新手做 AI 短视频不再抓瞎：灵感→提示词→分镜→生成→剪辑 五步工作流详解
适合人群：想做 AI 短视频、但一打开工具就不知道写什么、生成出来的片段东拼西凑不成片的新手。
一、为什么你做的 AI 视频总是"不成片"
很多人第一次玩 AI 视频，流程是这样的：打开某个视频生成工具，脑子里想到什么就写什么，生成一段 5 秒的视频，觉得挺酷，再写一段，又生成一段......最后得到一堆风格不一、角色对不上、比例还不统一的片段，根本剪不成一个完整的作品。
问题不在工具，而在缺少工作流 。X 上 @sperkhq 最近发了一篇"新手如何更轻松地做 AI 视频"的长帖，获得 100+ 点赞、40+ 转发、80+ 收藏。核心观点很简单：你不需要精通 AI，只需要一套正确的流程------灵感 → ChatGPT → 分镜 → AI 生成 → 剪辑。
本文在这个思路的基础上，补充了更多可操作的细节、提示词模板和避坑经验，带你从零做出第一条完整的 AI 短视频。
二、准备工作
- 灵感来源：Pinterest、小红书、抖音、B 站、电影截图都可以。
- AI 助手：ChatGPT、Gemini、Claude、Grok 任选一个，用来写提示词和分镜。
- AI 视频生成工具：原帖提到的有 Google Flow、Gemini / Veo、Grok、Higgsfield、Seedance、CapCut 等。不同工具的可用地区、价格和额度不同，请以各自官网为准。
- 剪辑软件：剪映 / CapCut，或任何你熟悉的剪辑工具。
三、保姆级五步工作流
第 1 步：找灵感，但不要照抄
在 Pinterest 或其他平台上搜索你想要的风格，比如"赛博朋克雨夜""日系胶片""极简产品广告"。重点关注这几样东西：
- 场景和环境；
- 人物造型和姿势；
- 镜头角度（俯拍、仰拍、特写、远景）；
- 光线和色调；
- 转场方式。
原帖特别强调：目标不是复制你看到的一切，而是挑出你喜欢的元素，和自己的想法组合起来，做出原创作品。 另外也要注意版权，不要直接把别人的作品当作素材商用。
建议建一个"灵感文件夹"，把截图按主题归类，后面写提示词时会用到。
第 2 步：让 AI 助手把画面"翻译"成提示词
很多新手写不出好提示词，是因为不知道该描述哪些细节。这一步交给 AI 助手：上传你的参考图，或者用文字/语音描述你想要的画面，然后发送：
请仔细描述这张参考图的关键要素：环境、人物位置、镜头角度、光线、
画面中的运动、整体氛围。
然后基于这些描述，帮我写一段用于 AI 视频生成的英文提示词，
要求：一个镜头、时长约 5 秒、明确写出镜头运动方式。如果你有固定的角色，一定要加上一句：
请在提示词中强调保持角色的身份特征不变：脸型、发型、体型、服装，
不要做不必要的改动。原帖还提到一个省力小技巧：可以直接用语音把想法讲给 AI 听，不用一个字一个字打。
第 3 步：做分镜（Storyboard），这是最关键的一步
不要一上来就想生成一整条视频。先把视频拆成几个小场景，例如一条 16 秒的短视频：
| 镜头 | 时长 | 内容 | 景别/运镜 |
|---|---|---|---|
| 1 | 3 秒 | 雨夜街道全景，霓虹灯倒映在水洼里 | 远景，缓慢推进 |
| 2 | 4 秒 | 主角撑伞走入画面 | 中景，跟拍 |
| 3 | 5 秒 | 主角抬头看向一家亮着灯的小店 | 近景，轻微仰拍 |
| 4 | 4 秒 | 推门进店，暖光洒出 | 特写到中景 |
然后让 AI 助手帮你为每个镜头写一条提示词：
下面是我的分镜表（粘贴表格）。请为每个镜头分别写一条英文视频提示词，
要求：所有镜头保持同一个角色、同一种视觉风格（电影感、冷暖对比）、
同一个画面比例 9:16。分镜的好处有两个：一是每段都短，生成失败了只需要重做那一段；二是风格、角色、比例从一开始就统一了，后期剪辑会非常顺。
第 4 步：选对画面比例和分辨率
这一步新手最容易忽略。原帖给出的建议是按发布平台来定：
- 竖屏短视频（抖音、视频号、Reels、Shorts）：9:16，常用 1080 × 1920；
- 横屏（B 站、YouTube、电影感作品）：16:9，常用 1920 × 1080；
- 方形内容：1:1，常用 1080 × 1080。
所有镜头必须用同一个比例，否则后期要么裁切画面，要么出现黑边。
第 5 步：逐镜头生成，再统一剪辑
- 把每个镜头的提示词依次放进你选择的 AI 视频工具生成。每个镜头可以多生成几个版本，挑最好的。
- 如果工具支持参考图或起始帧（比如 Google Flow 的 Ingredients、起始帧功能），尽量使用同一组角色参考图，一致性会好很多。
- 把选好的片段按分镜顺序导入剪映 / CapCut，加上文字、音效、背景音乐、转场，最后检查导出的比例是否正确。
完整流程就是：灵感 → 提示词 → 分镜 → 生成 → 剪辑。 你给 AI 的方向越清楚，最终成片就越可控。
补充：一条好的视频提示词长什么样
很多同学问："为什么同样的画面，别人生成出来很有电影感，我的却像幻灯片？"答案往往藏在提示词的结构里。一条好的视频提示词，通常包含以下六个要素：
- 主体：谁或什么在画面里，比如"一位撑黑色雨伞的年轻女性"。
- 动作：主体在做什么，要具体，比如"缓慢走过积水的街道，停下脚步抬头看"。
- 环境：在哪里、什么时间，比如"深夜的老城区小巷，两侧是亮着霓虹招牌的小店"。
- 镜头：景别和运镜方式，比如"中景，镜头从背后缓慢跟随"。
- 光线与色调：比如"冷蓝色环境光与暖橙色招牌光形成对比"。
- 风格：比如"电影感、浅景深、胶片颗粒"。
拿一个"差提示词"和"好提示词"对比一下：
- 差："一个女孩在雨中走路。"
- 好："中景，镜头从背后缓慢跟随一位撑黑色雨伞的年轻女性，她走过积水的老城区小巷，霓虹招牌的暖光倒映在水面上，冷暖色调对比，电影感，浅景深。"
后者信息量大得多，模型就不需要"自由发挥"，结果自然更可控。实际使用时，你可以让 AI 助手按照这六个要素检查你的提示词，缺什么补什么。
另外一个经验是：一个镜头只放一个主要动作。如果你在一条提示词里同时写"走路、回头、挥手、开门"，模型很可能顾此失彼，画面也容易变形。把复杂的动作拆到多个镜头里，再靠剪辑连接起来，效果通常更好。
最后，别忘了给每个镜头的提示词编号并保存好。当某个镜头需要重做时，你只要找到对应编号的提示词微调即可，不用从头回忆当时是怎么写的。这个小习惯能帮你在后期修改时节省大量时间。
四、常见问题 FAQ
Q1：每个镜头里的角色长得不一样怎么办？
优先使用工具的"参考图/角色素材"功能，并在每条提示词中使用同样的角色称呼；不要在提示词里反复改写外貌描述。
Q2：生成的视频动作很僵硬或者画面变形？
把动作写得简单一些，一个镜头只做一件事；时长不要贪长；多生成几个版本挑选。
Q3：背景音乐能随便用吗？
不能。请使用剪辑软件自带的可商用曲库、免版税音乐，或者你拥有授权的音乐。
Q4：发布时需要标注 AI 生成吗？
许多平台对 AI 生成内容有标注要求，请按照发布平台的规则进行标注。
Q5：哪个视频工具最好？
没有标准答案。原帖的建议是多尝试，看哪个最适合你的风格。可以用同一条提示词在两三个工具里各生成一次，对比之后再决定主力工具。
五、实用小技巧
- 先做 15 秒以内的作品：短视频节奏快，也更容易保持一致性，适合练手。
- 建立提示词模板：把"风格 + 比例 + 角色描述"固定成模板，每次只替换镜头内容。
- 声音占一半体验：好的音效和音乐能极大提升观感，别忽视后期。
- 记录参数：每次满意的生成，都记录使用的工具、提示词和设置，方便复用。
- 保持原创：参考可以，搬运不行。把自己的想法放进去，作品才有辨识度。
六、实战小作业：做一条"城市的一分钟"
学完流程，给大家布置一个小作业：用 4 个镜头拍一条"我所在城市的清晨"。
- 镜头 1：天际线远景，太阳刚升起；
- 镜头 2：早餐店热气腾腾的特写；
- 镜头 3：地铁站人流的中景；
- 镜头 4：主角咬一口包子、看向镜头微笑。
按照五步流程走一遍，你会对"分镜先行"的价值有非常直观的体会。做完后回头看看哪一步最耗时间，下一次就重点优化那一步。
七、总结
做 AI 视频，真正决定成片质量的不是你用了多贵的工具，而是你在生成之前做了多少准备。找对参考、写好提示词、拆好分镜、统一比例，再交给 AI 和剪辑软件，你会发现做出一条完整、好看的 AI 短视频并没有想象中那么难。
参考资料
- X 原帖（@sperkhq）：https://x.com/sperkhq/status/2108234173282394128
- Google Flow 帮助：Create videos in Google Flow：https://support.google.com/flow/answer/16353334
- Google Flow 帮助：Edit videos & build scenes in Google Flow：https://support.google.com/flow/answer/16935718
- CapCut 官网：https://www.capcut.com/