1. 先搞清楚一条AI视频到底由哪些零件拼起来

很多人第一次听到“AI视频制作”，脑子里浮现的画面是：打开一个软件，输入一句话，点一下按钮，一条带剧情、有角色、有配乐、有转场的完整片子就出来了。我一开始也是这么想的，结果折腾了一整天才发现，这种期待本身就是最大的坑。真实的AI视频制作流程，更像是在组装一台模型——每个零件单独看都不复杂，但要把它们拼到一起还能跑起来，中间有大量需要手动衔接的环节。

一条完整的AI视频，拆开来看至少包含五个核心模块：剧本与分镜、视觉素材生成、动态化处理、配音与音效、剪辑与合成。这五个模块各自有对应的工具链，而且它们之间的衔接方式决定了你最终成片的效率和质量。我见过太多人卡在“画面生成了但动不起来”或者“动起来了但口型对不上”这类问题上，本质上就是没有提前想清楚模块之间的数据该怎么流转。

这篇文章要解决的问题很具体：让一个完全没有接触过AI视频制作的人，从零开始走通一条完整的生产链路。不管你是想做3D古风短片、动漫风格的漫剧，还是简单的口播视频，这套流程框架都是通用的。我会把每个环节的工具选型逻辑、参数设置思路、以及我实际踩过的坑都摊开来讲。你不需要有编程基础，也不需要会画画或者剪片子，但你需要有耐心——因为AI视频制作目前还不是一个“一键完成”的事情，它更像是一个需要反复调试的手工活。

提示：本文涉及的AI视频生成工具均为公开可获取的常规创作工具，所有操作均在合规范围内进行。涉及提示词的部分，我会重点讲设计思路而非具体敏感内容。

2. 剧本和分镜：别急着打开AI工具，先把纸上的事想清楚

2.1 为什么剧本阶段决定了后面80%的返工率

我刚开始做AI视频的时候，最大的毛病就是“边做边想”。打开AI绘画工具，先随便生成几张图看看效果，觉得不错再想下一步。这种做法在单张图片创作时问题不大，但放到视频制作里就是灾难。因为视频的核心是连续性——角色要一致、场景要连贯、动作要能接上。如果你没有提前规划好每个镜头的内容，后面生成出来的素材根本拼不到一起。

剧本阶段要解决的问题其实就三个：谁、在哪、做了什么。听起来很简单，但落到AI视频制作的具体场景里，你需要把这三个问题拆解到每一个镜头。比如“一个穿白衣的剑客在竹林里练剑”这句话，在剧本阶段就要拆成：镜头1是竹林全景，镜头2是剑客拔剑的特写，镜头3是剑花飞舞的中景，镜头4是收剑入鞘的远景。每个镜头对应一张关键帧图片，而每张图片都需要用提示词去精确描述。

我自己的习惯是用一个简单的表格来管理分镜，字段包括：镜号、画面描述、景别、角色状态、预计时长、对应提示词关键词。这个表格不需要多专业，用Excel或者飞书表格都行，关键是让每个镜头的信息都落在纸面上，而不是留在脑子里。

2.2 分镜脚本的写法：给AI看的和给人看的不是一回事

这里有一个很多人忽略的关键点：给人看的分镜脚本和给AI用的提示词是两套语言。给人看的分镜可以写“画面唯美、氛围感强”，但AI看不懂这种描述。你需要把“氛围感强”翻译成具体的视觉元素：是逆光还是侧光？是暖色调还是冷色调？是浅景深还是大景深？

举个例子，同样是“古风女子在月下抚琴”这个场景，给人看的分镜可能就一句话，但给AI的提示词需要拆成：主体描述（年轻女性、古装、长发）、动作描述（双手抚琴、微微低头）、环境描述（夜晚、满月、庭院、石桌）、光影描述（月光从左侧打来、面部有柔和阴影）、风格描述（3D渲染、中国古风、电影级质感）。这些要素缺一个，生成出来的画面就可能偏离你的预期。

我一般会在分镜表格里直接写好每个镜头的完整提示词，这样到了生成阶段直接复制粘贴就行，不用临时想。提示词的长度控制在50到80个词之间比较合适，太短了信息不够，太长了AI会抓不住重点。

2.3 角色一致性：从第一帧就要开始控制

角色一致性是AI视频制作里最让人头疼的问题之一。同一个角色在不同镜头里长得不一样，观众一眼就能看出来，整个片子的质感就崩了。解决这个问题的方法有几个层次：

最基础的做法是在每个镜头的提示词里都重复描述角色的核心特征，比如“黑色长发、白色汉服、腰间佩玉”。但这种方法只能保证大方向不跑偏，细节上还是会有差异。

进阶的做法是使用角色参考图。很多AI绘画工具支持上传一张参考图，让生成的新图片在角色特征上向参考图靠拢。我的经验是，先用提示词生成一张满意的角色定妆照，然后把这张图作为后续所有镜头的参考图。参考强度一般设置在0.6到0.75之间，太低了不起作用，太高了会导致所有画面都长得差不多。

还有一个技巧是固定随机种子。大部分AI绘画工具都支持设置seed值，相同的seed加上相同的提示词会生成相同的图片。虽然不能完全保证一致性，但至少能减少随机性带来的偏差。

3. 视觉素材生成：从文字到画面的关键参数怎么调

3.1 工具选型的底层逻辑：没有最好的，只有最合适的

市面上的AI视频生成工具大致可以分成三类：文生图工具、图生视频工具、一体化视频生成工具。这三类工具的使用逻辑完全不同，选错了工具会让你的工作流变得极其别扭。

文生图工具负责把文字变成静态画面，这是整个流程的基础。图生视频工具负责让静态画面动起来，比如让头发飘动、让水流起来。一体化工具则是输入文字直接输出视频，看起来最方便，但可控性最差，适合做简单的氛围短片，不适合有明确剧情和角色要求的项目。

我的建议是：如果你要做有剧情、有角色的视频，走“文生图+图生视频”的组合路线。虽然步骤多了，但每个环节你都能控制。一体化工具目前更适合做抽象风格或者风景类的短视频，角色一多就容易翻车。

3.2 提示词设计的核心框架：四层结构法

提示词设计是AI视频制作里最核心的技能，没有之一。我总结了一个四层结构法，基本上适用于所有主流的AI绘画和视频生成工具：

第一层是主体层，描述画面里有什么。包括角色特征、服装、动作、表情。这一层要具体到颜色、材质、款式，比如“白色丝绸汉服”就比“白色衣服”好，“微微侧头微笑”就比“表情自然”好。

第二层是环境层，描述主体所处的空间。包括地点、时间、天气、背景元素。比如“竹林深处、清晨、薄雾、石板小径”。环境层决定了画面的氛围基调。

第三层是光影层，描述光线方向和质感。这是很多人会忽略的一层，但它直接决定了画面的高级感。比如“逆光、边缘光、柔和阴影”和“顶光、硬阴影”出来的效果完全是两个档次。

第四层是风格层，描述整体的视觉风格。比如“3D渲染、电影级质感、中国古风、超高清”。风格层要放在提示词的最后，因为大部分AI工具对末尾关键词的权重分配会有所不同。

这四层加起来控制在60到80个词，用逗号分隔，不要写成完整的句子。AI工具对关键词的识别效率远高于对自然语言句子的理解。

3.3 参数设置：采样步数、CFG、分辨率的实际影响

除了提示词，AI绘画工具还有几个关键参数需要调整。我用一个表格来说明它们的作用和推荐值：

采样步数我一般设在30左右，这是一个性价比比较高的值。CFG值要看具体工具，有些工具7到9比较合适，有些可以到12。分辨率方面，如果你的最终输出是横屏视频，建议生成1920x1080的图片；如果是竖屏短视频，生成1080x1920。分辨率不够的话，后面放大时会损失细节。

注意：不同工具的参数名称可能不一样，比如有的叫“迭代步数”有的叫“采样步数”，但底层逻辑是相通的。理解每个参数在控制什么，比记住具体数值更重要。

3.4 从静态到动态：图生视频的三种驱动方式

静态图片生成好之后，下一步是让它动起来。目前主流的图生视频工具有三种驱动方式：

第一种是运动笔刷，你手动在图片上画出希望运动的区域和方向，比如在头发上画一个向下的箭头，头发就会向下飘动。这种方式控制最精确，但操作最繁琐，适合做局部细节动画。

第二种是运动强度参数，你设置一个整体运动强度值，AI会自动判断画面中哪些元素应该动。这种方式最省事，但可控性差，有时候背景会莫名其妙地动起来。

第三种是轨迹控制，你指定某个物体从A点移动到B点，AI会生成中间的过渡帧。这种方式适合做镜头推拉或者物体位移。

我自己的习惯是：主体动作先用运动笔刷精确控制，环境动态用运动强度参数辅助。比如人物说话的场景，嘴部和头部的运动用笔刷控制，背景的树叶飘动用强度参数带一下。这样出来的效果比较自然，不会出现“整个人都在晃”的诡异感。

4. 配音、音效与剪辑：让画面真正变成“视频”

4.1 AI配音的选择：音色、语速、情感三个维度

画面动起来之后，如果没有声音，它依然只是一段“动态图片”。配音是让视频产生叙事感的关键。目前AI配音工具已经相当成熟，选择的时候主要看三个维度：

音色方面，男声、女声、少年音、老年音这些基础选项都有，但更重要的是音色和角色的匹配度。一个古风剑客配一个现代感很强的播音腔，观众分分钟出戏。我的做法是先用文字描述角色的性格和年龄，然后在配音工具里找最接近的音色，试听三到五个再定。

语速方面，默认语速通常是每分钟240字左右，但古风题材建议降到200字左右，给观众留出品味画面的时间。如果是快节奏的解说类视频，可以提到260字以上。

情感方面，现在的AI配音工具大多支持情感标签，比如“平静”“激动”“悲伤”“温柔”。不要小看这个功能，同一句话用不同情感读出来，效果天差地别。我一般会在剧本阶段就标注好每句台词的情感倾向，配音时直接选对应的标签。

4.2 音效和配乐：别让BGM盖过一切

音效和配乐是很多人会敷衍的环节，但恰恰是这些细节决定了视频的“完成度”。我的原则是：环境音效铺底，动作音效点睛，配乐控制情绪但不抢戏。

环境音效比如风声、雨声、鸟鸣、街道嘈杂声，音量控制在-25dB到-20dB之间，刚好能感觉到但不注意不到。动作音效比如脚步声、拔剑声、关门声，音量可以到-15dB左右，要清晰但不刺耳。配乐的音量一般控制在-20dB到-18dB，有人声台词的时候要自动 ducking 到-25dB以下。

配乐的选择要和画面风格统一。古风视频配电子乐不是不行，但需要很强的剪辑功力才能不违和。新手建议先从风格匹配的曲库开始选，等熟练了再尝试混搭。

4.3 剪辑合成：时间线、转场、字幕的实操要点

所有素材准备好之后，最后一步是在剪辑软件里把它们拼起来。这一步看起来最简单，但实际上有很多细节会影响成片质量。

时间线方面，每个镜头的时长建议控制在3到5秒。太短了观众来不及看清画面，太长了节奏会拖沓。对话场景可以适当延长到6到8秒，但要有景别变化来维持视觉新鲜感。

转场方面，新手最容易犯的错误是滥用花哨转场。叠化、划像、缩放这些转场偶尔用一次可以，但大部分镜头之间用硬切就够了。硬切最自然，也最不容易出错。只有在时间跳跃或者空间转换的时候，才需要用转场来提示观众。

字幕方面，如果是口播类视频，字幕是必须的。字体选择上，古风视频用宋体或楷体，现代视频用黑体或圆体。字号要保证在手机屏幕上也能看清，一般占画面宽度的80%左右。字幕出现的时间要和语音对齐，误差控制在0.2秒以内。

5. 常见问题与排查技巧实录

5.1 画面崩坏：角色变形、多手多脚、面部扭曲

这是AI视频制作中最常见的问题，几乎每个人都会遇到。原因通常是提示词冲突或者模型对某些姿势的理解不到位。排查思路是这样的：

先检查提示词里有没有相互矛盾的描述，比如同时写了“正面视角”和“侧脸”。然后检查分辨率是不是太低，低分辨率下AI容易把细节画糊。如果都没问题，尝试增加负面提示词，把“多余的手指、变形的手、扭曲的面部”加进去。最后的手段是换一个随机种子重新生成，有时候就是运气问题。

5.2 动态不自然：画面抖动、物体漂移、动作僵硬

图生视频阶段最常见的问题是动态不自然。画面整体抖动通常是因为运动强度设得太高，降到中等水平试试。物体漂移比如背景里的树莫名其妙地移动，这是因为AI把不该动的区域也判定为运动区域了，需要用运动笔刷把静止区域锁定。动作僵硬一般是关键帧太少导致的，可以尝试增加中间帧或者换一个运动模式。

5.3 音画不同步：口型对不上、音效延迟

音画不同步在剪辑阶段很容易修复，但如果是AI生成的口型动画对不上，那就需要在生成阶段解决。目前AI口型同步工具已经比较成熟，输入音频和人物面部图片就能生成对应的口型动画。如果对同步精度要求不高，也可以在剪辑软件里手动微调音频位置，前后移动几帧就能对齐。

5.4 常见问题速查表

5.5 我踩过的三个印象最深的坑

第一个坑是忽略音频采样率。我一开始用AI配音工具导出的音频是48kHz，但剪辑软件的项目设置是44.1kHz，结果导出后音频出现了轻微的变调。后来统一成48kHz就没问题了。这个坑很小，但排查起来很费时间。

第二个坑是过度依赖一体化工具。我试过用一体化工具直接生成带剧情的视频，结果角色在第三个镜头就变成了另一个人，而且完全没法控制。后来老老实实回到“文生图+图生视频”的流程，虽然步骤多了，但每个环节都可控。

第三个坑是忘记备份中间素材。AI生成有随机性，有时候第一版效果最好，但你没保存，后面怎么调都调不回来了。现在我养成了习惯，每个满意的中间结果都单独存一份，标注好参数和种子值。

6. 关于效率和质量的平衡，我的一些实际体会

做AI视频这件事，最容易陷入的误区是追求“全自动”。市面上确实有一些工具宣称可以一键生成完整视频，但实际用下来你会发现，要么风格千篇一律，要么根本没法控制剧情走向。真正能拿得出手的作品，背后一定有大量的人工干预和反复调试。

我的工作流经过多次迭代，目前稳定在这样一个节奏：剧本和分镜占20%的时间，素材生成占50%，动态化和配音占20%，剪辑合成占10%。素材生成之所以占这么多时间，是因为需要反复抽卡——同样的提示词生成十次，可能只有两三次能达到可用标准。这不是工具的问题，而是目前AI生成技术的固有特性。

另外一个体会是，提示词工程的核心不是写得多花哨，而是写得足够具体。我见过很多人把提示词写成诗，什么“月光如水洒在青石板上”，AI根本理解不了。改成“夜晚、满月、石板路、月光从上方照射、地面有反光”，效果立刻就不一样了。AI需要的是视觉元素清单，不是文学修辞。

最后分享一个提高效率的小技巧：建立自己的素材库。把每次生成的好看的背景、道具、光影效果都分类存好，下次做新项目的时候可以直接调用或者作为参考图。我现在的素材库里有几百张分类好的图片，做新片子的时候至少能省掉三分之一的生成时间。这个习惯看起来不起眼，但日积月累下来，效率提升非常明显。