这篇教程能做出什么
照着走完一遍，你会得到一条 30～60 秒的竖屏短视频：画面来自 AI 生视频工具，脚本由 AI 辅助起草，粗剪靠改字幕完成（而不是在时间线上拖来拖去），配乐自动对齐节拍，最后统一包装并导出。同时你会留下一套可复用的目录结构、提示词模板和导出检查清单，下次换素材和文案就能再产一条。
具体例子：做一条「三个方法让会议少开一半」的口播短视频，手上有 3 段 AI 生成画面（每段约 5 秒）、一份约 40 秒的口播文案、一首 120 BPM 的背景音乐。整条片子拆成七步，其中第 4 步（自然语言粗剪）和第 5 步（卡点）是效率差别最大的环节。
一个重要的心理准备：AI 生成的视频片段通常只有几秒，且首尾常有轻微形变或抖动，不要指望一次生成就能直接用。真正省时间的做法是「多生成、快筛选、统一规格、再进剪辑」，而不是在剪辑软件里反复微调单条素材。
前置条件清单
开始之前把下面这些准备好，后面会顺很多：
- 剪映客户端：桌面版与移动版的功能位置和名称不完全一致，以官方当前版本为准。AI 相关功能大多需要登录账号，云端生成类能力通常有额度或队列限制，具体以官方页面说明为准。
- AI 生视频工具产出的素材：建议统一导出为 mp4、竖屏 1080×1920、固定帧率（如 30fps）。不同工具默认分辨率不同，先统一再剪。
- 一段可商用的背景音乐：优先选择节奏清晰的曲子，鼓点明显更容易踩准。
- 一份纯文本脚本：白话口播稿即可，不用写得像分镜脚本。
- 可选的命令行工具：
ffmpeg/ffprobe，用来批量统一素材规格、校验导出结果。没有也不影响主流程，只是批量处理时会慢一些。 - 磁盘与网络：AI 生成和云端合成会吃带宽与空间，预留出素材体积 3 倍左右的空余磁盘。
分步骤操作
第 1 步：建立工程目录，把「生视频」的产出收纳进来
先固定目录结构，后面所有操作都围绕它走。这样便于批量处理，也方便换机器时直接拷走。
```bash
mkdir -p ~/video_project/{raw,clips,audio,subs,export}
```
raw/：生视频工具下载的原始文件clips/：转码统一规格后的可用片段audio/：配音与背景音乐subs/：字幕文件export/：成片
接着批量统一规格。这一步的意义是：让后续所有片段分辨率、帧率、像素格式一致，避免导出时出现黑边、变速、音画不同步。下面命令会把任意尺寸的横竖屏素材裁成竖屏 1080×1920、30fps，并去掉原声（AI 生成片段的自带音效通常没用）：
```bash
cd ~/video_project
for f in raw/*.mp4; do
ffmpeg -y -i "$f" \
-vf "scale=1080:1920:force_original_aspect_ratio=increase,crop=1080:1920,fps=30" \
-c:v libx264 -preset medium -crf 20 -pix_fmt yuv420p -an \
"clips/$(basename "$f")"
done
```
顺手检查一下每条素材的真实时长，方便后面分配镜头：
```bash
for f in clips/*.mp4; do
echo -n "$f "
ffprobe -v error -show_entries format=duration -of csv=p=0 "$f"
done
```
第 2 步：把文案写成「生视频提示词 + 口播稿」两栏
AI 生视频的提示词结构建议固定成六要素：主体 + 动作 + 镜头 + 光线 + 风格 + 时长。写死结构的好处是，同一个产品换不同卖点时，只需要替换主体和动作。
```text
[镜头1] 主体：一杯手冲咖啡在木质桌面上
动作：蒸汽缓慢升起
镜头：微距特写，缓慢推进
光线：清晨侧逆光，暖色调
风格：写实，浅景深
时长：5 秒
```
口播稿按「钩子 → 三个要点 → 收束」写，每段控制在两句话以内，方便后面卡点对齐：
```text
00-03s 钩子：一周开九个会，真正有用的可能只有两个。
03-15s 要点一：开会前先发一页纸，把结论写在最上面。
15-27s 要点二：只邀请能拍板的人，旁听改成会后看纪要。
27-39s 要点三：散会前定下责任人和时间点，没定就不散。
39-45s 收束：会议不是流程，是解决问题的工具。
```
第 3 步：先用「文字成片」拿到一条带字幕和配音的骨架
把口播稿贴进剪映的文字成片 / 图文成片入口，让工具先基于文案生成一版带配音、带字幕的时间线。这一版画面通常不理想，没关系——你要的是骨架：时间轴长度、断句位置、字幕轨道、配音节奏都已经就位。
拿到骨架后，把自动匹配的画面逐段替换成第 1 步整理好的 clips/ 素材。替换比从零搭建快得多，因为字幕与配音的对齐关系已经建立。
如果不用文字成片，也可以手动新建项目后依次导入：配音音频 → 智能字幕 → 再铺画面。顺序很重要：先音后画，剪辑节奏才跟着语言走。
第 4 步：自然语言粗剪——改字幕就等于改视频
这是整个流程里体感差异最大的一步。核心思路是：把剪辑动作从「拖时间轴」换成「改文字」。
做法一，用「智能剪口播」类功能：导入口播音频后开启识别，工具会标出停顿、重复、语气词（「嗯」「那个」「就是说」），一键删除并自动闭合画面。适合录制时状态一般、需要大量去水词的情况。
做法二，手动但更可控：在字幕面板直接删掉不要的那一行文字，对应的视频和音频片段会一起被删掉。比如发现第 3 句话啰嗦，删掉那行字幕即可，不用去时间轴上找切点。
做法三，批量处理：把识别出的字幕导出成 SRT，在文本编辑器里集中删改，再导回剪映。
```srt
1
00:00:00,000 --> 00:00:03,000
一周开九个会
2
00:00:03,000 --> 00:00:07,500
真正有用的可能只有两个
3
00:00:07,500 --> 00:00:12,000
开会前先发一页纸
```
两个实用技巧：
1. 先锁配音，再删字幕。删字幕会连带裁音频，如果配音还没定稿，会反复裁出毛边。
2. 保留半秒呼吸感。全删干净会显得急促，句与句之间留 0.2～0.5 秒的空白更自然。
第 5 步：卡点——让画面切换落在鼓点上
剪映里有「自动踩点」类功能，导入音乐后会生成节拍标记，把画面切点吸附上去即可。功能名称与位置以官方当前版本为准。
如果没有自动踩点，或者踩出来的点不够准，用 BPM 手算也很够用。公式是：一拍秒数 = 60 ÷ BPM。
```python
bpm = 120
beat = 60 / bpm # 0.5 秒一拍
bars = 16
for i in range(bars * 4):
print(f"第 {i+1:>2} 个拍点: {i * beat:.2f}s")
```
拿到拍点列表后，在音乐轨道上手动打标记，再把每个镜头的切换对齐到强拍。经验法则：
- 强拍（每小节第一拍）放转场或画面切换，冲击感更强。
- 弱拍放字幕出现、花字弹出，避免和画面切换抢注意力。
- 一个镜头跨 2 拍还是 4 拍，取决于它承载的信息量。上面 40 秒文案配 120 BPM，大致能铺 40 个左右拍点，3～5 个镜头完全够分。
如果音乐节奏始终对不上，先确认音乐文件没有被变速过——变速后的音频在时间轴上会累积误差。
第 6 步：AI 包装，让整条片子看起来是「一套」
统一性比花哨更重要。建议只做四件事，并且全片只用一套：
1. 字幕样式：一种字体、一个字号、一个描边色。竖屏字幕建议放在画面下方约 1/5 高度处，避开平台 UI 遮挡区。
2. 配音音色：全片只用一个人声。换音色等于换人格，观众会出戏。
3. 转场：主转场用一种（如叠化或推拉），只在章节切换时用第二种。
4. 调色：套同一个预设或同一组参数，AI 生成素材之间色温差异往往比实拍更大。
如果时间紧，可以用一键成片类功能先出一版，再逐项替换不满意的部分。它适合做草稿，不适合直接导出。
第 7 步：导出与校验
导出参数建议：竖屏 1080×1920、30fps、H.264 编码，码率落在平台建议区间内（较常见的区间在 8～12 Mbps 附近，具体以目标平台的上传建议为准）。导出完成后用 ffprobe 校验一下实际参数，避免出现「导出设置是 1080p、实际文件却是别的尺寸」这种问题：
```bash
ffprobe -v error \
-show_entries stream=codec_name,width,height,r_frame_rate,nb_frames \
-show_entries format=duration,bit_rate \
-of default=noprint_wrappers=1 \
export/final.mp4
```
导出自检清单：
- 首帧不是黑场或模糊过渡帧
- 字幕没有超出安全区，也没有被平台按钮遮住
- 全程音量平稳，背景音乐没有盖过人声
- 结尾有明确收束（一句话或一个定格），不要突然掐断
- 文件体积在平台上传限制内
常见坑与排错
| 现象 | 可能原因 | 处理方式 |
|---|---|---|
| 导出后画面有黑边 | 素材比例不统一 | 回到第 1 步批量转码，统一 1080×1920 |
| 音画不同步、越到后面越偏 | 素材帧率不一致被自动变速 | 用 ffprobe 检查帧率，重转码为同一帧率 |
| 卡点总是差半拍 | 音乐被变速，或自动踩点识别的是弱拍 | 关闭变速，改用手算拍点 |
| 字幕识别错专业词 | 专有名词未进词典 | 识别后集中替换，剪映里可批量查找替换 |
| AI 生成片段首尾抖动 | 生成模型常见现象 | 每条素材首尾各裁 3～5 帧，或加轻微缩放动画掩盖 |
| 导出文件比预览糊 | 码率过低或二次压缩 | 提高导出码率，避免用第三方工具再压一遍 |
| 云端功能排队慢、提示额度不足 | 账号额度或并发限制 | 以官方页面说明为准，错峰使用或改用本地功能 |
| 替换素材后字幕错位 | 素材时长与原片段不同 | 先替换素材，再统一微调字幕时间轴 |
排错通用顺序：先看素材规格 → 再看时间轴对齐 → 最后看导出参数。多数「剪映有问题」其实出在素材本身。
下一步建议
1. 把提示词和脚本做成表格。一行一个镜头，列固定为「镜头号 / 提示词 / 计划时长 / 对应文案」。填表比现场想快得多，也方便交给别人执行。
2. 沉淀个人素材库。把每次生成的多余片段按主题归档，下次做同类内容直接调用，减少生成等待。
3. 模板化包装。把字幕样式、转场、调色参数存成草稿模板，新项目从模板复制，跳过第 6 步的大部分手工操作。
4. 用数据回流优化前 3 秒。发布后重点看前 3 秒的留存，把表现好的钩子句式记录下来，替换掉效果差的。
5. 尝试批量化。当单条流程跑顺后，把文案、素材、导出目录按编号扩展，用相同的步骤串行处理多条，把重复操作集中到一次完成。
整条链路的关键不在于某个 AI 按钮有多强，而在于把「生成 → 筛选 → 统一规格 → 文字驱动粗剪 → 卡点 → 统一包装 → 校验导出」固定成一套可重复的流程。流程稳定之后，单条视频的制作时间会明显下降。