一句话结论：AI 能把短视频制作里最耗时间的四件事——写初稿、拆分镜、出画面、配字幕——全部提速，但选题和最终把关必须你自己来。我把最近跑顺的一套流程按顺序写下来，每一步用了什么工具、卡在哪、怎么绕，都在这。
一、先理清顺序：6 步里只有 2 步必须靠人
很多人一上来就让 AI"生成一条视频"，结果全是废片。正确的顺序是：选题 → 文案 → 分镜 → 画面 → 视频 → 配音合成。其中选题和文案定稿这两步必须自己拍板，剩下四步都能交给工具。
二、选题和文案：AI 只出底稿，人负责定稿
选题我用两个固定动作：先搜同题材里最近播放高的几条，看评论区在问什么；再从问题里挑一个自己能讲清的。文案先用豆包或 DeepSeek 出底稿，我给的要求就三条：口语化、每句话不超过 20 字、结尾留一个问题。
底稿出来后必须自己改一遍。AI 写的开头普遍"平"，我会手动换成一句带数字或反常识的钩子，比如把"今天讲讲空调清洗"改成"空调停用前不洗这一次，来年吹出来的风都是黑的"。这一步不能省，省了完播率就掉。
三、分镜和画面：角色一致性是生死线
文案定稿后，把它发给 DeepSeek 或豆包，让它按"景别 + 画面内容 + 人物动作 + 情绪"输出分镜表，一般一条 60 秒的视频拆成 6-8 个镜头。
画面用即梦出图。这里有个我踩了两次的坑：角色形象必须先固定。做法是先出一张满意的角色图存好，之后每个镜头都把它作为参考图再生成，不然镜头一换人物就"换脸"，观众直接出戏。场景图同理，先出全景定调，再逐镜生成细节。
四、图生视频：按 5-15 秒逐段生成
图出好后逐张喂给视频生成，每段 5-15 秒。两个经验：一是动作描述要具体，"人物缓慢转头看向窗外"就比"人物很自然地动一下"成功率高得多；二是别指望一遍过，一段生成两三次挑一条是常态，把这部分时间预算留出来。抽卡时优先挑口型和动作自然的，画面质量差一档可以接受，人物崩坏必须重来。
五、配音和合成：最后 20% 决定成片像不像样
配音用剪映的朗读功能，选沉稳一点的音色，语速调到 0.9 倍左右更耐听。合成也在剪映：配音对齐画面、自动识别字幕、字幕字号调到手机上一眼能看清，加个背景音乐（音量压到 20% 以下，别盖过人声）就能导出。发布前记得勾选平台的"AI 生成内容"标识，这是硬要求。
六、常见问题
Q：整套流程一条视频要多久？
熟练之后，60 秒以内的视频从选题到成片大约 2-3 小时，其中一半时间花在图生视频的抽卡上。
Q：必须用即梦吗？
不是。它胜在出图和图生视频能在一个工具里闭环，省去来回导素材。你也可以用豆包出图、剪映做合成，流程一样成立。
Q：AI 生成的画面能商用吗？
先看工具的授权范围，商用场景（比如投付费流量）确认清楚再用，别拿生成画面直接去做投放素材。
七、避坑提醒
- AI 标识必勾：主流平台都要求标注 AI 生成内容，漏标轻则限流重则下架，养成发布前最后检查的习惯。
- 画面别直接发：AI 图常见的多手指、文字乱码在手机小屏上不容易发现，成片后完整看一遍再发。
- 素材要归档：分镜图、配音、成片按项目存一个文件夹，一周后返工重剪时能救命。
- 别贪全自动：全流程"一键生成"的工具出片快，但同质化严重，账号做不起来，把它当草稿工具而不是终点。
整套流程的核心是把重复劳动交给工具，把判断留给自己。想顺一遍剪映侧的功能，可以看剪映 AI 实测；出图环节的工具页在即梦 AI，整个短视频工具箱见短视频剪辑工具箱。