从一句话想法到一条完整成片 —— 只讲制作,不涉及推广与变现。
工具更新很快,认准"环节"比认准某个工具更重要。每个环节挑 1 个顺手的用熟即可。下表中的工具名均可点击直达官网,详细用法见第六节。
| 环节 | 做什么 | 主流选择(点击进官网) |
|---|---|---|
| 剧本 / 分镜 | 写大纲、台词、镜头表、提示词 | DeepSeek、豆包、Kimi、通义千问 |
| 文生图(关键帧) | 生成角色图、场景图、封面 | 即梦、Midjourney、Seedream、Flux |
| 图生视频 / 文生视频 | 把静态画面变成动态片段 | 可灵、即梦/Seedance、海螺、Vidu、Runway、Pika、Sora、Veo |
| 配音(TTS) | 旁白、角色对白 | 剪映 AI 配音、ElevenLabs、火山引擎 |
| 音乐 / 音效 | BGM、氛围音、音效 | Suno、Udio、剪映素材库 |
| 口型同步 | 让人物嘴型对上台词 | 剪映、可灵对口型、HeyGen |
| 数字人口播 | 不出镜的讲解 / 口播 | HeyGen、剪映数字人、魔珐 |
| 剪辑 / 字幕 | 拼接、卡点、字幕、调色、导出 | 剪映 / CapCut、Premiere、达芬奇 |
| 画质增强 | 放大到 4K、补帧到 60fps | Topaz Video AI |
✗ 差:一个人在海边走路。
✓ 好:一位穿白色长裙的年轻女性,在金色沙滩上缓慢行走,海风吹动裙摆和发丝,日落暖金色光线,电影感,慢镜头推进,4K 画质。
要点:不是越长越好,而是越精准越好;至少覆盖"主体 + 场景 + 光线 + 画质";把景别和运镜方式也写进去(推 / 拉 / 摇 / 跟 / 环绕)。图生视频时,提示词主要描述"怎么动"和"镜头怎么走"。
适合:口播、产品展示、氛围短片、创意片段。目标是做出一条十几秒到一分钟的成片。
把分镜描述逐条输入文生图工具,每个镜头出 3-4 张,挑最好的一张。风格、色调、比例在这里就固定下来。
用 TTS 把文案转成语音(剪映 AI 配音可直接自动对齐画面时长)。再铺 BGM 和转场音效——纯画面没有"魂",配好声音立马高一档。
适合:竖屏剧情短剧。本质不是"影视作品",而是"每 3 秒一个冲突、每集结尾留钩子"的强节奏内容产品。新手建议从 3-5 集、每集 1-2 分钟起步。
先定三件事:题材、集数、单集时长。新手优先选画面难度低、受众广的题材(都市逆袭、甜宠反转、轻悬疑、志怪),避开高门槛冷门题材。明确核心冲突和情感基调(爱情/悬疑/惊悚/喜剧,别中立)。
为每个主要角色生成并锁定参考图:面部、体型、服装风格、关键表情。再定 2-3 张核心场景图作风格锚点。后续所有分镜都基于这套固定资产生成,全剧视觉才统一。
把每场戏拆成镜头清单,逐镜头(不是逐场景)写清:景别、机位、人物站位与动作、表情、场景、光线、运镜、情绪基调。每 3-5 秒一个镜头,台词配合节奏。
先用文生图出关键帧,再用图生视频做动态化,逐镜头产出素材。配音统一音色(同一角色全片一个声音),配好情绪参数,用口型同步技术把对白对齐到画面。
按分镜顺序组接,核心原则是"不留废话"——任何不推动剧情的镜头全剪掉。统一调色,用语音识别自动生成大字幕(适配静音刷看),卡准开头 3 秒和反转点,加转场音效后导出。
没有工具能替代逐环节的手动调试。真正靠谱的是"分步生成 → 手动整合"。
会变脸。先锁定角色参考图/资产,再批量生成所有分镜。
单条先做 5-10 秒跑通流程,低分辨率试错,关键镜头再提画质。
短剧要"快、碎、燃":每 3-5 秒一个镜头,全程高能,字幕够大。
工具更新极快,一次改版可能让旧素材作废。先跑通流程,别深度绑定单一工具。
明星脸、品牌 logo、受版权音乐都可能惹纠纷,商用前逐一核查。
下面按制作环节整理每个工具的官网直达和图文式操作步骤,并附上 B 站视频教程检索入口(用关键词搜到最新实操视频,比固定链接更耐失效)。界面会随版本更新,步骤以通用逻辑为准。
适用工具:大模型对话。目标是产出「完整脚本 + 逐镜头分镜表」。
打开任一官网,用手机号 / 微信扫码登录,进入对话页面。
新开一个对话,把手册里的口令示例粘进输入框,将 {主题} 换成你的真实主题后发送。
拿到脚本后继续追问:「请把第 2 段拆成分镜表,列出画面主体 / 动作 / 景别 / 时长 / 台词」。
对不满意的镜头单独追问「把第 3 个镜头改成更紧张的氛围」,逐条打磨。
把最终脚本和分镜表复制到文档,按镜头编号整理好,作为后续每一步的施工图纸。
适用工具:AI 作图平台。目标是把分镜描述变成高质量、风格统一的静态画面。
登录即梦,进入「AI 作图」,选择模型;先定画面比例(竖屏 9:16 / 横屏 16:9)。
用万能公式写提示词:主体 + 动作 + 场景 + 风格 + 运镜 + 光线 + 画质,参考手册中的"好"例句。
同一条描述一次生成 3-4 张,挑构图和人物最好看的一张。
用「局部重绘 / 编辑」修掉手指、文字崩坏;不满意的元素框选后重新生成。
短剧务必先生成角色参考图并锁定,后续所有镜头都引用它,保证不换脸。
下载原图(尽量选高清),这就是下一步「图生视频」的首帧素材。
适用工具:视频生成平台。目标是把关键帧延展成 5-10 秒的动态镜头。
进入「图生视频」,上传上一步挑好的关键帧作为首帧。
写运动描述,只说"怎么动"和"镜头怎么走",如「镜头缓慢推进,人物微笑转头」,不要重写主体外观。
设置时长(5-10 秒)和比例(与原图一致),可加运镜控制(推 / 拉 / 摇 / 跟)。
生成多条备选,挑动作自然、不变形的一条;不够长就用「延长 / Extend」往后接。
同一角色的多个镜头尽量在同一工具、同一参考图下生成,减少画质和长相漂移。
下载素材,按镜头编号命名归档,方便剪辑时按顺序导入。
适用工具:剪辑软件内置配音 / 专业语音平台。目标是把文案变成自然、情绪合适的语音。
在剪映新建项目并导入画面,点「音频 → 文字转语音」。
粘贴旁白文案,挑选音色(年龄 / 情绪 / 语速),先试听再生成。
生成后把音频拖到时间线,按画面时长微调语速或裁剪,让声音和镜头对齐。
追求更自然的英文/多语种音色可用 ElevenLabs,生成后下载音频导入剪映。
短剧同一角色全片固定同一个音色,避免情绪和声音前后不一致。
适用工具:AI 音乐平台 / 剪辑软件素材库。目标是做出有"魂"的听觉层次。
打开 Suno,登录后点 Create,选 Custom 模式。
填风格词(如 cinematic、upbeat、紧张),纯音乐勾选 Instrumental;有歌词就粘贴歌词。
生成后试听,挑一段最贴合情绪的,注意商用版权范围。
导入剪映作为 BGM,音量降到约 -18dB,别盖过人声。
在转场、卡点处加少量音效(whoosh、点击),节奏感立刻提升。
适用工具:剪辑软件 / 数字人平台的对口型功能。目标是让人物说话自然不违和。
准备一段人物正脸、光线均匀的视频(或一张清晰正脸照)。
在可灵 / HeyGen 找到「对口型 / Lip Sync」,上传视频或照片。
上传已录好的配音音频,或输入台词让平台朗读。
生成后逐句检查嘴型与台词是否对齐,尤其注意闭口音和结尾。
导出后导入剪映,和画面、字幕做最终对齐。
适用工具:数字人视频平台。目标是输入文案就生成一段真人般的主播视频。
注册登录平台,从形象库挑一个数字人,或上传照片/视频克隆自己的形象与音色。
粘贴口播文案,选择音色和语言(HeyGen 支持多语种翻译口播)。
设置形象在画面中的位置、背景和比例(竖屏 9:16)。
生成后检查口型、动作和停顿是否自然,必要时拆分文案分段生成。
导出视频,导入剪映加字幕和包装。免费版常带水印,商用前确认授权。
适用工具:剪辑软件。目标是按节奏组接素材、加字幕调色并导出。
新建项目,按比例建画布(竖屏 9:16 / 横屏 16:9),按分镜顺序导入所有素材。
粗剪:删掉所有不推动剧情的废镜头,短剧每 3-5 秒一个镜头。
点「文字 → 识别字幕」自动生成字幕,再逐句校对错字,字号放大适配静音刷看。
按音乐节拍卡点、加转场;用滤镜和调节统一全片色调。
导出 MP4、1080P、24-30fps;发布前再过一遍"交付前清单"。
适用工具:AI 视频增强软件。建议只用在关键镜头,别全程处理以免耗时。
安装并打开 Topaz Video AI,导入需要增强的镜头片段。
选择增强模型(如 Proteus / Iris 用于去噪修复,Theia 用于补帧)。
设置放大倍数(如 1080P→4K)和目标帧率(60fps)。
截取一小段预览效果,确认没有伪影后再处理整段。
导出后替换回剪辑工程,重新检查音画同步。
说明:以上均为各工具官方网址;视频教程采用 B 站关键词检索,可随时看到最新实操内容。工具界面与免费额度以官方最新说明为准。