AI 视频分镜教程：先用低成本验证镜头，再生成成片

为什么不要直接把整段脚本丢给视频模型

一个 30 秒视频通常包含多个景别、动作和信息点。让模型一次生成整段，人物、产品、空间和镜头方向容易漂移，失败后也不知道该重做哪一部分。更可靠的方法是先拆成 4—7 个可独立验收的镜头。

这种“先拆后合”的策略特别适合短视频创作者、广告从业者以及需要快速验证创意的团队。如果你追求的是纯艺术化的长片叙事，或者对镜头语言有极致的个性化要求，这套标准化流程可能需要更多的后期人工调整，但对于追求效率和稳定性的商业内容来说，它是目前最稳妥的路径。

第一步：把脚本压缩成一个目标

先写清视频给谁看、希望观众记住什么、最后要做什么。30 秒内容通常只能承载一个核心信息。把所有卖点都塞进去，会造成字幕过多、节奏混乱和镜头没有重点。

在开始拆分镜头前，建议先回顾一下你的脚本结构是否紧凑。如果脚本本身逻辑松散，分镜做得再细也无法挽救最终效果。此时可以结合脚本优化的技巧，确保每一句话都有存在的必要。

第二步：建立分镜表

每个镜头至少记录：

一个镜头只安排一个主要动作，例如“人物拿起杯子并看向窗外”，不要同时要求转身、奔跑、换装和环境变化。

第三步：先做静态关键帧

先生成每个镜头的起始画面，确认角色、产品、场景、构图和色彩。你可以使用主流的 AI 绘图工具（如 Midjourney 或 Stable Diffusion）来生成这些静态图，因为它们对细节的控制力通常优于视频模型。把所有关键帧排在一起看，能很快发现服装变色、产品比例变化和镜头方向冲突。静态图不稳定时，直接生成视频只会更贵。

第四步：写视频提示词

视频提示词重点描述可见动作和摄影机运动：主体是什么、从什么状态开始、完成什么动作、镜头怎样移动、环境哪些元素保持稳定。少用“震撼、电影感、顶级”这类无法验收的词，多写速度、方向、景别和结束状态。

不同视频模型对提示词的偏好略有差异，但核心逻辑一致：明确主体、动作和镜头运动。例如，某些模型更擅长处理复杂的物理交互，而另一些则在保持角色一致性上表现更好。因此，在编写提示词时，尽量使用客观、可量化的描述，避免依赖模型对抽象形容词的理解。

示例：“中景，固定机位。白色桌面上的黑色耳机保持居中，人物右手从画面右侧缓慢进入，将耳机拿起并移出画面；背景与光线不变，动作自然，4 秒。”

第五步：低成本预演

先用较低分辨率、短时长或较低参数模式检查动作和构图。这里的“低成本”指的是利用工具提供的草稿模式或低算力选项，目的是快速验证逻辑而非追求画质。只有镜头内容确认后，再生成高质量版本。失败镜头单独重做，不要因为一个手部动作错误而重算整条视频。

第六步：声音与字幕后置

旁白先确定节奏，再根据实际镜头微调；字幕通常在剪辑工具中添加，比让视频模型直接生成准确文字稳定。音乐、音效和转场应服务信息，不要用大量效果掩盖镜头不连贯。

在后期阶段，建议参考专业的剪辑教程，学习如何通过剪辑节奏来弥补 AI 生成素材中可能存在的微小瑕疵。声音和字幕是最后的安全网，确保信息传达的准确性。

常见失败原因

• 动作过载：例如要求人物在 2 秒内完成“转身、开门、回头”三个动作，导致肢体扭曲。
• 特征漂移：没有固定角色和产品特征，导致上一秒穿红衣服，下一秒变蓝衣服。
• 方向冲突：相邻镜头的视线与运动方向相反，造成观众空间感混乱。
• 本末倒置：先追求高分辨率，后发现脚本本身不成立，导致大量算力浪费。
• 文字与手部：把准确文字、Logo 和复杂手部动作完全交给模型，出现乱码或手指数量错误。
• 版权忽视：忽略生成素材、音乐、肖像和品牌的商用权利，带来潜在法律风险。

最终验收

逐镜头检查主体一致性、动作是否完整、产品是否变形、方向是否连续、字幕是否可读、声音是否盖住旁白。最后关掉声音看一遍，再只听声音走一遍；两种情况下核心信息都清楚，成片才算稳。