用 AI 做视频脚本和剪辑：从选题到成片的一条流水线

任务目标

做完这件事，你应该有：一条能直接发布的三到八分钟解说视频（或者一条 60 到 90 秒的短视频），有完整脚本、有分镜表、有配音、有校对过的字幕、有封面，素材归档整齐，下一条能在更短时间内做完。

关键词是「下一条更快」。第一条视频花多久其实不重要，重要的是你有没有留下一套可复用的东西：脚本模板、分镜表格式、字幕校对清单、素材库、封面模板。没有这些，第十条和第一条一样慢，而这正是大多数人做到第三条就停的原因。

推荐工具组合

图 1：整条流水线。分镜表是全流程的枢纽——它同时决定配音怎么断句、需要哪些素材、剪辑时每段停留多久。没有它，这三件事会在剪辑软件里同时压到你身上。

为什么这样选

为什么把重心放在「脚本自带分镜」上。 做视频真正吃时间的不是写字，是在时间轴上反复拖拽：这句话配什么画面、这段停几秒、这个转场放哪。如果脚本阶段就把每句话对应的画面、时长和字幕写清楚，剪辑就变成了执行，速度差别是数倍。反过来，拿着一份纯文字稿进剪辑软件，你会在时间轴上边剪边想，这是最慢的做法。

为什么脚本一定要念一遍。 模型默认写书面语，而书面语在耳朵里非常难懂——长定语、嵌套从句、四字词堆叠，读着通顺，听着完全跟不上。判断方法只有一个：出声念一遍，凡是需要换气两次的句子就拆开，凡是念的时候会自动改口的地方就按你改口的说法改。

为什么不用 AI 生成整条视频。 当前的 AI 视频模型擅长几秒钟的氛围镜头、空镜和转场，不擅长承载具体信息——它画不对界面、写不对文字、也保证不了同一个主体在两个镜头里长得一样。用它撑满五分钟，代价是费用高、观感割裂、而且观众很快就会疲劳。合理用法是点缀：开场几秒、章节之间的转场、说到抽象概念时的示意画面。

为什么字幕必须人工校对。 自动字幕对日常口语准确率很高，但对专有名词、英文缩写、产品名、数字单位的错误率明显偏高。而字幕里的错别字是观众唯一会截图转发的东西。

完整步骤

第 1 步：定选题和一句话结论

先写出这条视频的一句话结论：看完之后观众能带走的那一句。写不出来就说明选题还没想清楚，这时候开始写脚本，最后一定是一堆信息没有落点。

第 2 步：资料与出处

用检索型 AI 把关键事实找齐，每条事实记下出处。视频比图文更难标注来源，所以核对要在前面做完。涉及数据、时间、价格、版本号的内容，一律以官方页面为准，模型给的记忆不可信。

第 3 步：写口播脚本

用下面第一段提示词。硬性要求写进提示词里：句子短、口语、不用书面连接词、每 30 秒有一个小结论。同时要求前 15 秒必须给出观众留下来的理由——不是自我介绍，是这条视频能解决他的什么问题。

第 4 步：念一遍

出声读全文，拿笔改。这一步平均能砍掉一到两成字数，而且砍掉的都是听不进去的部分。顺便记下自然停顿的位置，这就是后面的分句点。

第 5 步：出分镜表

让 AI 把脚本转成表格：序号 / 台词 / 画面内容 / 素材来源 / 预计时长 / 屏幕文字。画面来源要分类标注：自有截图、需要做的图表、素材库、需要生成的片段。这张表出来之后，你才知道要准备多少素材。

第 6 步：配音

两条路。自己录：手机加一副带麦的耳机就够，关窗、找软装多的房间、离麦一拳距离，比设备本身影响更大。AI 配音：优先选能调语速和停顿的，中文尤其要试听多音字和数字读法。无论哪条路，不要模仿真实人物的声音。

第 7 步：备素材

按分镜表逐条准备，不要边剪边找。截图统一分辨率，图表统一配色，生成片段控制在总时长的一成以内。所有素材放进一个文件夹，按分镜序号命名。

第 8 步：剪辑

顺序固定：先把配音铺满时间轴 → 按分镜对画面 → 自动生成字幕 → 逐句校对字幕 → 统一音量并降噪 → 加转场和背景音乐 → 通看一遍 → 导出。

背景音乐音量压到人声之下明显一档，很多业余感就来自音乐太响。

第 9 步：封面、标题与复盘

封面用固定模板，标题写清「解决什么问题」。发布后隔几天看三个数据：前 3 秒的留存（封面和开场的问题）、平均播放时长（脚本节奏的问题）、互动（选题的问题）。

图 2：九步流程与那个唯一的回环。「念得顺吗」这个判断放在配音之前，是因为配完音再改脚本，等于全部重来。

提示词

一、写口播脚本

你是一位写解说视频脚本的编剧。请把下面的资料写成一条 {时长} 的口播稿。

硬性要求：
1. 这是给人念出来、给人听的稿子，不是文章。句子平均不超过 20 个字，
   一句话只说一件事，不用"其次""综上所述""值得注意的是"这类书面连接词。
2. 前 15 秒必须回答观众"我为什么要看下去"，用一个具体问题或一个反常识的事实开场，
   不要自我介绍，不要说"今天我们来聊聊"。
3. 每 30 秒左右给一个可以带走的小结论。
4. 全文只有一个核心结论：{一句话结论}。所有段落都要服务于它。
5. 涉及数字、时间、名称时，只使用我提供的资料，不要补充你记忆里的信息。
   资料里没有的地方写"{待核实}"。
6. 结尾给一个具体动作，不要升华，不要求关注。

资料：
{贴你核对过的事实与出处}

二、把脚本转成分镜表

把下面的口播稿转成分镜表，输出 Markdown 表格，列为：
序号 / 台词 / 画面内容 / 素材来源 / 预计时长（秒） / 屏幕文字

规则：
1. 按自然语义断句，一格台词对应一个画面，单格不超过 12 秒。
2. 「素材来源」只能填这四类之一：自有截图 / 需要制作的图表 / 素材库空镜 /
   需要生成的片段。生成片段的总时长不得超过全片的 10%。
3. 「画面内容」要具体到能照着做，例如"产品设置页截图，高亮左侧第三项"，
   不要写"相关画面"。
4. 「屏幕文字」只写需要打在画面上的关键词，每格不超过 10 个字；不需要就留空。
5. 预计时长按每分钟 240 字的语速估算，最后给出全片总时长。

口播稿：
{贴念顺之后的脚本}

三、生成素材需求清单

根据下面的分镜表，生成一份素材准备清单，按素材类型分组，方便我一次性备齐。

输出四组：
1. 需要我自己截图或拍摄的：逐条写清楚截什么界面、哪个状态、要不要高亮。
2. 需要制作的图表：写清楚图表类型、要表达的一句话结论、需要哪些数据。
3. 素材库可以直接找的：给出搜索关键词，每条两三个备选词。
4. 需要生成的片段：给出画面描述，并注明时长；同时告诉我这几条能不能用
   静态图加缓慢推拉替代——如果能，优先替代。

最后统计：四类各多少条，预计准备时间。

分镜表：
{贴分镜表}

四、字幕校对清单

下面是自动生成的字幕文本。请找出需要人工确认的地方，输出成清单。

重点检查：
1. 专有名词、产品名、公司名、英文缩写是否写错或写成同音词。
2. 数字、单位、日期、版本号是否与我的脚本一致。
3. 断句是否会造成歧义，长句是否需要拆成两行。
4. 口语中的语气词、重复词是否应该删掉。
5. 与原脚本相比有没有整句缺失或多出的内容。

输出格式：时间码 / 字幕原文 / 问题类型 / 建议改成。
不要顺手润色没有问题的句子。

原脚本：
{贴脚本}

自动字幕：
{贴导出的字幕文本}

实测演示：一段口播稿变成一张能照着做的分镜表

实测环境：macOS + Claude Code 命令行 2.1.226，--model sonnet，2026 年 8 月。口播稿是为演示写的，输出是真跑出来的。

动手前：先把命令行装好

演示用的是 Claude Code 的命令行版本，三条命令装好并验证：

# 1. 需要 Node.js 22 或更高版本
node --version

# 2. 全局安装
npm install -g @anthropic-ai/claude-code

# 3. 验证
claude --version        # 应输出类似 2.1.226 (Claude Code)
claude doctor           # 检查安装是否健康

第一次使用要登录：在终端直接敲 claude 进入交互界面，按提示完成账号授权（之后可以用 claude auth 管理登录状态）。登录完成后，下面这种一次性的 -p 调用就能直接跑了。

本文所有命令都写了 --model sonnet，是为了让你复现时和这里用的是同一档模型；不加这个参数会用你账号的默认模型，输出会有出入。

第一步：准备材料（复制粘贴即可）

一段 300 多字的口播稿，主题是「提示词为什么会失效、怎么发现、怎么修」，已经按第 4 步念过一遍、拆过长句：

mkdir -p ~/demo/video && cd ~/demo/video

cat > script.txt <<'EOF'
你有没有发现，同一个提示词，今天好用，过两周就不好用了。
这不是你的错觉。
模型会更新，你的提示词却停在原地。
今天讲三件事：为什么会失效、怎么发现、怎么修。
第一，为什么失效。提示词依赖模型的默认行为，模型一改，默认行为就变了。
比如你原来靠"简短回答"这四个字压住输出长度，新版本可能不吃这一套。
第二，怎么发现。你需要一组固定的测试题，每次模型更新后重新跑一遍。
不用多，五道题就够，但必须每次都是同一组。
第三，怎么修。不要整段重写，先定位是哪一条约束失效了。
把模糊的形容词换成可检查的条件，比如把"简短"换成"不超过三句话"。
下次模型更新时，把这五道题再跑一遍，你就知道要不要动了。
EOF

cat > shotlist-prompt.txt <<'EOF'
把下面的口播稿转成分镜表，输出 Markdown 表格，列为：
序号 / 台词 / 画面内容 / 素材来源 / 预计时长（秒） / 屏幕文字

规则：
1. 按自然语义断句，一格台词对应一个画面，单格不超过 12 秒。
2. 「素材来源」只能填这四类之一：自有截图 / 需要制作的图表 / 素材库空镜 /
   需要生成的片段。生成片段的总时长不得超过全片的 10%。
3. 「画面内容」要具体到能照着做，不要写"相关画面"。
4. 「屏幕文字」只写需要打在画面上的关键词，每格不超过 10 个字；不需要就留空。
5. 预计时长按每分钟 240 字的语速估算，最后给出全片总时长和各类素材条数统计。
只输出表格和统计，不要其他说明。
EOF

第二步：跑起来

{ cat shotlist-prompt.txt; echo; echo "口播稿："; cat script.txt; } > input.txt
claude --model sonnet -p "$(cat input.txt)"

查看大图

×

终端窗口：进入 demo/video 目录，把分镜提示词和口播稿合并成 input.txt，调用 claude，输出一张含台词、画面内容、素材来源、时长和屏幕文字的分镜表，末尾是素材条数统计

图 3：这一节命令的实际终端输出。末尾那几行统计是这张表最实用的部分——它把「备素材」变成了一个有终点的清单。

第三步：读结果

输出的分镜表有 14 格，这里节选四格：

| 序号 | 台词 | 画面内容 | 素材来源 | 预计时长（秒） | 屏幕文字 |
| 3 | 模型会更新，你的提示词却停在原地。 | 左右对比图：左侧"模型版本升级"时间线滚动，右侧"提示词内容"文本框静止不动 | 需要制作的图表 | 4.3 | 模型更新／提示词不变 |
| 7 | 比如你原来靠"简短回答"这四个字压住输出长度，新版本可能不吃这一套。 | 对话框截图并列对比：旧版本用"简短回答"输出简短文字，新版本同样提示词输出长文字 | 自有截图 | 8.5 | 简短回答→失效 |
| 12 | 不要整段重写，先定位是哪一条约束失效了。 | 提示词文档截图，红框标出其中一条被高亮的约束语句 | 自有截图 | 5.0 | 定位失效约束 |
| 13 | 把模糊的形容词换成可检查的条件，比如把"简短"换成"不超过三句话"。 | 对比替换图：左侧"简短"模糊标签划掉，箭头指向右侧"不超过三句话"可检查条件 | 需要制作的图表 | 8.5 | 简短→不超过三句话 |

统计
- 全片总时长：72 秒（约 1 分 12 秒）
- 自有截图：3 条　需要制作的图表：9 条　素材库空镜：2 条
- 需要生成的片段：0 条（占比 0%，未超过 10% 上限）

这张表能直接用，有三个原因。

画面写到了能照着做的程度。 第 7 格不是「相关画面」，是「对话框截图并列对比：旧版本输出简短文字，新版本同样提示词输出长文字」——你拿着这句话就能去截图，不用回头再想。提示词里那句「不要写『相关画面』」是这一条的直接来源。

素材需求变成了可数的量。 3 条自有截图、9 张要做的图、2 条空镜，这就是你今晚要备的全部东西。没有这张表的时候，「备素材」是一个没有终点的动作；有了它，它是一个 14 项的清单。

生成片段是 0 条。 提示词里写了「生成片段总时长不得超过全片 10%」，它干脆一条都没排——因为这条视频全是具体信息，没有需要氛围镜头的地方。这正是「费用」一节里说的：把这项控制住，AI 视频那部分成本就基本消失了。

要提醒一句：时长是估算，不是实测。它按语速折算出 72 秒，实际配音出来会有出入，剪辑时以配音时间轴为准。分镜表的时长列是用来判断篇幅是否失衡的，不是用来对轴的。

输入素材

• 一句话结论，以及这条视频给谁看
• 核对过的事实与出处清单（视频里不好标注，所以要提前核到位）
• 你自己的观点或经验——这是视频区别于「资料汇编」的唯一来源
• 自有素材：产品截图、操作录屏、照片
• 录音条件：一个安静的房间、一副带麦的耳机；或者一个可用的配音服务
• 品牌视觉：封面模板、字幕样式、片头片尾
• 一个用来听效果的耳机，以及一次在手机上看成片的机会

最终结果

• 一条可发布的成片，画面、字幕、音量都对得上
• 一份口播脚本和一份分镜表，两者都能作为下条视频的模板
• 一份校对过的字幕文件，可用于二次分发和图文改写
• 一个按分镜编号整理的素材文件夹
• 一套封面模板和标题写法
• 一份复盘记录：三秒留存、平均播放时长、互动

时间成本

最大的两块是备素材和剪辑。这两块的耗时几乎完全取决于分镜表写得多具体——写清楚了就是执行，写模糊了就是在时间轴上边想边做。

费用

• 零成本路线可行：自己录音、用剪辑软件的免费版和自带素材库、封面自己做。总支出为零，代价是配音质量取决于你的房间和嗓子。
• 配音是主要变量：AI 配音服务通常按字符或按时长计费，也有包月档。一条五分钟解说的字符量不大，单条成本很低；但如果你要做多语言版本或频繁改稿重配，费用会明显上升。
• 剪辑与素材：剪辑软件的会员主要买的是高级素材、无水印导出和更高分辨率，按月计费，属于可选项。商用素材和背景音乐的授权要单独确认，免费不等于可商用。
• AI 生成片段是最贵的一项：这类服务按秒或按次计费，而且经常要生成好几条才有一条能用。把它控制在全片一成以内，这条成本就基本可以忽略；一旦想靠它撑满全片，费用会跳一个量级。
• 容易忘的：云存储（视频素材占空间很快）、字体授权、封面用的商用图片。

失败情况

图 4：七种翻车方式。第一、六种决定有没有人看完，第二到五种决定观感是否专业，第七种决定你还会不会有第二条。

一、书面语脚本。 最隐蔽也最致命。文字读起来毫无问题，念出来观众跟不上，表现是平均播放时长很短但你找不到原因。念一遍就能解决九成。

二、字幕出错。 自动字幕把产品名写成同音词、把「2026 年」写成「二零二六年」、把英文缩写拆开，这些错误单独看都不大，但它们是观众唯一会截图的东西。逐句对照脚本校对一遍，五分钟视频大约十分钟。

三、滥用 AI 生成片段。 表现是画面风格前后不统一、人物长相在两个镜头之间变了、生成一堆废片费用还很高。把它当调味料，不要当主食。

四、声音不统一。 自己录的段落和 AI 配音混用时尤其明显。导出前把所有音轨统一到接近的响度，背景音乐压到人声之下明显一档。

五、素材侵权。 背景音乐、影视片段、体育画面是三大高风险区。素材库里标着「免费」的资源也可能限制商用，用之前看清授权范围。

六、开头浪费。 前 15 秒讲「大家好我是谁」「今天我们来聊聊」，观众已经走了。开场应该直接给问题、给冲突、或者给一个反常识的事实。

七、第一条做得太重。 花三周做一条精雕细琢的视频，做完的感受通常是「再也不想做了」。第一条的目标是跑通流程并留下模板，不是做出你最好的作品。时长先定死、素材数量先设上限，做完再提高标准。

替代方案

如果你不擅长写、但擅长讲：先录一段十到二十分钟的自由讲述，用通义听悟转成文字，再让 AI 整理成脚本和分镜。这条路对很多人快得多，而且语气天然是你自己的。

如果内容是操作教学：直接录屏，边操作边讲。录屏本身就是分镜，后期只需要剪掉停顿、加字幕和重点标注，耗时能压到上表的一半。

如果你只是想把文章变成视频：用图文转视频类工具做一版，控制预期——这类成片适合信息补充，不适合当主要内容。

如果你的瓶颈在剪辑：把脚本和分镜表做好，剪辑外包。分镜表越具体，外包沟通成本越低，这也是这套流程的额外收益。

同系列的其他任务：用 AI 运营自媒体、用 AI 阅读和整理 PDF、用 AI 做知识库。