本文由 莫潇羽@无忆研习社(www.wuyi.wiki)撰写,转载请注明出处。

快速摘要

这篇文章把"用 AI 工具做短视频"这件事拆成了一条完整的流水线:用豆包出图、用即梦出视频、用剪映做剪辑、用醒图改图,再加上一套筛选选题、撰写标题、规范发布的内容方法论。 核心结论是三句话——AI 短视频不是"一个工具走天下",而是"工具组合 + 内容模板 + 剪辑节奏"三件套;爆款的复用关键在于看懂别人的画面结构,而不是抄文案;而所有 AI 生成的视频在发布时都必须勾选"内容由 AI 生成"声明,这是合规底线。 文章还会把每个工具最容易踩的坑拎出来讲清楚,比如即梦提示词写太长反而失控、剪映关键帧前后没对齐导致画面抽搐、醒图涂鸦笔一旦确认就改不了等等。想看完整拆解,往下翻。

一、写在前面:为什么 AI 短视频要按"流水线"来做

我自己折腾这条路有一阵子了。最早是抱着"一个工具就能搞定一切"的幻想,先后跳过豆包、即梦、可灵、Sora,每一个都觉得"它要是再聪明一点我就不用别的了"。结果一年下来,我得到的真正经验是反过来的——没有任何一个 AI 视频工具能独立完成一条能上推荐流的短视频,工具之间的协作才是把一条视频做漂亮的关键。

这一节先把整条流水线串起来。后面的章节会一节一节展开,讲到具体怎么操作。

1.1 一条 AI 短视频的"零件清单"

把一条十几秒的短视频拆开看,通常包含下面这些"零件":

• 画面素材:可能是 AI 生图、AI 视频、原始照片、屏幕录制、素材库视频。
• 音频素材:背景音乐、人声配音、原片提取的人声、AI 生成的旁白。
• 文本元素:标题文案、字幕、贴纸、关键字段标注。
• 节奏结构:开头钩子、中段展开、结尾收束、转场过渡。
• 发布信息:平台标题、话题标签、内容声明、定时设置。

听起来零碎,其实就这五条线。把它们放进流水线就清楚了:

选题 → 素材生成(豆包/即梦/小红书素材) → 修图润色(醒图) 
     → 剪辑合成(剪映:分割/变速/转场/关键帧/字幕) → 发布(标题/话题/AI 声明)

我的做法是把每一条线交给最擅长它的工具——而不是非要逼一个工具去干自己不擅长的事。

1.2 工具分工的"四件套"

下面这张表是我自己用了大半年沉淀出来的分工逻辑。你可以照着先用,后面再根据自己习惯调整:

豆包出来的图,常常需要经过醒图修几下才能用;即梦生成的视频片段,几乎一定要进剪映才能拼成完整作品;醒图修出来的封面,最后还得在剪映里设置成视频封面。所以你看,这四个工具是连环相扣的,中间任何一环掉链子,作品都做不出来。

1.3 整体心法:模仿结构,不抄内容

新手最常问我的一个问题是:"我也想做爆款,但完全不知道画面要长什么样。"我的回答是,先去看,看完之后只学结构,不学内容。

• 看结构:别人这条视频从第几秒开始有人脸?在哪一秒切到了第二个画面?字幕停留了多久?配乐是什么风格?这些是结构。
• 不抄内容:别人的文案、人物、场景、提示词,你照抄就是同质化,平台会判定低质。

莫潇羽@无忆研习社 一直坚持的一个观点是——结构是可以学的,内容必须自己生。后面讲到爆款拆解的时候,我会把这个观点再细化一遍。

二、爆款选题怎么找:从"刷视频"到"做视频"

工具会用了之后,卡住大多数人的下一个环节就是选题。盯着剪映空白页面发呆半小时,最后一拍大腿——"我没东西可做",这是很多人都经历过的状态。

这一节专门讲怎么从"刷视频的消费者"切换成"做视频的生产者"。

2.1 找选题不是"凭空想",而是"在海里捞"

我自己刚开始也犯过一个错误,以为"原创"意味着要从脑子里抠出一个全新的点子。后来发现根本不是这么回事——短视频领域的原创,指的是"用自己的表达方式,把一个已经被验证过的话题再讲一遍"。

所以选题的第一步,不是"想",而是"找"。找已经被验证过、最近正在火的话题。

具体怎么找?我把它拆成下面这套动作:

打开主流短视频平台
    ↓
顶部搜索框输入"话题词" 或 直接点击话题标签
    ↓
筛选发布时间(最近 7 天 / 24 小时)
    ↓
按"最多点赞"或"最热"排序
    ↓
观察 Top 20 的画面共性
    ↓
挑出可以复用的"画面结构"
    ↓
确定本周自己要做的选题方向

这个动作我每周至少做两次。它的核心不是看哪条视频火,而是看哪种类型的视频在重复地火——这种重复出现的画面套路,就是值得复用的结构。

2.2 判断一个选题"还能不能做"的三个信号

不是所有爆款都值得跟。我踩过的坑总结下来有三个识别信号:

• 信号一:话题阅读量在涨,但发布数量还没饱和。 比如某个话题刚冲上 1 亿播放,但内容供给只有几百条,这种是黄金窗口期。
• 信号二:Top 视频的发布时间集中在最近 3~7 天。 这说明热度还没退,跟进有机会被推荐。如果 Top 几条都是一个月前发的,基本上窗口已经过去了。
• 信号三:画面结构"可以本地复刻"。 比如别人用的素材是"对话截图 + 配音",这种你在家就能做;但如果别人用的是"私人飞机内景 + 一线明星",你跟不了,选题再火也别碰。

2.3 复用结构的具体颗粒度

具体到一条视频怎么"复用结构",我列了一个"拆解清单",每次看到爆款视频就照着填一遍:

填完这个表,你就拥有了一个"模板化的选题文档",剩下的事情交给生产环节就行。

2.4 避免一个常见误区

我见过太多人,看到一条爆款,就把别人的标题、画面、文案,甚至音乐全部"原样照搬"——这是最危险的做法,平台的查重机制会把这种内容判定成低质量搬运,推荐流直接锁死。

正确的做法是只保留结构,内容全部换成自己的:别人用的是"红毯偶遇明星",你换成"地铁里的市井烟火气";别人用古风 BGM,你换成同风格但不同曲目的纯音乐;别人用粉色花字标题,你换字号位置不变、文字内容完全不一样的字幕。

只要骨架对了,皮肉换成自己的,平台就会把它当成一条独立的原创内容来处理。

三、豆包生图实操:从"喂提示词"到"出可用图"

接下来正式进入工具实操章节。豆包是这条流水线上最常被用到的"画面生成器",所以放在第一个讲。

3.1 豆包生图的核心原理:你要把它当成一个"理解力很强的助理"

豆包基于字节跳动自己的图像模型(目前主流版本是 Seedream 系列),它跟传统 Stable Diffusion 之类的工具最大的差别是——它能用日常中文对话,不需要你掌握标签语法。这件事的好处是上手快,坏处是有时候你以为说清楚了,它却理解偏了。

具体到生图,豆包的一次出图流程大致是这样:

你输入 → 模型解析意图 → 模型自动补全提示词 → 文本编码为向量 
       → 扩散模型采样 → 输出图像 → 你看效果再调

这里有个细节非常重要:豆包会"自动补全你的提示词"。比如你说"生成一个女孩",它内部会自动补成"乌黑长发、柔和光线、肤色细腻、清新构图……"这一长串描述。所以你看到的输出图比你以为的"一句话"丰富得多。

理解了这个原理,你就能玩转两个关键技巧——控细节和带参考。

3.2 控细节:把提示词写到"足够具体"

提示词不是越长越好,但关键信息必须明确。我自己总结的一套"六维提示词法":

把这六个维度的关键词组合起来,出图稳定性会高很多。给你一个我自己经常用的小模板:

一位身穿淡米色针织衫的年轻女性,坐在窗边咖啡馆里,自然柔光从左侧落下,半身像构图,背景轻微虚化,写实人像摄影风格,胶片质感,温暖色调。

把这种结构化句式喂进去,出图基本不会跑偏。

3.3 带参考:让豆包"照着图改"

豆包支持参考图引导。简单说就是你上传一张图,然后告诉它"按这张图的风格/姿势/构图来生成"。这是新手最快做出"看起来像专业级别"图的捷径。

具体场景有好几种:

• 风格迁移:上传一张水墨画,让豆包按这个风格生成新画面。
• 姿势保持:上传一张人物姿势照,让豆包换衣服、换场景但姿势不变。
• 角色一致:上传同一张人物头像,生成多张不同场景但人物一致的图。
• 海报复刻:上传一张海报排版,让豆包按这个版式做新海报。

我自己常用的一个流程是:先用文字提示生成一张风格基准图,再上传这张基准图,让豆包基于它继续生成 5~10 张同风格的图。这样出来的一组图,视觉统一性比单张单生成强好几倍。

3.4 批量出图的小诀窍

豆包的一个值得用的能力是单轮可以一次生成多张(最新版本支持单次最多 20 张)。配合下面这种提示词,可以一次出好几张同主题不同变体的图:

生成 10 张同一位女性在不同城市地标的打卡照,统一春日柔光、写实人像摄影风格、半身构图。城市分别为:北京、上海、成都、杭州、西安、广州、重庆、苏州、长沙、青岛。

我自己测试下来,这种"一句话出一组图"的玩法,效率比单张生成至少高 5 倍,而且风格统一性反而更好——因为模型在同一次推理里会自动保持参数一致。

3.5 风格关键词手册:让画面"一句话有方向"

提示词里"风格"这两个字其实是分水岭。同一个主体,换一个风格关键词,出来的图差距能大到完全不像同一个生成器做的。我整理了一份自己用得最多的风格清单,平时直接抄就行:

新手玩法:先用某个风格词出一组图,觉得不喜欢,只换风格词,其他描述不变,重新出一组——你会很快摸到"哪种风格适合自己的人设"。

3.6 出图后的"挑图原则"

豆包一次生成多张,但你不会全部都用得上。我筛选的标准是:

• 手部、五官没有畸形——AI 生图的老毛病,优先排除。
• 整体氛围统一——同组里挑出风格最一致的几张。
• 构图留白合理——后面要叠字幕的位置不要有杂乱元素。
• 色调好搭配——后面要配字幕色,选不会抢色的画面。
• 看一眼有没有违和的小细节——比如多出来的手指、不对劲的影子、奇怪的反光,这些都是 AI 留下的"小尾巴"。

筛完之后,通常 10 张里会留 3~5 张能直接用。这个比例我自己测试下来非常稳定。如果一组 10 张里你连 1 张都看不上,大概率是提示词没写到位,而不是 AI 不行——回头改提示词,别在原结果里硬挑。

四、知识型截图视频:用豆包问答做"专业感"画面

除了"生图",豆包还有一个很被低估的用法——让它回答一个开放性的问题,然后把答案截图,当成视频画面。这种"问答截图"风格的视频,目前在内容平台属于稳定吃流量的赛道。

4.1 这种内容形态的底层逻辑

为什么"豆包回答 + 截图"能火?它满足了三个内容传播的基本要素:

• 知识感:观众看到 AI 给出的有理有据的答案,会觉得"长见识了"。
• 信任感:AI 的回答看起来客观、不带个人情绪,比"博主自己说"更可信。
• 碎片感:一个问题、一段回答、十几秒看完——完美符合短视频的消费节奏。

简单说,这种形态是把"通俗读物"的精华浓缩成了 15 秒。它能持续火,是有内容规律支撑的。

4.2 问题的"选材"技巧

不是所有问题都适合做成这种视频。我筛过几十个选题后,总结出三类容易出爆款的问题方向:

• 生活困惑类:比如"自己一个人吃饭的人,内心是什么状态"——能击中很多人的共鸣。
• 认知反差类:比如"为什么古代的官员都那么瘦"——和大众印象不一样,产生好奇。
• 决策困扰类:比如"父母不支持我裸辞,我该怎么办"——观众会想看 AI 的回答然后对比自己的想法。

避开两类问题:敏感争议类(政治/民族/性别等)、纯娱乐恶搞类(平台审核会判低质)。

4.3 引导豆包"输出可截图答案"的提示词

豆包默认的回答可能会很长,长篇大论不适合直接截图。我的做法是用"二段式提示词":

第一段:抛出问题(让豆包先正常回答一遍)
第二段:让豆包压缩答案(指