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

卡通像素风的科普类短视频,本质是把"知识点 + 玩梗 + AI画面"这三件事捏到一条 1200 字左右的脚本里。整个生产流程可以压缩成四个模块:AI 写文案、人工改前五秒、AI 出画面、剪映做开头与组装。文案靠大模型一遍出稿,关键句靠人手工调;前两秒决定 25% 完播率,必须有悬念音效 + 三字标题 + 像素小人的"震惊看望远镜";中段画面优先用 DeepSeek 写提示词 + 即梦/Vidu 类工具图生视频,辅以动漫素材库替代,原创度足够高就能反复复用。整套链路新手当天就能跑通,核心是把每一步都做成可复制的"固定模板"。

想看完整拆解,往下翻。

一、为什么卡通像素风的科普视频值得做

我自己折腾这个赛道有一段时间了,一开始也是被一条 50 万播放的猪打蛇视频吸引进来的——那条片子我后来拆开看,从文案到画面再到剪辑,几乎没有一处是"高门槛"操作。能做到的人,只要肯花一周时间摸流程,基本都能搞定。莫潇羽@无忆研习社后来把这个流程整理成了一套可执行的清单,这篇就是把清单展开讲清楚。

1.1 这个赛道现在长什么样

如果你刷过一阵子知识科普类账号,会发现一个有意思的现象:真人出镜的科普号在变少,卡通化、像素化、Q版小人形象的科普号在变多。原因不复杂,卡通化的呈现方式天然规避了几个难点。

第一,不用露脸。镜头感、口才、颜值这些原本是真人出镜博主的硬门槛,在像素风账号里全部不存在。配音可以用 AI 合成,小人形象由 AI 生成,你不用买灯光不用买相机,一台中等配置的电脑就能开干。

第二,风格统一容易做。卡通像素风的画风本身就带"颗粒感",很多 AI 生图工具的瑕疵反而被这层颗粒感盖住了。真人视频里一帧穿帮就是事故,像素风里多一点抖动观众反而觉得"挺有感觉"。

第三,素材可复用。一个像素小人形象、一张森林地形图、一组通用音效,可以在你后面几十条视频里反复出现,只要换主题、换核心 AI 视频就行。这条规律我反复验证过,只要文案够新,旧素材完全不影响数据。

1.2 选题的几个朴素逻辑

像素风账号最容易出爆款的选题,我自己摸出来的规律有这么几条:

第一类是反常识科普。比如"为什么猪是蛇的天敌""为什么马要被当作动力单位""为什么静脉血不会得癌症"。这类题目自带一个钩子——观众脑子里有一个朴素印象,你的标题告诉他这印象可能是错的,他就有动力点进来听你解释。

第二类是冷门的生活原理。像家用电器里某根线为什么用红色、菜市场里的鱼为什么活着出水后会"喘",这类选题受众面广,而且评论区天然爱讨论,互动数据漂亮。

第三类是把热点知识化。最近哪个新闻火、哪个游戏出新版本、哪个明星上了热搜,只要里面有一个能被你拆出"原理"的小点,就可以做。这条最依赖反应速度,但回报也最直接。

选题这件事我建议先囤后用。我自己在备忘录里常年挂着一份"待拆解清单",刷到任何一个让我"咦"了一下的小知识就记下来,拍片的时候挑一个能在 1200 字里讲清楚的就行。

1.3 一条爆款视频长什么样

把这个赛道里跑得好的片子拆开,你会发现它们的结构高度雷同。我归纳成下面这张表格,方便你对照:

整篇视频时长建议控制在 60-90 秒之间。再短信息密度不够,再长完播率会被拉下来。

1.4 这套打法对新手特别友好的几个原因

我经常被问"我什么都不会能不能学",答案是:这套打法基本就是为零基础设计的。原因有这么几条。

软件门槛低。整条链路里用到的工具只有四个——一个能跑大模型的本地客户端(用来调用智能体写文案)、一个 AI 大模型对话页面(写画面提示词)、一个图生视频网站(出 AI 画面)、剪映(剪辑)。这四个里只有剪映需要稍微花点时间熟悉,其他都是"复制粘贴回车"级别的操作。

思维门槛低。整个流程是高度模板化的,你不需要懂分镜、不需要懂镜头语言、不需要懂调色。固定的开头格式、固定的造梗模板、固定的素材库调用方式,记住几条就能写完一整条片。

成本门槛低。AI 写文案的部分有大量免费方案,图生视频网站普遍有每日免费额度,剪映免费功能就够用。前期完全可以零成本跑通整条链路,等数据起来再考虑要不要花钱开会员买更高的生成额度。

唯一会让人犹豫的是时间投入。一条片从选题到剪完,熟手大概 90 分钟,新手第一条可能要 3-4 小时,但跑通三五条以后熟练度上来很快,后面就是流水线作业。

二、整体生产流水线的鸟瞰图

很多新人一上来就纠结"我该先学剪映还是先学 AI 提示词",其实顺序错了。这事得先把整个流程从头到尾跑一遍,有了全局感再去回头精修每一步,效率会高得多。莫潇羽@无忆研习社当年走过的弯路就是死扣某一个工具的细节,结果发现别的环节卡死了等于白学。

2.1 一条片子的生命周期

我把整个流程拆成 7 步,新手照着走能少踩 80% 的坑。

┌───────────────────────────────────────────────────────────┐
│  Step 1  选题确认 + 一句话的反常识结论                       │
│      ↓                                                     │
│  Step 2  AI 写 1200 字脚本(智能体调用 / 单次对话均可)      │
│      ↓                                                     │
│  Step 3  人工二次改稿,重点是前 5 秒和"玩梗模板"              │
│      ↓                                                     │
│  Step 4  把脚本扔给 DeepSeek,逐句生成图生视频提示词         │
│      ↓                                                     │
│  Step 5  AI 出画面(豆包出首帧图 + 视频平台跑动作)           │
│      ↓                                                     │
│  Step 6  剪映里铺底图 + 抠像合成 + 字幕 + 音效              │
│      ↓                                                     │
│  Step 7  审一遍数据合规性,导出发布                          │
└───────────────────────────────────────────────────────────┘

七步走完一条片就成型了。下面我把这张大图拆细,讲讲每一步里到底要做什么。

2.2 文案先行 vs 画面先行

这是新手最容易选错的一道分岔。先讲结论:永远文案先行。

道理也简单。AI 画面在这套打法里是"插画师",它的任务是把你写好的文字翻译成视频。你必须先有一句完整的文案,知道你这一秒要说什么,才能写出对应的画面提示词。反过来你先随便生成一堆 AI 画面再凑词,99% 的概率凑出来的视频前言不搭后语。

我自己的工作流是这样:文案先写满,然后逐句过一遍,把需要 AI 画面承载的句子标黄,其他句子用动漫素材库的现成片段顶上。这样能把 AI 生成的次数压到最低,省时间也省额度。

2.3 把整条链路想象成"四个工位"

如果你以前在工厂里待过,你会发现这个流程和流水线作业几乎一模一样。我把它抽象成四个工位:

flowchart LR
    A[工位一<br>文案工位<br>大模型生成+人工改稿] --> B[工位二<br>提示词工位<br>DeepSeek写画面词]
    B --> C[工位三<br>画面工位<br>豆包/即梦/Vidu出片]
    C --> D[工位四<br>剪辑工位<br>剪映组装+开头精修]
    D --> E[(成片)]

四个工位是纯线性的,前一步没出结果不能跳到下一步。但每个工位内部是可以并行优化的——比如你在工位一卡壳时,可以同时在工位三跑前几条视频,等文案改完再回头看画面是否对得上。

这种工位思维的好处是,你的精力一次只用在一件事上。今天上午我只写文案,下午只跑画面,晚上只剪辑,头脑切换成本最低,产出反而最高。

2.4 不同工位的时间分配

下面这个分配是我跑了几十条片之后定下来的,新手可以直接抄:

可以看到,剪辑是最吃时间的一环。这也是为什么我后面会用整整一章来讲剪映里的具体操作——你在这里偷的懒,后面观众数据会替你买单。

2.5 一个最容易被忽视的前置:本地工具的部署

如果你打算用智能体的方式让 AI 自动调用一套"写作包"(也就是预设好的文案模板),你需要先把这套模板装到本地客户端的 skills 目录下面。具体路径在不同系统下略有差别,Windows 一般是 C:\Users\你的用户名\.claude\skills\ 这一类的目录。

整个安装过程其实就三步:

# 1. 解压模板文件夹
# 2. 把整个文件夹复制到 ~/.claude/skills/ 下
# 3. 在终端里启动客户端,确认能识别到这个 skill

成功之后,你在客户端里输入"调用 xxx 写一篇短视频文案,标题是...",它就会自动按预设的模板写一段干货化、口语化的文案出来。这一步搞定之后,文案工位就完成了 70% 的工作量。

需要提醒一点,新手第一次配置环境可能会卡输入法、卡权限、卡路径,这些问题没什么技术含量但很烦人。我的建议是,装不上别死磕,直接用网页版的大模型对话页面一样能写出文案,只是少了"调用专属模板"这层方便,但本质上不影响出片。

三、AI 文案生成与人工二次改稿的全套技巧

文案是整条片的灵魂。画面再好看、剪辑再花哨,文案立不住,数据立马塌方。但好消息是,文案是整条流程里 AI 替代率最高的一环——你只需要把"为什么 xxx"或"xxx 的真相"丢给大模型,它能在 30 秒内写出一份能用的初稿,剩下的工作就是改前五秒、塞玩梗模板、校对数据。

3.1 大模型生成初稿的指令模板

我自己用的指令长这样,你可以直接抄:

请写一篇短视频文案,
标题:为什么 xxx(替换成你的选题),
要求:
- 全程梗密集,结尾反转
- 字数 1200 字,上下浮动 50 字
- 口语化、不要正经课本腔
- 段落之间要有节奏感,不要全是长句
- 涉及到数据的地方,标注"待核实"三个字

最后那一句"涉及数据标注待核实"是我后加的,特别重要。AI 会一本正经地编数据,你如果不让它自己标出来,就要逐句过一遍找数字,效率太低。让它自己标出来,你后面只检查带"待核实"标签的句子就行。

3.2 文案的五段式结构

AI 写完后,我会先按下面这张结构表过一遍,看每一段是不是都在它该在的位置上:

任何一段比例失衡,整条文案就会"歪"。比如钩子段写太长,观众等不到结论就划走;玩梗段塞太多,核心知识反而被冲淡。

3.3 前五秒文案是改稿的重中之重

我个人的经验是,改一条片的文案,70% 的时间花在前五秒。这五秒里要解决三件事。

第一件,标题问题要写得"短而怪"。短指的是字数尽量压在 12 字以内,怪指的是要带反常识或反直觉的暗示。比如"为什么猪是蛇的满级天敌"——这句话本身就让人愣一下,"满级"这个游戏化的词,把一个朴素的生物学现象变得很有钩子感。同理"为什么静脉血不会得癌症""为什么充电宝最怕坐高铁",都是这套写法。

第二件,第二句要承接得住。第二句的任务是把因为前两秒留下来的人,再多留三秒。这里我有两套打法:

• 打法 A:用对标视频的热门评论充当第二句。 这招屡试不爽。你的选题大概率有人做过,直接去刷它的评论区,把点赞最高的那几条挑出来当第二句的素材。原因是这些评论已经被算法和观众"筛选"过一遍,共鸣度天然就高。
• 打法 B:加一个反差极强的"小提问"。 比如"你觉得最猛的捕蛇高手是谁?可能不是你想的那个。"反差越大越好,但要避免太低俗的钩子,平台对低俗内容的限流很严格。

第三件,从第二句过渡到第三句要有"语义钩"。前两秒+第二句结束后,观众的注意力会出现一个小幅下滑,这时候需要一个"语义钩"把他重新提起来。常见做法是用一个反问、一个数据、或者一个意外的修饰词。

3.4 通用造梗模板:三套必备公式

这是这套打法里最"工业化"的部分,记住三个公式,你以后所有片子的玩梗段都能套。

公式一:对比模板——"路易十六:GLT 比人低两头"。

只要文案里出现两个东西的强弱对比,你就可以套这个公式。蛇打不过猪,那"猪:满级老登,蛇:GLT 比人低两头";马跑不过汽车,那"汽车:马力工程师之耻"。这个公式的好处是自带笑点,因为路易十六本身就是一个被网友玩坏的梗。

公式二:数据背书模板——"攻读过 xxx 学位的小伙伴都能一眼看穿"。

文案里只要出现具体数据(浓度多少、温度多少、产卵量多少),都可以塞一句:

• 聊化学数据 → "攻读过高中化学学位的小伙伴们都能一眼看穿"
• 聊生物数据 → "攻读过高中生物学位的小伙伴们都能一眼看穿"
• 聊冷门数据 → "攻读过 xxx 学位的小伙伴们都能一眼看穿"(xxx 越冷门越好笑,比如"母猪产后护理")

这个梗的笑点在于"反差感"——你在科普一个挺正经的数据,突然冒出一个荒诞的"专业",观众会会心一笑。

公式三:死亡反转模板——"路易十四的晚年:寿到尽头"。

一旦你的文案里出现"死了""完蛋了""挺不过"之类的语义,都可以套这一句。这是从一个法王梗演化来的,几乎是万能黑色幽默。

把这三套模板背下来,你的玩梗段就有了 60% 的底盘,剩下的 40% 才是你自己根据热点和选题再加的临时梗。

3.5 数据校验的"双保险"

科普类视频最容易翻车的就是数据。我的做法是双保险:

第一道:让 AI 自己标"待核实"标签(前面提过)。

第二道:成片之前,把含数据的句子单独丢给豆包,问"以下这段数据是否准确"。

为什么要丢给豆包?因为科普视频发布后,评论区里经常会有人 @豆包、@抖音求真这两个官方账号来"打假"。如果你提前用豆包跑一遍,它认账的数据基本不会被自己反驳。这一步只要 5 分钟,但能帮你规避掉 90% 的"数据翻车"风险。

flowchart TD
    A[文案里出现数据点] --> B{豆包验证}
    B -->|通过| C[保留在文案里]
    B -->|不准| D[换近似数据或删除]
    B -->|有争议| E[加一句不确定语气词]
    C --> F[成片]
    D --> F
    E --> F

注意第三种情况——如果某个数据有争议但你又想保留,可以加一句"据某些研究估算""有数据显示""坊间流传"这种弱化承诺的措辞,既保留了内容的有趣,又规避了被反驳的风险。

3.6 改稿时容易踩的几个坑

我自己反复掉过的几个坑,列在这里给你避一下。

第一,不要为了凑梗硬塞。如果某一段实在套不上路易十六或者攻读学位模板,那就不要硬塞,平铺直叙也比尬笑好。观众对"硬梗"的容忍度很低,一旦感觉你在硬凑,后面再写得好他们也会划走。

第二,口语化不等于啰嗦。我经常看到新人改稿,改着改着就变成了"那个嗯然后这个其实就是说"。AI 写的初稿虽然书面化,但至少干净。你改的目标是把"书面感"换成"聊天感",不是把每句话都加废话。

第三,梗要分散。一段里最多一个梗,集中在一起反而稀释笑点。我的做法是写完之后通读一遍,把梗用荧光笔标出来,如果发现两个相邻段落都有梗,就把其中一个挪到三段之后再用。

第四,不要写"赚钱""躺赚""副业月入"这种话。一是平台对这类话术限流非常严,二是这跟你做的科普内容人设根本不搭。如果想表达"有用",换成"实操体验""能力提升""帮你避坑"这种合规说法。

3.7 一个 1200 字脚本的完整示例骨架

为了让你更直观地理解,我把一条片的脚本拆成下面这种骨架,你可以拿去填空:

【0-2 秒 钩子】
为什么 [选题主体] [反常识结论]?       # 字数控制在 12 字内

【2-5 秒 第二钩】
[用对标热评 或 反差小提问]              # 控制在 30 字内

【5-15 秒 原理引入】
你以为 [大众认知],可现实是 [反转结论]。  # 用"你以为"打破认知
我们看一组数据(待核实):...

【15-40 秒 原理展开】
[用 2-3 个具体例子说清原理,
每个例子配一个梗模板]

【40-70 秒 高密度玩梗】
[把路易十六、攻读学位、路易十四
等模板按文案语义塞进去]

【70-90 秒 反转+引导】
[抛一个让观众"哦?"的反转结论,
然后引导评论区互动]

这套骨架我用了三十多次,从来没翻过车。新手第一次写,可以先把骨架打印出来贴在显示器边上,逐行填空,等熟练了再脱稿写。

3.8 一份脚本到底该花多少时间

我现在的速度是:AI 出稿 1 分钟,人工改稿 10-15 分钟,合计不超过 20 分钟。新手第一次大概要 40 分钟左右,主要慢在改稿环节——尤其是前五秒的反复打磨。但这个时间值得花,因为前五秒决定了你的视频能不能进入下一个流量池。

我的建议是:前五秒至少改三遍。第一遍改语义,第二遍改节奏,第三遍念出来听一遍。念出来这步特别关键,因为短视频的文案最终是要被配音读出来的,有些句子写在屏幕上很顺,念出来却拗口。你自己念一遍,听不顺的地方一定要改掉。

四、关于前两秒的极致打磨

如果说文案是这条片的灵魂,那前两秒就是这条片的命门。绝大多数账号死在前两秒,不是死在选题、不是死在画面,而是死在"观众压根没等到你讲第二句"。莫潇羽@无忆研习社做过一个不严谨的统计,几十条片子里,前两秒做得到位的,平均完播率比马虎应付的高一倍以上。

4.1 前两秒为什么重要到这种程度

在算法里,两秒跳出率是一个生死指标。两秒还没把观众留住,这条片就基本失去了进入下一个流量池的资格。而像素风的科普视频,因为画风本身就和真人/实拍不一样,观众第一眼会有一个"咦这是什么"的本能反应,如果这反应被你接得住,他就会停留;接不住,他就会以最快的速度划走。

我自己实操下来,两秒跳出率稳定在 25% 左右算合格。如果你的画面和文案配合得特别好,可以压到 20% 以内,那就是稳进流量池的水平了。

4.2 前两秒的"四件套"

一个标准的两秒开头,必须包含这四件套,缺一个数据就会塌方:

flowchart LR
    A[底图:森林/地形 模糊大场景] --> 合成