做视频这件事最磨人的其实不是“剪不动”而是“面对空白的剪辑时间轴不知道第一步该点哪里”。我身边不少朋友包括一些刚接触内容创作的新人几乎都有同一个状态脑子里有一个大概的想法甚至一句话就能说清楚“我要拍什么”可真要他们把这句话变成一条能发的视频脚本、分镜、配音、字幕、封面、平台适配每一步都是一道坎。后来我换了一种思路——把整套流程交给一个叫 Grok Bot 的 AI 视频工作流去跑我的任务只负责说清“一句话需求”它来负责把脚本、画面、配音、字幕甚至多平台输出格式全部编排出来。这篇就把整套保姆级操作完整复盘一遍从最基础的提示词怎么写到中间怎么检查分镜再到最后怎么导出一套能在不同平台直接发布的成片。哪怕你之前完全没有剪辑基础也可以照着这套流程走完。顺便把我在实际跑片过程中踩过的坑一起列出来能帮你少走不少弯路。1. 项目到底在做什么一句话需求如何变成一条完整视频1.1 所有视频生产的本质都可以被拆成五个环节不管是一条 15 秒的短视频还是一支 10 分钟的长内容做视频这件事拆到底都逃不开五个环节写脚本、做分镜、准备画面拍或者找素材、配音与字幕、剪辑封装。传统流程里这五个环节各自有专职的人脚本策划、编导、摄影师、配音员、剪辑师。一个人要想独立完成一条片要么每一项都学一遍要么花钱找外包。我见过很多很有想法的创作者最后死在了“找人做”这一步找剪辑师要先沟通剪辑师听懂之后还要等排期中间来回修改几轮等片子出来热点都凉了。Grok Bot 的定位本质上是一个“多岗位实习生”。它一个人把五个环节全部包圆我给它一个需求它先根据需求写出脚本再把脚本拆成分镜然后生成画面素材、配音台词、字幕文本最后按我选定的参数封装成一条可用的视频。我要做的就是首轮把关需求和终轮把关质量。中间那些操作它都能自动衔接。为什么这个思路能成立因为视频生产里大量工作是确定性的“转换”把一句话转成文案把文案转成分镜把分镜转成画面描述再把画面描述转成渲染参数。这一串操作非常规则化适合交给 AI 跑。反而是最前面那个“你到底想表达什么”AI 猜不准需要人来定。所以整套工作流看似自动化程度很高但真正的起点永远是人。1.2 为什么“一句话需求”反而是最合适的生产入口很多第一次用这类工具的人会陷入一个误区觉得给 AI 的指令越详细越好恨不得把每个镜头的机位、每个画面的构图、每句台词的语气都写进需求里。实际跑过之后你会发现喂给模型一份 2000 字的需求书它产出的片子反而容易僵硬因为你把它的创作空间全部堵死了。“一句话需求”的核心作用不是把活儿干完而是把意图说清。它强迫你先回答三个问题这段视频给谁看想传达什么核心信息希望观众看完是什么感觉这三个问题想清楚了一条视频的骨架就立住了。我经常拿“下馆子点菜”来类比你是顾客AI 是后厨。你不需要告诉厨师“锅要烧到多少度、葱花切多细、酱油分三次放”——那是厨师该做的工作。你只需要说“五六个人、口味偏咸香、来一桌下饭菜”后厨自然会给你安排。Grok Bot 也一样它最擅长的就是把一句意图明确的话展开成完整的工作方案。更要强调一点“一句话”不等于敷衍。这句话里要包含信息密度比如受众、平台、时长、风格这些关键约束但语法不需要优美。后面我会专门拆解如何写出一句“模型看了就能干活”的需求。先把入口想清楚后面每一步都会顺畅很多。2. 上手前先把这些底料备齐核心参数与提示词模板2.1 六要素提示词模板比背一百条咒语好用我给 Grok Bot 写需求话术不管哪一类视频都会套一个固定的六要素模板。模板长这样受众 主题 时长 平台类型 风格偏好 负面约束用大白话说就是这段视频要给谁看、讲什么、多长、发到哪、什么调性、避免出现什么。来看一个完整示例给深夜加班的年轻上班族做一条 30 秒竖屏短视频主题是某款挂耳咖啡的提神卖点语气轻松接地气节奏快前 3 秒要有一句能抓住人的钩子不要出现办公室多人场景不要用“醇香”这种大词。这句话里六个要素都有受众是“深夜加班的年轻上班族”主题是“挂耳咖啡的提神卖点”时长是“30 秒”平台类型是“竖屏短视频”风格是“轻松接地气、节奏快”负面约束是“不要出现办公室多人场景、不要用大词”。模型拿到这句话基本能判断出脚本方向、画面风格、甚至配音的语气选择。这一套模板建议直接保存在备忘录里每次使用只替换中间的关键词。不要每次从零开始写那样不仅慢还容易漏掉约束项。我见过最直观的效率差距用模板的人从写需求到出脚本只要两三分钟凭感觉写的人光憋一句开场白就可能憋半小时。差异不在创意在于有没有一个可复用的思考框架。2.2 不同平台的内容规格差别直接决定能不能“一键成片”喊“全平台成片”之前先搞清楚一件事所谓全平台不是指把一个 16:9 的视频同时传到所有平台。不同平台的内容生态差异非常大从画面比例到观众耐心都不同。我一般会把平台按类型分成三类每一类的规格要求整理成一张表。平台类型常见画面比例推荐分辨率时长舒适区字幕位置要求剪辑节奏偏好竖屏短视频平台9:161080x192015-45秒字幕放在下方三分之一区域内避开底部系统 UI前3秒必须给钩子节奏快信息点密横屏中视频平台16:91920x10801-8分钟字幕避让下缘安全边距左右留呼吸区开头30秒决定留存中段可以有解释性铺垫综合内容平台16:9 或 1:11920x1080 或 1080x10801-3分钟1:1时字幕不能顶到上下边缘块状分布更稳兼顾快节奏和完整叙事适合中景和特写交替为什么规格重要因为 Grok Bot 在生成画面之前如果不知道目标平台它就只能按默认的 16:9 横向比例生成后面你拿着竖屏需求去剪素材要么中间裁切、要么两侧拉伸画质和构图全废了。实际操作中我会在需求话术里直接写明“竖屏 9:16”或“横屏 16:9”这样模型生成的分镜和画面比例一开始就是对的。导出参数方面主流输出格式用 MP4 H.264 编码就够帧率 30fps 是安全选项既有动态流畅度文件体积也适中码率建议在 8-12Mbps 区间画面细节多就取高位纯口播内容取低位即可。这个参数组合能在画质和文件大小之间取得一个比较舒服的平衡点绝大多数平台都能直接过审而不被过分压缩。2.3 “负面约束”要写清楚才能挡住 AI 味AI 生成视频有一个绕不开的痛点模型对“世界是怎么运转的”理解得并不彻底经常会出现物理上合理但视觉上很怪的画面。比如人物走路时腿部交叉、手指数量不对、背景人群高频闪动、字幕从画面中央突然弹出。这些问题如果不在需求阶段预防后期修起来会非常痛苦。解决办法是明确写“负面约束”。别小看这句话我从开始用这类工具到现在最明显的体验就是不写负面约束的片子平均要多改两三轮写了的第一版能用率能提高一半以上。负面约束要具体到“可视化”。比如“不要出现多人场景”模型一听就懂“不要显得杂乱”这种话模型是懵的。还例如你可以这样写画面中只允许出现一个人的手部动作避免多人入镜字幕不要覆盖人物面部人物衣着颜色保持前后统一不要在画面边缘生成被裁掉一半的物体。这些指令都能被转译成更精确的画面参数比翻来覆去强调“要高级、要有质感”管用得多。我的习惯是把一条常用的负面约束清单存成文本每次写需求直接复制在正面需求后面。它起到的作用就像施工围挡正面规划决定盖什么楼负面约束划定了施工范围不让你把马路也挖了。2.4 常用生成参数怎么调Seed、时长、镜头数与风格强度进入实操前有几个生成参数得先弄明白。它们在不同工具里的叫法可能不完全一样但逻辑是共通的。首先是 Seed随机种子。这个参数控制生成结果的随机性。固定 Seed同样的提示词会产出相对一致的结果换 Seed同一句话会得到不同画面。实操里我会这样用先把需求话术跑一版保存 Seed再在此基础上微调提示词这样能清晰看出“是哪个词影响了结果”而不是每次推倒重来。其次是时长与文案字数的关系。很多人拿到脚本后发现视频超时或者不够根源在于没搞懂语速和字数的换算。中文口播平均语速约每分钟 240 字一条 30 秒的视频旁白文案控制在 110-130 字比较合适一条 5 分钟的视频文案量约 1100-1300 字。如果文案明显超量视频节奏会赶不够画面就需要大量空镜头来凑容易拖沓。把字数先算清楚再让模型生成比事后硬剪省事太多。第三是镜头数量。30 秒以内的短视频镜头数控制在 3-7 个是合理区间。镜头太少画面像幻灯片镜头太多信息碎片化观众来不及理解就切换了。Grok Bot 生成分镜时我会在需求里写明“全片控制不超过 6 个镜头”它就能自动按节奏去分配每个镜头的时长不至于一个镜头撑到 20 秒也不至于每秒都在闪切。第四是风格强度。这个参数通常是一个 0 到 1 之间的数值控制画面风格化的程度。数值高画面更接近插画、概念艺术质感适合做情绪化内容数值低画面更贴近真实摄影质感适合做口播、教学、实景解说。我的经验是纯口播类内容风格强度压到 0.3 左右强调视觉冲击力的场景内容可以拉到 0.7 以上但别一路加到 1画面容易崩出“AI 油画感”。3. 保姆级实操从讲出一句话到导出全平台成片3.1 第一条视频三句不同需求话术照着抄就行理论说再多不如直接上手。我准备了三条不同场景的需求话术你可以直接复制替换内容来跑第一版。场景一竖屏短视频带货给喜欢熬夜加班的年轻人做一条 30 秒竖屏短视频主题是某护眼台灯的柔光无频闪卖点。语气像朋友聊天节奏快开头第一句必须是提问句画面以台灯和书本特写为主不要出现人物躺在床上使用手机的镜头。场景二横屏知识科普做一条 5 分钟横屏知识视频解释“为什么耳机线总是缠在一起”目标观众是高中生和大学生。风格像课堂上的趣味实验要有比喻每个段落用一个实物实验画面来解释一个原理全片控制在 6 个镜头内避免出现复杂的物理公式字幕。场景三活动预热花絮做一条 15 秒方屏活动预告内容是一家公司周年庆的花絮剪辑气氛热闹节奏快速前 4 秒要出现五组不同员工的笑脸最后 2 秒落到活动时间和地点字幕不要出现公司内部文件信息不要用慢镜头。这三条话术覆盖了竖屏、横屏、方屏三种比例也对应了带货、科普、活动三种典型场景。第一次跑的时候直接复制其中一条进去生成完对照结果检查你会很快建立起“我这句需求会让模型做出什么画面”的直觉。刚开始别追求一步到位先把流程跑通比什么都重要。3.2 脚本与分镜确认花五分钟检查省五小时重做需求话术扔进去之后Grok Bot 会输出一个包含脚本草案、分镜列表、旁白台词、字幕文本的完整方案。大部分新手在这里会犯一个错误看到成片封装完成前的中间产物就急着往后走跳过了“人工检查脚本”这个环节。这一步其实是整个流程里最能省时间的地方。我每次拿到生成的脚本都会按下面的顺序过一遍全程大概五分钟。先看信息准确性。脚本里的数据、时间、人名、产品名有没有错。AI 在生成文字时偶尔会“自动补全”比如把你产品名里的错别字顺手改对或者把数字从 300 改写成 400。如果涉及关键信息必须逐字核对。专有名词可以在需求话术里用引号固定比如“请保留公司名称‘某科技’不要改动”。再看文案口语化程度。很多模型生成的旁白初稿会偏书面语读起来像新闻稿。举个例子初稿可能写“该产品运用了低蓝光技术”口语化版本应该是“它这个技术能把伤眼的那部分蓝光挡在外面”。后者更接近人说话的状态配音时也不会显得像念课文。发现文案太书面别自己一句句改——直接把整段文案丢回给模型“把这段文案改成口语化用短句每句不超过 20 个字允许加‘就是、其实、你看’这类语气词。”一次就能转好。再看分镜逻辑。分镜不是简单地把画面切成一段段而是每一镜都要承接上一镜的信息。比如上一个镜头在拍杯子特写下一个镜头直接切到室外街景观众会产生时空跳跃感。如果发现镜头之间缺乏因果关系就在需求里补充“下一个镜头要承接上一个镜头中出现的物品”。最后看时长分配。开头钩子镜头一般占总时长的 10%-15%中段是信息展开区节奏可以放缓结尾要有明确的言语或画面引导比如“点关注”“到店领取”之类的行动呼唤。如果开头和三段比例失衡严重直接把时长分配要求写进需求重新生成别在剪辑阶段硬补救。3.3 自动生成素材与合成关键节点只看这些参数脚本和分镜确认没问题后进入真正“生成视频”的阶段。这个阶段一般会自动完成模型会回填分镜信息、生成画面素材、合成配音、配上字幕轨。但有两个节点你必须亲手把关不然导出后会出现各种奇奇怪怪的问题。第一个节点是素材比例与分辨率。生成前在导出设置里确认目标比例和分辨率已经按照第 2.2 节表格里的规格设置好。这个操作用意是避免素材比例失真——很多工具如果默认设置不调整会用 16:9 打底后面你要做竖屏版本就得裁掉上下两边等于把原本的画面信息量砍掉一截。正确的做法是从一开始就按目标平台的比例来渲染比如竖屏短视频就设 9:16别指望靠后期裁出好构图。第二个节点是音频轨道。视频里如果有口播旁白我建议单独生成一条“人声轨”再叠加一条“背景音乐轨”不要让人声和 BGM 混在一个轨道里输出。原因很简单等导出后你发现“人声被音乐盖住了”如果已经混轨要重修整条片子如果你留了分轨只需要把人声轨音量拉高一点、BGM 压低一点。音频参数上人声峰值控制在 -6dB 到 -3dB 之间BGM 正常音量压低到人声的一半左右整体响度控制在 -16 LUFS 左右这样在全平台范围内都不会出现“一打开手机音量爆炸”的体验问题。字幕方面导出一份独立的 SRT 字幕文件比“把字幕烧死在画面上”更实用。带独立字幕轨你在不同平台上发布时可以随时调整字号、位置、颜色烧死的字幕则没法改。Safest 做法是渲染视频时不开字幕等发布时再用平台自带的字幕工具导入 SRT 文件这样既能规避平台对硬字幕的压缩风险也能让观众按自己的阅读习惯调整字幕显示。这一阶段如果发现某个镜头不满意只重新生成那一个镜头的素材不要整条重跑。工具一般支持按分镜号单独生成镜头素材替换进工程即可。这个动作能让你在“局部优化”和“整体一致”之间找到平衡点。3.4 分平台封装一份源头素材导出多套版本全平台成片的最后一步是“封装”。这一步决定了同一个视频项目最终能以多少种形态出现在不同观众面前。我的标准流程是从源头工程出发导出主版本、竖屏版本、预告版本三个输出。主版本是横屏 16:9 的完整视频。这是你内容的母版包含全部镜头和完整叙事。先导出这个版本它一方面用于长视频平台发布另一方面也是后续所有衍生版本的素材底子。竖屏版本并不是直接把横屏素材居中裁个 9:16 出来。正确做法是把主版本工程复制一份把序列比例改成 9:16然后针对每一段素材重新构图——比如原来横屏画面里的中景在竖屏里可以改为只保留人物主体和关键前景原来横屏里两侧带有环境信息的镜头竖屏里要调整为主体的局部特写避免把画面拉变形。预告版本是剪出开头 3-5 秒做成独立短视频再加一个画面文案“完整版见主页”。这招在很多内容号上非常有效它既利用了短视频平台的流量获取能力又给长视频账号导了关注。封面也别忽视。很多工具生成的是动态视频而平台上的封面是静态图片直接从视频中抽取一帧加重压暗再放标题文字会比“用默认首帧”的点击率高很多。每次导出时顺手把封面图也保存了成片就能真正做到“即导即发”。4. 翻车现场与排查手册我已经替你踩过的坑4.1 高频问题速查表用这套流程做视频我前前后后跑过上百条翻车的概率不算低。下面这张表是我整理的最高频问题基本覆盖了你会遇到的大部分意外。问题现象根本原因排查方法解决办法切换镜头后人物样貌或服装突变分镜描述里没有保留角色一致性信息翻看前一个镜头的分镜描述看是否缺少“同一个人物、同一套服装”在后续分镜描述开头加上“保持上一个镜头中的人物造型不变”旁白听感像机器人在念稿文案过于书面缺少语气词和停顿把旁白文本单独读一遍看是否拗口让模型转成口语化文案加短句和语气词字幕和声音对不上素材混用了不同帧率检查工程时间轴帧率设置和素材实际帧率将所有素材统一为项目帧率后再导出生成画面出现多余手指或肢体扭曲提示词未给负面约束回看原始需求话术查是否有“不出现”类的约束加入负面约束“不出现多余手指、肢体动作合乎人体结构”竖屏版本画面被过度裁切先按横屏生成后强行改成竖屏检查生成时初始比例设置生成前把比例设为 9:16重新生成竖屏素材视频文件体积过大或过小码率设置不匹配内容类型查看导出码率和画面复杂度文字较少的静态画面用 8Mbps动态画面多的用 12Mbps4.2 一个完整的排查示范配音和画面错位以后如何一步步定位有一次我做一条口播视频预览阶段一切正常导出后却出现了一个奇怪的现象视频前 30 秒音画同步第 31 秒开始画面比声音慢接近一秒钟。刚开始我以为只是“导出缓存出问题”重新导了两遍还是同一个问题才意识到这是素材层面的原因。排查过程是这样的。我先看了工程时间轴的开头确认配音轨的起点有没有留空白的头段——没有。再检查第一条素材的入点在时间轴上的位置也没问题。接着我把问题锁定在“第 30 秒之后发生变化的元素”结果发现第 30 秒引入了一段之前单独生成的镜头素材而那段素材的原始帧率是 25fps工程主序列设的是 30fps。预览时播放器会实时做补偿观感不明显导出时渲染器按严格帧率对齐25fps 的素材被解释成 30fps 后音画差距就开始积累越到后面错位越明显。解决办法是把该素材的“解释素材”改为 30fps同时在工程设置里把时间基准也统一成 30fps重新导出后问题解决。这段经历想说明的是素材混帧率是音画不同步最常见也最隐蔽的元凶。做多镜头拼接时请养成一个习惯——所有素材放进工程前先看一眼帧率标识统一转换之后再上时间轴。这个动作只需要几秒钟能省下导出后反复排查的大把时间。4.3 去“AI 味”的实操方法AI 生成的视频即使技术指标没问题也很容易让观众一眼看出“这是 AI 做的”。这种“AI 味”通常来自五个方面画面过于光滑、动作节奏过于均匀、配音字正腔圆没有呼吸感、转场过度单一、缺少环境音。去 AI 味不需要多高深的技术下面这几个方法是成本最低也最见效的。一是在提示词里加“模拟手持拍摄”。这句话会让生成画面带上轻微的呼吸感不再是完全静止的稳定镜头观感上更接近真实素材。二是主动减少“一镜到底”。AI 生成的长镜头视频很容易让人疲劳因为画面里的信息量没有变化。把每个镜头控制在 3-5 秒多个镜头快速切换节奏就出来了。三是给视频加环境音。很多 AI 视频只有人声和 BGM完全没有环境音听起来像真空实验室。加上一条低音量的环境音轨比如街道、室内空调声甚至轻微底噪声音层次立刻丰富起来。四是适度变速。把视频的某一段放慢或加快 5%-10%破坏掉 AI 素材里均匀的“每秒节奏感”会有一种有人刻意剪辑过的感觉。五是加一层微颗粒。后期在视频表面叠一层轻微噪点可以中和 AI 画面的塑料质感。注意噪点强度控制在 10% 以下微不可察是最佳状态太浓反而像加了滤镜的旧电影。我见过有人花很大力气研究各种“去 AI 感”的插件其实核心逻辑很简单AI 生成的视频太平均了人类的真实视频是有瑕疵、有呼吸、有节奏起伏的。你只要往“不规则”方向稍微调一调观感就会自然很多。5. 真正省时间的底层经验个人梳理版5.1 给一句话需求加上“负数清单”第 2 节提到过负面约束的重要这里再往深说一个具体做法给需求建立一张常驻的“负数清单”。所谓负数清单就是把你最不希望看到的东西提前列出来作为每条需求的固定尾巴。我的清单大概长这样不要出现字幕遮挡人脸不要在画面边缘放置被裁切的主体不要有超过 3 人的同框不要出现明显的 AI 变形痕迹多余手指、身体扭曲不要使用“极致、重塑、赋能”这类空洞词汇作为旁白。这些话术看起来很简单但效果非常直接。它们为模型划定了“禁区”把生成结果从“发散猜测”变成“定向搜索”。尤其是当你要批量生成多条视频时带着同一份负数清单能保证所有产出在底线层面保持一致。操作细节在需求话术末尾空一行然后粘贴清单。顺序是先正面规划、后负面排除模型对“要做什么”和“不做什么”的优先级理解会更清晰。5.2 批量生产、固定种子让选择代替生成我见过不少新人用 AI 做视频时习惯是“这句提示词生成出来的画面不满意马上改提示词再生成一次。”这样看起来很努力实际上效率极低因为每改一次提示词所有参数全部变了你根本没法判断是哪个改动导致了结果变好或变坏。更高效的做法是“批量生成 固定种子”。需求确认后先在原提示词基础上生成三个分镜方案从里面挑出最符合直觉的一版接着固定 Seed用同一句提示词生成 4-6 个画面素材一次全部渲染出来然后从中挑最优镜头而不是“出一个选一个”。镜头选择阶段拿一张纸或一个表格记下每个镜头的 Seed 和备注信息。这样做的好处是所有候选素材来自同一个方案整体风格一致选材变成了“挑选”而不是“反复尝试”省下的不只是时间还有情绪成本。生成一次不满意、再生成一次还是不满意的挫败感比多等几分钟渲染要难受得多。5.3 攒一座个人镜头素材库跑过一段时间 Grok Bot 工作流之后你会发现一个现象很多镜头其实是重复出现的。比如切咖啡的手部特写、夜晚城市街道的空镜、鼠标点击屏幕的混战这些镜头在不同主题的视频里都能用。如果每次都是临时生成既费时间风格还不一定统一。所以我建议你从现在开始养成一个习惯每次生成满意的镜头单独导出保存并按“景别 动作 情绪”的规范命名。比如“特写_倒咖啡_专注”、“中景_办公室走动_忙碌”、“空镜_雨后街道_安静”。这样积累一两周之后你就拥有了一座个人专属的 AI 镜头素材库。下次接到类似视频需求先到素材库里搜有没有可复用的镜头有就直接拉进工程没有的再让 Grok Bot 专门生成风格可以参照旧素材去匹配。素材库积累到一定规模后效率提升是跨越式的。一座几百条镜头的库几乎能覆盖七八成日常内容创作的画面需求。这也是“AI 人”协作里最有复利价值的部分——你产出的每一部片子都在为下一部赋能。5.4 最后的15%永远是人工审美到这里工具的活儿基本干完了。但必须诚实地说一句真正让一条视频“能打”的不是 AI 替你完成的 85%而是最后那 15% 的人工审美。AI 能帮你把素材齐全的 90 分的片子做出来但决定观众愿不愿意看完前 3 秒的是人对节奏的感知。我实际经手的几条视频里AI 生成的脚本里前 10 秒字面地交代产品背景我手动把第一句改成反问句后完播率明显上了一个台阶。音乐切入点的选择、字幕停留时间长短、哪个镜头作为封面视觉锚点这些细节 AI 不一定能给出最有手感的答案需要人来拍板。所以我的个人习惯是让 Bot 多给素材少替我做决定。每个关键节点都保留一个人工审批点——脚本要过目、分镜要过目、字幕要过目。这条原则听起来保守却能保证作品始终带着“人的气味”。整条工作流跑下来最让我舒服的地方其实不是省了多久时间而是把重复劳动剥离开之后我作为创作者终于有余力去关注内容里真正有意思的部分那句话怎么说更打动人、那个画面怎么切更有情绪。如果你也正在被“从零到一”的过程劝退不妨从今天开始试着用这套流程跑一版只要你亲口说清了那一句需求剩下的路Grok Bot 会替你铺好大半。