短视频脚本怎么写？

先算时间预算，再想创意

短视频脚本就是一份带时间的计划：说什么、拍什么、什么时候出现。在抖音、快手、视频号、Reels 或 YouTube Shorts 上，观众一两秒内就决定要不要看下去，整条视频往往还不到一分钟。没有热身的余地，所以先由时长决定脚本，再谈创意。

表达清晰的英文口播，语速通常是每秒约2.5到3个单词。语速快的博主会超过3，平缓的旁白接近2.5。用目标时长乘以这个速度，就得到字数预算。然后再扣掉大约2秒的字数，因为短视频几乎总要留一拍静音给反转、反应或最后一帧。中文口播不要套用英文单词数：自然语速大约每秒4到5个字，30秒的口播约120到150字，扣掉2秒停顿后大约110到140字。最可靠的办法是拿秒表把自己的稿子念一遍。

以30秒为例：30 × 2.5 = 75，30 × 3 = 90。再减去2秒静音（5到6个词），最后落在70到85词左右。如果你的初稿有130词，那它其实是一条45秒的视频，不是30秒。别靠加快语速来硬塞，砍掉一个要点。

真实数字要靠计时朗读来验证。比如 cv.cm 的字数统计工具会给出字数和预估的朗读时长，文字转语音工具则用你设备自带的声音朗读文本，在正式录音或生成之前就能先听到节奏。另外，YouTube Shorts 现在最长可达3分钟，但上限变长不是写长的理由，写出仍能交付回报点的最短版本。

视频开头钩子公式与示例句

视频的钩子就是第一句话加第一个画面。它的任务是让观众产生一个疑问，而整条视频就是答案。钩子许下的承诺如果视频兑现不了，观众只是晚点划走而不是现在划走，所以要说到做到。下面这些公式覆盖了大多数短视频开头：

这句话只是钩子的一半，第一个画面同样重要。在我们用AI生成短视频的测试里，开头第一帧在很大程度上决定了早期的流失：它应该已经是整条视频最好看的一帧，画面明亮，主体的脸完整、有光，而且已经在动或有反应。缓慢的揭示、低头的人影、昏暗的光线、起床式的开场，都会在第一句话说完之前把观众劝退。与其慢慢铺垫，不如把概念放进场景和道具里，开头几秒用近景或中景，让主体占满大半个画面。

短视频的五种结构

一条视频只选一种结构。30秒里混用两种，往往哪一种都落不了地。下面按顺序列出每种结构的段落。

任何结构都用得上两个办法。其一，每隔几秒做一次节奏变化：换镜头、换角度、出现屏幕数字或一个音效，脚本里要标出这些位置。其二，做首尾循环：如果最后一句能接回第一句，继续看的观众就会无缝回到开头，许多人会把视频看上两遍。最简单的循环写法，是让结尾停在半句话上，由开头的钩子把它补完。

一份30秒完整脚本和分镜表

下面是一份完整的“问题—解决”结构竖屏30秒脚本。每个段落都有时间码、口播（VO）、屏幕文字和画面。口播共79个英文单词，落在30秒70到85词的预算内，结尾还留有短暂停顿。

TITLE: Why bread goes stale faster in the fridge
LENGTH: 30 s, 9:16, voiceover + captions

0.0-2.5 s  HOOK
  VO:     You are storing bread in the worst place in your kitchen.
  SCREEN: The fridge = stale bread
  VISUAL: Close-up, hand pulls a loaf out of a bright open fridge, taps it, it sounds hard.

2.5-9.0 s  PROBLEM
  VO:     Cold air does not keep bread fresh. It makes the starch firm up faster,
          so a chilled loaf turns stale in days.
  SCREEN: Cold = faster staling
  VISUAL: Medium shot, loaf cut in half, crumb looks dry, a slice snaps instead of bending.

9.0-19.0 s  FIX
  VO:     Keep the bread you will eat in two days on the counter, in a paper bag or bread box.
          Slice the rest and freeze it.
  SCREEN: 2 days: counter / rest: freezer
  VISUAL: Top shot, bread into a paper bag; cut to slices going into a freezer bag.

19.0-26.5 s  PROOF
  VO:     A frozen slice goes straight into the toaster and tastes close to fresh.
  SCREEN: Freezer -> toaster, no thawing
  VISUAL: Close-up, frozen slice into toaster, pops up golden, butter melts on it.

26.5-30.0 s  PAYOFF + LOOP
  VO:     So next time you reach for the fridge...
  SCREEN: (none)
  VISUAL: Same open fridge as the first frame, hand stops, turns to the bread box.
          Last frame matches the first frame for a clean loop.

留意这份脚本做对了什么。钩子点出了观众很可能犯的错误。问题段只给一个原因，而不是三个。解决办法是两个带数字的具体动作。证明靠画面完成，所以几乎不需要字。最后一句话停在半截，画面又回到开头的冰箱，于是重播一开始，就是上一轮那个问题的答案。

从脚本到分镜表和AI视频提示词

用AI把脚本做成视频，最好自己先转换，不要把整份脚本直接贴进生成器。每个段落变成一个或几个镜头，每个镜头对应一条提示词。我们的分镜提示词指南讲了完整方法，做短视频时，三条规则最关键。

1. 只写摄像机拍得到的东西。视频模型往往把比喻按字面画出来：像“他的话像刀子一样”这种句子，画面里可能真的出现一把刀。口播可以随你怎么有文采，但画面描述要平实：主体、动作、材质、光线、景别。
2. 镜头长度要匹配模型能生成的时长。许多视频模型只支持固定时长，比如整秒数，或者5秒、10秒、15秒这样的档位。规划段落时，要保证它们能从这些时长里剪出来。6.5秒的段落可以从10秒的片段裁出来，却没法由5秒的片段变出来。
3. 先生成钩子镜头，并且对它最苛刻。如果开头第一帧不够明亮、不够近、没有在动，先把它重新生成，再花时间做后面的部分。

下面是示例脚本第一个段落写成的视频提示词：

Vertical 9:16, close-up. A hand opens a brightly lit white fridge and pulls out a loaf of
sourdough bread, then taps the crust twice with a knuckle. The crust looks dry and hard.
Cool white fridge light on the bread, warm kitchen light behind. The camera is static,
slightly below eye level. Duration 3 seconds. No text on screen.

字幕和屏幕文字不要写进视频提示词，留到剪辑软件里再加。模型经常把生成的文字拼错，而且你之后也会想改措辞。提示词结构的通用写法，见我们的视频提示词指南。

用AI视频脚本生成器，怎么写得不千篇一律

ChatGPT、Claude、Gemini、DeepSeek、通义千问（Qwen）这类大模型几秒钟就能起草一份脚本。直接问它，得到的就是人人都有的那一份：含糊的钩子、三条不痛不痒的建议，再加一句“关注我看更多”。解决办法是给它只有你才有的素材，以及它必须遵守的硬性约束。

Write a 30-second vertical video script, 70-85 spoken words.
Structure: problem-solution. Beats with timestamps: hook 0-2.5 s, problem, fix, proof, payoff.
For each beat give: VO line, on-screen text (max 6 words), and one visual a camera could film.
Audience: renters with small kitchens.
Facts to use (do not add others): [paste your notes or source]
My own detail to include: [what you tried and what happened]
Rules: no rhetorical questions after the hook, no "in this video", no "follow for more",
no similes in the visual lines. Give 5 alternative hook lines at the end.

• 喂事实，不要只喂主题。模型会用看似合理的猜测补空白，所以把你的笔记或来源给它，并告诉它不要自行添加论断。
• 加入一个个人细节：你测过的一个数字、犯过的一个错、拍摄过的一个地点。有了这个细节，脚本才是你的。
• 让它多写几条钩子，自己挑一条，再改成你平时真会说的话。
• 把初稿朗读出来。删掉任何你不会对朋友说的句子，以及只为显得高级而存在的词。
• 核对模型保留下来的每一个事实。一份要念给成千上万人听的脚本，不该出现模型编造的统计数字。

常见脚本误区与局限

• 字数太多。这是最常见的问题。如果必须加速口播才塞得下，说明脚本太长。
• 客套开场。“大家好，今天我想聊聊……”会浪费决定观众去留的那两秒。
• 钩子没有兑现。感觉被骗的观众会划走，下一条视频也更不容易刷到你。
• 一个段落塞三个想法。每个段落只承载一个想法和一个画面。
• 没有画面规划。只有口播的脚本，会逼剪辑师或模型自己编画面，往往得到千篇一律的素材库式镜头。
• 忽视留存数据。在 YouTube Studio 里，Shorts 数据会显示有多少观众看过了最初几秒。先比较不同钩子的这个数字，再判断哪种公式适合你的受众。

脚本只是起点。最好的短视频脚本，通常在第一次剪辑后重写，因为那时你能看出哪些台词已被画面讲清楚、可以删掉。如果成片里出现了AI生成的人物或逼真场景，请加上平台的AI标注，各平台的规则见我们的AI内容标注指南。