夜雨聆风上周我干了一件事：用4个AI工具，从零做了一条30秒的短片。
不是那种“敲一行字就出片”的演示视频，而是正经走了一遍完整流程——写脚本、做角色设计、生成画面、配音、配乐、剪辑、加字幕，最后导出成片。花了差不多一个下午，但跑通之后，我发现AI视频制作已经不再是“抽卡游戏”了。
这条短片叫《AI短剧时代，一个人就是一支团队》。咱就是说，这个标题听着有点鸡汤，但做完之后我是真信了。
第一步：
写脚本，但不是你想象的那种写法
工具：ChatGPT / Claude
很多人写脚本的方式是“写一篇文章，然后让AI生成视频”。但现在的AI视频工具有一个硬性限制：每个镜头最长只能生成10-15秒，超过这个长度，画面崩坏率会急剧上升。
所以脚本必须按镜头来写。一个场景只描述一个动作、一个机位、一个情绪。我让Claude生成了一条30秒短片的脚本，结构是这样的：
每个镜头不超过6秒，刚好卡在AI视频工具的安全区内。读一遍旁白，大约2.4字/秒，6秒刚好能放15个字左右——这个细节我跑了三遍才意识到。
第二步：
做角色设计，一致性是最大的坑
工具：即梦AI / Midjourney
AI视频最让人崩溃的问题是什么？角色变脸。第一幕还是同一个女主，第三幕直接换了个演员。
我这次学乖了，先建立了一个“角色身份锚点”。在即梦AI里生成了一张标准角色图：25岁中国女性，黑色齐肩直发，白色衬衫，淡妆，正面半身，柔和自然光。生成时记下了种子值，后续所有镜头都用同一张参考图+同一个种子值。
然后我用同样的角色图，在即梦里生成了一个3×3的故事板网格，把每个镜头的场景、人物动作、画面氛围一次生成出来。这一步比想象中快——大概15分钟，9个分镜就全有了。
再把每个分镜单独提取出来，用AI放大到4K清晰度。这一步别省，后面做视频生成时，参考图越清晰，出片质量越高。
第三步：
生成视频片段，最耗时的环节
工具：可灵 3.0 / Seedance 2.0
我用了图片转视频的模式，这是目前最可控、质量最高的路径。把分镜图上传到可灵3.0，写清楚这个镜头里的动作、情绪和镜头运动。
比如第一个镜头我写的提示词是：“无人机缓慢下降，俯瞰城市天际线，晨光从地平线扩散，金色光芒洒在建筑群上，云层缓慢移动，电影感，24帧每秒”。
生成一个5秒的镜头，大概需要3-5次尝试才能得到满意的结果。5个镜头我一共跑了大概20次生成，用了将近1小时。
这里有个省钱技巧：先用可灵的免费版跑草稿，确认构图和动作没问题后，再用Seedance 2.0的高质量模式跑最终版。可灵每天66积分，大概能跑6条免费视频，够用了。
第四步：
配音和配乐，声音是视频的灵魂
工具：ElevenLabs / 剪映AI配音
画面生成完了，但没声音的视频就像没加盐的菜。我用剪映的AI配音功能，选了“热门”区的女声音色，把脚本台词导进去，调整语速到1.0倍速，听起来最自然。
背景音乐从剪映的免费音乐库里找了一段“轻柔钢琴+环境氛围音”，长度刚好30秒。音量调到20%左右，不能压过人声。
第五步：
剪辑和导出，把碎片拼成完整的作品
工具：剪映专业版
这一步反而是最轻松的。把5个视频片段拖进时间线，按顺序排好，每个片段之间加0.3秒的叠化过渡。
关键技巧：前3秒必须有钩子。我在开头加了一个“随着AI技术爆发式发展”的字幕，搭配城市天际线升起的画面，节奏感立刻拉满。
自动字幕功能一键生成，调整字体和位置。导出时选择1080p 9:16，适合抖音和视频号。
成本和时间总账
从脚本到成片，2小时，零成本。放在一年前，这简直是天方夜谭。2026年的AI视频工具，已经从“随机抽卡”进化到了“精准导演”的阶段。
当然，它还有很多问题。角色一致性还不够完美，手指细节偶尔翻车，物理碰撞逻辑偶尔掉线。但说实话，对于一个2小时零成本的个人项目来说，这个完成度已经让我有点意外了。
你在用什么工具做AI视频？有没有什么特别想试但一直没动手的创意？现在这个时间点，工具基本成熟、成本几乎为零、平台还在扶持AI内容——跑一轮试试，跑出来了来评论区聊聊效果。
