版权期内的IP角色，尽量不要直接商用。剪映自带的音乐和字体库已经解决了大部分版权问题，比你自己去网上随便下载靠谱得多。我用AI做视频这么久，最深的体会是：技术上的坑都能填，版权意识才是新手最容易忽略的雷区。

2. 从剧本到分镜：先想清楚再动手

2.1 用AI生成剧本，但别照单全收

很多人一上来就直接打开视频生成工具输入一句话，然后抱怨效果差。原因很简单：AI视频生成是有成本的，你给它一条模糊指令，它就还你一条模糊视频。就像一个建筑师没有施工图就直接盖楼，盖出来什么歪瓜裂枣都不奇怪。所以第一步，必须先有一个能用的剧本。

写剧本这件事对新手来说有心理门槛，总觉得要“会编故事”。其实短视频剧本根本不需要多复杂，30秒的片子，只需要三件事：一个简单场景、一个人物、一个小变化。我给一个可以直接抄的prompt模板，你把它复制到Kimi或者豆包里，替换里面的关键词就行：

“你是一位短视频编剧，请帮我写一个约30秒的竖屏故事。主题是（这里填你的主题，比如：一只猫帮主人找回了丢失的钥匙）。要求：开头3秒内出现冲突或悬念；中间展示解决问题的过程；结尾给一个意想不到的小反转；全程不超过2个角色、不超过3个场景；每句台词控制在15个字以内。”

AI给出来的结果通常都比较啰嗦，这时候需要你自己动手删。判断标准很简单：删掉之后故事还通不通？通，就删。我实际用过几次后发现，AI生成的剧本里真正有用的往往只有核心创意，比如“猫叼着钥匙跳到主人面前”这个画面，剩下的对话和细节都需要人工精简。别偷懒，这一步是在给后面的分镜省事。

如果你暂时没有主题想法，可以直接告诉AI“随便给我5个适合AI视频的30秒小故事创意”，让它帮你做头脑风暴。但记住，AI提的是选项，拍板的是你。最后定稿的剧本不用多长，列清楚“谁、在哪、遇到什么事、结局是什么”就够了。

2.2 分镜脚本：视频制作的“施工图纸”

剧本解决“讲什么故事”，分镜解决“每个镜头拍什么”。分镜脚本是整个流程里最重要的中间产物，AI视频能不能顺利剪出来，基本都靠分镜表撑着。我见过太多人跳过这一步直接生成素材，结果素材之间根本接不上，最后只能重来，比老老实实做分镜慢多了。

对零基础来说，分镜不需要画得多专业，一个表格就够了。每行写清楚一个镜头的信息。我先给一个示例，后面你直接套用：

画面描述要满足一个要求：每个镜头都必须有一个明确的动作词。你可以写“女生从椅子上站起来，拿起包”这样具体的动作，但不要写“女生看起来很迷茫”这种抽象状态。AI生成画面时是根据描述里的名词和动词来反应的，动作越具体，生成结果越准确。景别决定画面里主体的大小，远景拍环境、全景拍全身、中景拍半身、近景拍脸部、特写拍细节，这个表格里写好景别，后面文生图的时候才能让画面有变化，剪辑起来才不单调。

30秒的视频，8到12个镜头比较合适。单个镜头时长控制在2到4秒，太短画面没看清就切了，太长又容易让观众走神。分镜表做完之后，整个片子其实已经在脑子里放完一遍了。

3. 画面生成与动态化：从静态图到能动的素材

3.1 文生图：角色一致性是最大难点

分镜表完成之后，最难的一步就来了：让AI生成一组看起来像是同一个故事里的画面。这一步的核心不是画质，而是角色一致性——就是说，镜头1里的女生和镜头4里走在大街上的女生，必须长得像同一个人，否则故事直接塌掉。

我总结出一套文生图的描述公式，基本能覆盖大多数场景。一个完整的画面描述应该包含这六个要素：主体、动作、环境、风格、光线、画幅。举个例子：

“一个二十多岁的女生，齐肩黑色短发，穿米色卫衣，站在城市天台围栏边，低头看手机，傍晚金色阳光，电影感摄影风格，浅景深，暖色调，竖版9:16。”

注意看，这里面主体特征非常具体——短发、卫衣、米色，这几个关键词在后面所有镜头里都必须原样保留。换环境可以，但发型和衣服不能换，这就是角色一致性的基本盘。我建议你先单独生成一张“角色定妆图”，从AI给你的七八张结果里挑一张最满意、最清晰的作为参考图，后续所有镜头都用这一张做基准。

实际操作中有几个细节值得留意。第一，同一个人物在不同镜头里的服装如果确实需要变化，比如进房间后脱掉外套，那就在分镜表中提前标注好颜色和款式，否则AI很容易自由发挥。第二，画幅比例一定在文生图阶段就固定下来，竖屏就全部用9:16，横屏就全部用16:9，中途切换画幅是新手最常见的失误，后期剪辑时比例不统一，画面要么留黑边要么裁掉主体。第三，多生成几个备选不会亏，一个镜头生成四到六张图，挑一张构图最合适的用，比反复重试效率高得多。

3.2 图生视频：让静态画面动起来

图片确定之后，进入图生视频环节。以可灵、即梦这类工具为例，操作路径基本一致：上传刚才选好的图片，输入运动描述，选择参数，生成视频。

运动描述和文生图的描述写法不一样。文生图描述的是“画面里有什么”，图生视频描述的是“画面里发生了什么变化”。比如前面的天台镜头，运动描述可以这样写：

“镜头缓慢推进，女生抬起头，视线看向远方，发丝轻微飘动，背景云层缓缓移动。”

这里的关键词是“缓慢”和“轻微”。我不是在客气，是真心的建议。AI图生视频最典型的问题就是人物脸部变形，而变形几乎都发生在运动幅度太大的情况下。你把运动描述写成“快速转头、大步奔跑”，AI就会在关键帧之间疯狂脑补，结果人脸直接扭曲成一团。所以零基础阶段，运动描述的通用模板是：动作动词加“缓慢”“微微”“轻轻”这类限制副词。

时长参数要特别注意。大多数图生视频工具支持生成3秒、5秒、8秒甚至更长，但我的实操经验是：3到5秒最稳。超过8秒，画面越往后越容易失控，角色开始出现诡异的手指数、脸的形状也会飘。剪辑本来就要切成短镜头，没必要让单段视频太长，生成多段3秒片段拼接的效果远好于一段8秒的长镜头。

再说一个容易被忽视的点：运动描述里也可以加镜头语言。你想让镜头从远到近，就在描述里写“镜头缓慢推进”。想让镜头平移，就写“镜头从人物左侧缓慢移到右侧”。AI视频工具在很大程度上能理解这些镜头术语，提前掌握这个技巧，能让你的片子看起来像正经拍出来的，而不是一镜到底的监控录像。

3.3 画面统一与内容红线

画面统一这件事，我在实际做项目的过程中发现很多新手根本不重视。单独看每一张图都挺好的，拼在一起就说不出的别扭。原因是风格不统一。解决办法是在所有画面描述里共用同一组风格词，比如“电影感”“柔和光线”“暖色调”“35mm镜头摄影风格”，这四个词写进每一个镜头的描述里，出来的画面就基本处于同一个视觉世界。

内容红线这里必须单说。AI生成工具对内容的审核比人类创作者更严格，也更容易误判，生成前就自觉避开暴力、惊悚、血腥、色情、政治敏感、名人恶搞、品牌标志、儿童非正常场景等内容。不只是为了通过审核，也是保证视频能正常发布、长期留存。我见过有人拿AI生成幼态人物视频，平台直接封号，完全没有申诉余地。AI视频创作的红线意识，怎么强调都不过分。

4. 配音、配乐与剪辑成片：让素材真正成为一条视频

4.1 AI配音：语速与情感的平衡

画面素材全部生成之后，接下来就是声音部分。剪映的AI配音功能已经非常成熟，不需要单独安装任何软件。操作流程是这样的：把分镜表里的台词列整理成一段文本，粘贴进剪映的文本朗读功能，选择一个合适的音色，生成后用“朗读”方式拖到时间轴上对位置。

新手最容易踩的坑是语速。AI配音默认语速往往偏快，自动生成的字幕还没看清就过去了。我的建议是把语速拉回1.0倍甚至0.9倍，短视频的观众不会因为你语速慢划走，但看不懂字幕是真的会划走。另外，一句话里如果有关键信息，比如一个地名、一个数字，最好在文本里用标点符号隔开，AI朗读时会自动停顿，听感会自然很多。

音色选择也有一点讲究：剧情类视频用青年男声或女声比较中性，口播类视频可以选更有辨识度的音色。剪映里每种音色都有试听，多试几个，挑一个和画面气质最接近的。情感表达方面，AI配音能实现的基本是语气层的区别——疑问句末尾“吗”字会抬高，感叹句会用加重音，写作台词的时候把这些标点写清楚，AI就会自动帮你处理情绪。如果你想让某句话带明显的哭腔或笑声，那就得靠配音演员了，AI暂时做不到，别在这上面浪费时间。

4.2 配乐与音效：节奏决定观感

配乐是整个流程里最“玄学”的一环，但也最有规律可循。先说结论：音乐决定镜头切换的节奏感，所以你最好先定音乐再对镜头。剪辑软件里导入音乐后，波形图上的波峰会规律性地出现，这些波峰对应的就是重拍。传统剪辑技巧里有个“卡点”的概念，就是在音乐重拍的那一帧切换画面，观众会觉得整个片子非常流畅。

零基础不需要精确到帧。你只需要做到两点：第一，30秒的视频配30秒到40秒的音乐，导出前把音乐尾音裁干净；第二，切换镜头的时机尽量落在你能听到的节拍上，不用数拍子，凭“咚—咚—哒”的感觉就行。剪映的音乐推荐算法比大部分人自己选歌靠谱，直接用它的推荐，挑一首带清晰鼓点的。

音效是常被忽略的加分项，零基础可以先不加，但如果你想进阶，就从最基础的三个音效开始：脚步声、环境底噪、物体碰撞声。比如前面分镜表里的“女生走出小区门”，你配上一段轻微的脚步声，画面就立刻从“PPT”变成了“视频”。剪映音效素材库里这些都有，搜索关键词就能找到。

4.3 剪映成片：六步走完最后流程

素材齐了，声音有了，最后一步是把所有东西组装起来。剪映的完整操作流程我拆成六步，照着做就行：

1. 导入所有图生视频生成的片段，按分镜表顺序拖入时间轴。
2. 粗剪：把每段视频掐头去尾，保留画面稳定的核心部分。这里删掉的是AI生成视频里典型的“前摇后摇”——开头和结尾画面相对静止、甚至轻微变形的部分。
3. 拖入配音文件，对准对应的画面位置。如果某句台词对应的画面偏长或偏短，优先调整画面对齐配音，不要反过来迁就画面。
4. 使用“智能字幕”功能自动识别字幕，然后逐句检查。AI识别会把“钥匙”听成“要是”，人名和地名更是重灾区，一定要手动修改错别字和断句。
5. 加转场和调色。转场统一用“叠化”或“闪白”，时长不超过0.3秒，花里胡哨的转场会让片子显得廉价。调色只需要做一件事：对比度加5到10，饱和度加3到5，AI生成的画面普遍偏灰，微调后质感会有明显提升。
6. 导出时选择1080P、30帧、最高码率。竖屏选9:16，横屏选16:9，不要用软件默认的“智能”选项，手动固定画幅。

这一步完成，一条从剧本到成片的AI视频就算真正出炉了。

5. 高频问题排查与实操心得

5.1 新手最容易踩的坑速查表

我在做了十几条AI视频之后，整理了这份常见问题清单，基本都是新手必踩的坑，建议收藏备用。

5.2 我跑通这条流程后的几条实操心得

最后说几个没法放进表格里的真实体会，全是从一次次返工里总结出来的。

第一，中间文件一定要分类保存。我的工作文件夹结构是这样的：00_剧本、01_分镜表、02_生成图、03_生成视频、04_配音、05_剪辑工程，每个文件夹按镜头号命名。别嫌麻烦，AI视频制作是迭代型工作，角色侧脸才好看、某个镜头要重生成、配音要换音色，这些情况随时会发生，没有清晰的目录结构，找素材就能耗掉半条命。

第二，批量生成比精雕细琢效率高得多。同一个镜头，我一口气生成三到四个版本，然后从中选一个最稳的。与其反复调整一个失败的结果，不如让AI多出几个选项你来挑。这是AI视频制作和传统视频制作思维上最大的不同：传统拍摄NG重来代价高，AI生成重来几乎零成本，所以要多“拍几条”，择优录取。

第三，AI视频的工具更新速度很快。我现在用的这套工作流，半年后可能就有更顺手的替代方案。但流程框架不会变——先有剧本，再有分镜，然后生成画面，最后配音剪辑。工具可以换，思路才是根本。

第四，也是最重要的：别追求太长的视频。我见过不少新人一上来就做60秒甚至90秒的片，结果生成素材几百个、剪辑一头雾水、最后成品节奏拖沓。从10到20秒的极短片开始，先把“剧本到成片”这条链路完整跑一遍，再逐步加时长、加复杂度。做出来一条10秒的完整精品，比做出来一条90秒的烂片有价值得多。

我自己第一支完整的AI视频只有12秒，内容就是“一只猫把主人的钥匙从沙发底下叼出来”，但就是这12秒，让我把整个流程彻底跑通了。之后再做30秒、40秒的片子，都只是在这个骨架上加肉而已。AI视频的制作门槛已经很低了，但尊重流程、稳扎稳打，才是零基础少走弯路的最好方式。