AI 短视频怎么做？先把三种做法分清，再谈步骤

「AI 短视频」是个被叫滥的词。有人指的是纯生成画面，有人指的是用 AI 剪实拍，有人指的是数字人念稿——三者的成本、效果、适用场景完全不同，选错了后面全是白费。

先分清三种「AI 短视频」

做决定只问一个问题：这条片子里有没有必须出现真人或真实场景的东西？有，走第二或第三种；没有，第一种的自由度和成本结构最好。

从选题到发布：七个步骤

1. 定平台与画幅：发抖音、视频号、小红书就用 9:16 竖屏；发 B 站、官网用 16:9。画幅定错，构图全部要重来。
2. 写一句话总纲：这条片子讲什么，一句话说完。说不完说明你还没想清楚，别急着开工。
3. 拆 5 到 8 个镜头：一个镜头一个动作，每个镜头一句话。这是全流程最影响成败的一步，也是最容易被跳过的一步。
4. 锁定角色或产品：如果片子里有固定人物或固定商品，先定一张参考图，后面所有镜头都引用它。跳过这步，人物会在每个镜头里换脸。
5. 逐镜生成：先用 720P 快速试方向，方向对了再上 1080P。不要一上来就出高清，那是把钱花在废片上。
6. 拼接导出：按分镜顺序拼起来，加字幕和配乐。字幕不是可选项，多数平台的用户静音刷。
7. 写标题与封面：标题决定打开率，封面决定点击率，两者都不该从视频里随手截。

新手最容易踩的五个坑

坑一：一次生成长片

想让模型直接生成 60 秒完整片子，结果一定是画面中途变形、动作混乱。正确做法是把长片拆成短镜头，每个镜头控制在模型最擅长的区间里，再拼接。

坑二：不锁角色

文生视频每次都是从零采样，它不记得上一个镜头里那个人长什么样。要么用参考生视频锁定角色，要么接受人物在片子里变成好几个人。

坑三：堆形容词

「电影级、8K、超写实、唯美、丁达尔光效」这类词对模型的约束力极弱。真正有效的是可执行指令：景别、运镜、光线方向、动作起止状态。

坑四：一个镜头塞两个动作

「他拿起杯子喝了一口，然后看向窗外」——模型大概率会在中途把杯子画变形。拆成两镜：喝水、看向窗外。

坑五：用 AI 做必须真实的内容

真人测评、门店实拍、需要展示真实产品细节的内容，AI 生成的画面再好看也是假的，观众一旦察觉，信任直接归零。这类内容该拍就拍。

要花多少钱

按秒计费的平台上，成本主要取决于试错次数而不是成片长度。一条 30 秒片子拆成 8 个镜头，每镜试 3 次，实际生成 96 秒：720P 约 4.8 元，1080P 约 9.6 元。也就是说一条短视频的生成成本在 5 到 10 元区间，人和时间才是主要成本。

完整算法与省钱习惯见价格与计费。

不会剪辑能不能做

纯生成画面的片子，能。平台内的拼接导出基本够用，字幕也能自动加。但只要涉及配音卡点、多段素材混合、复杂调色，仍然需要剪映这类工具的基础操作。建议的心理预期是：AI 让你不必成为摄影师，但不等于不必懂节奏。

在画布上做和在一个个网页里做，差别在哪

大部分 AI 视频工具的组织方式是「一次提交、一次结果」：写完提示词，等，看完，再改，再等。一条片子八个镜头，你就在八个孤立的输入框之间来回跳，上一个镜头用的什么描述、哪个版本最好，全靠记忆。

画布式的工作方式把这些摊开在同一屏：分镜卡、角色参考、生成节点、多个版本并排摆放，连线和位置本身就是创作记录。改一个镜头只重跑那个节点，其他镜头原封不动。对多镜头、需要反复试错的片子，这个差别比模型版本的影响更大。