我用 AI 做一条视频的完整流程
全流程
- 脚本——写大纲，再用 AI 扩成逐句口播稿
- 画面——分镜描述转成图片生成提示词
- 配音——TTS 生成，逐句对齐时间轴
- 剪辑——按时间轴拼画面与音频
- 字幕——自动识别后人工校对
每一步的关键
脚本：口播稿要自己读一遍。AI 写出来的句子书面感太重，读起来别扭。读不顺的地方直接改，不要指望配音能救。
画面：同一个分镜生成 4–6 张再挑。第一张几乎总是不对的。
配音：语速比你想的更重要。定下来之后所有句子都要用同一个语速参数，否则拼接处会有明显跳变。
踩过的坑
- 音频采样率不一致：TTS 输出 24k，背景音乐 44.1k，混轨后爆音。统一成 48k 才解决。
- 画面比例：生成时按 16:9，剪辑时又裁成 9:16，结果主体被切掉。生成前就要定死比例。
- 字幕时间轴：自动识别对停顿的判断很差，长句会被拆碎，必须手动合。
耗时
一条 3 分钟的视频，熟练后约 4 小时。其中剪辑占一半。