从一句创意到一部AI短片：脚本分镜、生图生视频到剪辑调色的全流程实操拆解

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

一句话结论：做一部AI短片，本质是把导演的活拆成六个可控环节——先用大模型把创意变成拍摄脚本和分镜清单，再用图像模型把角色、载具、怪兽、场景这几样"资产"一次性定死，接着在无限画布里锁死氛围出分镜图，然后用图生视频跑动态画面，最后进剪辑台完成节奏、音效、调色和导出。真正决定成片质量的，从来不是某一个"神器"，而是一致性控制、氛围锁定和剪辑节奏这三根主线。 我自己把这套流程反复跑了很多遍，越到后面越确定一件事：AI只负责执行，导演还是坐在你这把椅子上。谁掌握了资产一致性、谁能把分镜的氛围提示词固定成模板、谁在剪辑台上舍得抠帧，谁的片子就更像"作品"而不是"素材拼盘"。

需要先说清楚三点，免得你走弯路。第一，国内能直连、不用折腾的视频模型已经足够打，可灵、即梦、海螺、Vidu、通义万相这些都够你做出一部完整短片，海外模型这里只做原理科普。第二，2025年9月起，AI生成内容在国内发布必须按规定标注"AI生成"，这不是可选项，后面第九章我会专门讲怎么合规发。第三，这行价格和模型版本变得飞快，文中所有涉及价格、版本的数字都只是写稿时的近似情况，实际请以各平台官方页面为准。

想看完整拆解，往下翻。

一、先把整条流水线在脑子里跑一遍

很多人一上来就问"哪个AI最强"，其实这是最没用的问题。你先得知道自己在做什么。

我一开始接触AI影视的时候，也被一堆平台名字搞晕过。后来我换了个思路：别把它当"AI黑科技"，就当成拍一部真人电影，只不过每个工种都换成了AI来干。你回想一下真人剧组是怎么运转的——先有剧本，再定演员、场景、道具，然后分镜头、实拍、后期剪辑调色，最后出片。AI流程几乎是一一对应的，只是把"人"换成了"模型"，把"拍摄现场"换成了"提示词"。

搞清楚这层对应关系，你就不会在一堆工具里迷路了。我把它整理成一张对照表，这是我脑子里那根主线：

这里先给刚入门的朋友解释一个词：分镜，说白了就是"把一段连续的画面，拆成一个一个镜头，标清楚每个镜头拍什么、怎么运镜"。传统上是画成一格一格的小图，在AI流程里，它变成了一句一句的提示词。

我拿一个通用的科幻小短片来贯穿全文讲——一个女宇航员开着越野车在类火星地貌上飞驰，穿越峡谷时遭遇一群怪兽追击，她靠一个漂移动作把爬上车的怪兽甩下去，再加速飞越峡谷脱险，身后的怪兽收不住脚跌进深谷。这个设定足够简单，又几乎覆盖了追逐、特写、慢镜头、大全景所有典型镜头，拿它当"教学片"最合适。注意，下文所有的画面、案例都是我为了讲原理虚构出来的，不针对任何具体作品。

整条流水线用一张图看会更清楚：

flowchart LR
    A[一句话创意] --> B[大模型出脚本/分镜清单]
    B --> C[图像模型定角色/载具/怪兽/场景]
    C --> D[无限画布出分镜图 + 锁氛围]
    D --> E[图生视频跑动态画面]
    E --> F[剪辑台: 粗剪/精剪/音效/调色]
    F --> G[导出成片 + AI合规标注]

莫潇羽这里想强调的核心心态是：这条流水线是"上游定生死"。上游的脚本没想清楚、资产没做扎实，下游的视频和剪辑再怎么救都是徒劳。我踩过最大的坑，就是急着去生成视频，结果人物一致性没锁住，越野车一会儿新一会儿旧、宇航员的头盔换了三种造型，最后剪的时候画面根本接不上，只能推倒重来。所以下面我会花很大篇幅讲前面的"笨功夫"，那才是真正省时间的地方。

二、把"一句话创意"喂给大模型，先拿到脚本和分镜清单

流程的第一步，是把你脑子里那点模糊的想法，变成一份结构清晰、可以直接照着生成画面的脚本。这一步用对话式大模型来做，国内我一般用DeepSeek，中文理解好、免费、随手就能开。

从"想法"到"拍摄脚本"

你不用一上来就写得多专业，把画面像讲故事一样描述给它就行。比如我会这样描述：一个宇航员驾驶越野车在类火星地面飞驰，峡谷中遭遇怪兽追击，怪兽纵身跳上车顶，宇航员一个漂移把它甩下去，前方是深不见底的峡谷，车辆加速飞越峡谷、安全抵达对面，身后怪兽收不住脚跌落，女宇航员停车，心有余悸地看着对岸怒吼的怪兽，画面结束。

把这段话丢给大模型，让它"帮我把这段情节优化成拍摄脚本"，它就会给你分好场次、标好景别和动作的脚本。到这一步还只是文字，还不能直接拿去生成画面。

再把脚本"翻译"成一条条分镜提示词

关键的一步在这里。我会接着让它"把上面的拍摄脚本，按场景顺序拆成一条条分镜画面的AI提示词，用中文输出"。为什么强调按场景拆成独立的一条条？因为后面生成画面的时候，是一个镜头一个镜头来的，提示词拆开了，你复制粘贴就能直接用，不用每次现改。

它默认有时会给英文，我一般会让它再转成中文，方便对照修改。这里插一句提示词语言的经验：海外的图像和视频模型，英文提示词的识别效率往往更高；而国内模型对中文的理解已经非常到位，直接写中文就行。 所以到底用中英文，取决于你后面打算用哪个模型，别一刀切。

拿到这批提示词后，我会把它整理进一个文档里，让大模型"根据这些提示词整理成一份带镜头编号、画面描述、提示词三列的清单"。整理成表格之后，整个短片有多少个镜头、每个镜头拍什么、对应的提示词是什么，一目了然。这份清单就是你接下来的"施工图纸"。我通常长这样：

有了这张表，你会发现整部片子的工作量一下子变得可估、可控了。我自己的习惯是从上到下严格按编号排，后面找素材、剪辑的时候完全不会乱，这个笨办法帮我省了大量返工时间。

一条好用的画面提示词，长什么样

新手写提示词，最常见的毛病是"太笼统"，写个"宇航员开车"，模型只能自由发挥，出来的东西十有八九不是你要的。我自己摸出来的规律是，一条能用的画面提示词，至少要把这几件事交代清楚：主体是谁、在干什么、在什么场景、什么景别、什么运镜、什么光线氛围。缺了哪一项，模型就会在哪一项上自作主张。

我拆一条给你看。假设我要"宇航员驾驶特写"这个镜头，粗糙的写法是"宇航员开车特写"，而我实际会这么写：

景别：特写镜头，聚焦驾驶座
主体：一位年轻的亚裔女宇航员，戴着科技感头盔，面罩下眼神专注坚毅
动作：双手握方向盘，专注地看向前方
场景：车内驾驶舱，窗外类火星红色地貌在飞速掠过
光线氛围：车内仪表光映在脸上，整体偏暗、偏冷，电影质感
比例：16:9

你看，同样是一个镜头，信息量完全不是一个量级。模型拿到这样的提示词，出错的空间就被压得很小了。我的建议是，先按这个"六要素"把每条提示词补全，再谈优化。写多了你会形成肌肉记忆，一句话就能带全要素。

还有个细节：提示词里描述范围的时候，尽量用"到"这个字，别用符号。比如"怪兽的体型是车辆的三分之一到二分之一大小"，比写成一堆符号更利于模型理解，你自己回看也清楚。

一个提效技巧：拿参考视频反推提示词

如果你看到一段别人的片子，觉得某个镜头的运镜、氛围特别对味，想学，有个更快的路子：把这段视频丢进支持视频解析的无限画布平台，让它自动拆解，它会把每个镜头的画面内容、运镜方式、动作、特效氛围都给你列出来，还能转成表格。你也可以用具备多模态能力的大模型来分析视频，让它顺便生成人物形象、场景和每个分镜的动画提示词。

这个方法的价值在于，机器拆出来的提示词，往往比新手自己憋出来的更结构化、更到位。但我要提醒一句：参考是为了学习镜头语言和提示词结构，不是照搬别人的具体画面和独家创意。 学的是"怎么描述一个跟拍运镜"，而不是把人家的分镜整段抄过来。这条线一定要拎清楚。

三、角色、载具、怪兽、场景：把"资产"一次性定死

这一步是整部片子的地基，我愿意在这里花最多的耐心。所谓"资产"，就是会反复出现的东西——主角宇航员、越野车、怪兽、峡谷场景。这些东西如果每个镜头长得都不一样，后面就全乱套了。

生图模型：先搞清楚都有谁

现在能生图的模型不少，我把常用的几类给新手梳理一下，你不用全会，选一两个顺手的就够：

关于境外模型，我统一说明一次：本文提到它们只是帮你理解"图像模型这条赛道大概是什么样、能力边界在哪"，属于科普性质。境外模型的访问与使用需遵守国内网络管理与内容管理的相关规定。 就实际生产而言，国内直连的这几家已经完全够用，省心且稳定，我自己日常主力就是国产模型。

提示词也让大模型帮你写

生角色形象，最省事的办法是让大模型先帮你把提示词写好。比如我要一个中国女宇航员的全身形象，我会把需求告诉DeepSeek：年轻、眼神坚毅、中短发（戴头盔的话高马尾并不合适，这种小细节大模型会帮你想到）、宇航服要有科技感和未来感、机械结构的美学。它会一口气给你好几版提示词，你挑一版顺眼的，再手动微调。

出图之后往往还差点意思，最常见的问题是"太新、太干净，缺乏电影质感"。这时候我会继续让大模型优化提示词，往里加"装甲结构上有细微的刮痕与磨损、厚重的金属拉丝质感、复合纤维肌理"这类描述。一部片子的质感和基调，很大程度上就是靠这些图片素材的质量定下来的，前期图糙了，后面视频再怎么跑也高级不起来。

我把自己常用的"提质感"关键词整理成一张小抄，出图偏塑料、偏廉价的时候，往提示词里挑几个加进去，立竿见影：

要提醒的是，关键词不是堆得越多越好。堆太多，模型反而抓不住重点，画面会花。我一般是先出基础图，看缺什么再针对性地补一两个词，一步步逼近，而不是一口气把词全塞进去。

顺带说人物提示词的迭代逻辑，因为这是新手最容易反复卡住的地方。你会发现第一版形象总差点意思——发型不对、太新、脸太大众。别指望一次到位，正确的姿势是"小步快跑"：每次只改一个点，改发型就单说发型，改质感就单说质感，看一版对比一版。我调一个满意的主角形象，来来回回改七八轮是常事，但每一轮都在明确地往前走，而不是推倒重来。这种"可控的迭代"，比祈祷一次抽中好卡靠谱得多。

这里有一条硬提醒，是我特别想拎出来强调的：涉及国旗、国徽等元素要避开，别往角色服装、道具上加。 这类内容有明确的使用规范，做创作时绕开就好，用中性的配色和图案代替完全不影响效果。

三视图：一致性的命门

想