AI短视频制作流程：怎么用AI做抖音、Shorts和Reels

15–60秒竖屏视频的制作流程

无论是抖音、TikTok、Instagram Reels、YouTube Shorts，还是快手、小红书和视频号，短视频看重的东西都差不多：强有力的开头、没有一秒废镜头、清晰的结尾回报。AI工具能加速中间的制作环节，但开头和结尾的决策仍然要你来做。

脚本和配音环节各有单独的指南，请看短视频脚本、AI配音和自动字幕。本页重点讲各环节怎么衔接，以及什么能让短视频抓住注意力。

前1–3秒决定后面的一切

我们的测试显示，对早期流失影响最大的是开头那一帧，比后面任何内容都大。第一帧应该已经是整条视频里最好看的一帧：画面明亮，人脸完整、有光，主体已经在动或在笑，用近景或中景，让主体占满大部分屏幕。

实践中容易流失观众的开头有：慢慢揭晓、低着头的脸、黑暗的房间、被遮住一半的脸、Logo卡片，或者靠“醒来”来解释概念的开场。应该把概念放进道具和场景里。比如视频讲的是雨天食谱，就从雨窗边冒着热气的碗开始，而不是从某人走进厨房开始。

再配上一句做出具体承诺或指出具体问题的开场白，比如“这是养活罗勒最省钱的办法”或“三个设置，修好手机拍糊的照片”。台词和画面应该讲同一件事。

画面、配音、字幕和BGM

• 围绕模型支持的时长来规划镜头。很多模型只支持整秒数，或5秒、10秒、15秒这样的档位。30秒的短视频常常是六个5秒镜头，或三个10秒镜头。
• 每个角色用一张参考图，并把每张新图都与它对照检查：服装、手、配饰、发型、颜色和身高。图像编辑工具可能改动你没要求改的细节，视频模型随后会把这个错误带进每一帧。
• 只写镜头能拍到的东西。视频模型会把比喻当真画出来，所以“山像水墨画”可能把真实的背景变成一张平面插画。
• 在最终剪辑之前先录好或生成好配音，这样是画面配合声音来剪，而不是反过来。
• 字幕要简短、高对比度，并避开底部和右侧边缘，那里是平台放按钮和文案的位置。安全区请参见我们的竖屏视频尺寸指南。
• 音乐时长要与视频时长一致。分段生成时，每一段的音频要自己裁好，不要让模型随便截取一段。

如果模型生成或重新渲染了音轨，音乐可能会晚起一点。我们测到过大约1秒的偏移，而画面动作基本按提示词的时间走。判断对不对齐之前，先把原始音频换回生成的片段上：

ffmpeg -i gen.mp4 -i song.mp3 -map 0:v:0 -map 1:a:0 -c:v copy -c:a aac -shortest synced.mp4

生成的片段常常只有720p，或者偏软的1080p。放大要在剪辑之后，不要在剪辑之前，并且只保留一个母版导出文件。每次在社交App重新上传、重新转码，都会增加压缩痕迹。

完播率：循环和节奏打断

短视频App会先把你的视频推给一小批人，如果大家看完、重复观看或分享，再扩大推荐范围。以下几个剪辑习惯在实践中很有用：

• 每2–4秒就让屏幕上变一点东西：换镜头、推近、出现字幕、有物体进入画面。同一个镜头静止超过这个时间，在手机上往往显得拖沓。
• 回报放后面，但承诺要早给。“最后一个一定要看”，前提是最后一个真的是最好的。
• 做成循环：让最后一帧衔接回第一帧，重播时就像没有断开。一句话从结尾开始、在开头讲完，也是同样的效果。
• 把配音里的每个停顿都剪掉。长视频里无所谓的沉默，放到短视频里就像出错了。
• 在回报点结束，而不是以再见或Logo卡片收尾。观众都是在说再见时离开的。

实例：30秒AI短视频

下面这份分镜是一条30秒的科普视频，讲猫为什么总把东西从桌上推下去。它由同一张角色图生成的一只卡通猫，共六个5秒的AI镜头、约80个词的口播，以及结尾的循环组成。

0-5 s   SHOT 1 close-up: orange cat on a kitchen counter, paw already pushing a cup
        toward the edge, bright morning light. Cup falls off frame at 4 s.
        VO: "Your cat is not being rude. It is running an experiment."
5-10 s  SHOT 2 medium: cat watches the floor, ears forward.
        VO: "Cats are hunters. A paw tap tests whether something is alive."
10-15 s SHOT 3 close-up: paw taps a pen three times, pen rolls.
        VO: "If it moves, it is interesting. If it falls, even better."
15-20 s SHOT 4 medium: cat looks at the camera, then at an empty bowl.
        VO: "It also works on you. You came running, didn't you?"
20-25 s SHOT 5 wide: owner's hand fills the bowl, cat ignores it, looks at a glass.
        VO: "The fix: give it toys that move, and keep glasses away from edges."
25-30 s SHOT 6 close-up: paw rests next to a new cup at the counter edge.
        VO: "Because tomorrow, the experiment starts again..."
        (last frame matches the first frame for a clean loop)

Captions: 3-5 words per line, upper middle of the frame.
Music: light pizzicato loop cut to exactly 30 s, -18 dB under the voice.

第一帧里猫和杯子已经在动，所以没有缓慢的铺垫。每个镜头只有一个动作，每句口播大约对应一个镜头的长度。

批量制作系列视频

做系列比做零散的单条更容易涨粉，因为观众知道下一集会看到什么。批量制作最省时间的做法是复用结构和素材，而不是复用内容。

1. 固定形式：时长、节奏结构、字幕样式、音乐风格、封面版式。
2. 把可复用的素材一次做好：角色设定图、背景底图、片头音效。
3. 一次写出五到十条脚本，每条都有自己的事实或故事。
4. 先生成所有首帧，对照角色设定图检查，再把视频镜头一起排队生成。
5. 从模板工程开始剪辑，但每次都要更换开头钩子、镜头和结尾回报。

发布检查清单和数据复盘

各平台的限制会变化，开始一个系列之前，请在各个App里再核对一遍。以下几点是在撰写时（2026年11月）按官方页面核实过的：

看数据时，要看留存曲线，而不是只看播放量。自2026年8月24日起，YouTube在视频开始播放的那一刻就计为一次观看，所以播放量高、有效观看少，通常说明开头几秒不管用。找到曲线下降最厉害的那一秒，回看那个时刻，下一条视频只改一处：第一帧、第一句话，或者时长。标识规则的更多细节，请参见我们的AI内容标识指南。