2026年11月最新AI视频制作实操：从脚本到成片，新手也能学会的短视频流程（保姆级教程）

大多数人开始制作AI视频时就走错了方向。他们打开视频模型，写下一大段提示词，生成了10个片段，然后纳闷，为什么角色、光影、场景和故事一直在变？

“大多数AI视频，在生成开始之前就已经失败了。”

问题不在模型，在于把写提示词，当成了AI视频制作的全部。真正的AI视频制作更接近导演工作，故事、摄影、表演指导、美术设计、连贯性、剪辑、声音，缺任何一层，画面就会散。

这篇文章我们就把从脚本到成片的完整流程拆开，每一步给框架、给模板、给示例，看完你就能跑通自己的第一条AI短视频。

AI视频示例

为什么失败

先看一条典型的失败提示词：

“电影质感，一名男子在城市中奔跑。写实风格，4K。”

这段话描述了一种氛围，但没有对具体镜头下达任何指令。观众该注意什么？画面里有谁？他在做什么？摄像机在哪？光从哪来？动作引发了什么物理反应？镜头从哪开始、到哪结束？一个都没回答。

模型只能猜，猜出来的东西，十个片段十个样。一个专业的AI视频提示词，必须回答这些问题：

观众应该注意到什么？

画面中有谁？

他们具体在做什么？

摄像机位于何处？

使用的是什么镜头？

演员如何表演？

光源来自哪里？

动作引发了哪些物理反应？

镜头从何处开始，又在何处结束？

正确的工作流

在打开视频模型之前，先把这十步走一遍：

✅️ 写出故事核心构思（一句话）
✅️ 将其拆解为5到8个镜头
✅️ 先创建角色、场景和道具的参考素材
✅️ 确定画面朝向、服装、光影和空间布局
✅️ 针对每个镜头分别编写提示词
✅️ 明确每个镜头的起始帧和结束状态
✅️ 在现有基础上进行微调，而非推倒重来
✅️ 在增加更多镜头前，先进行剪辑以把控节奏
✅️ 最后加入对白、环境音、音效和音乐
✅️ 在进入下一场戏之前，检查并确保连贯性

AI视频制作不仅仅等同于写提示词，提示词只是其中一个层面。你还需要：

• 故事：决定剧情走向
• 摄影：决定视觉呈现方式
• 表演指导：决定角色的行为表现
• 美术设计：构建可信的世界观
• 连贯性：确保镜头之间的顺畅衔接
• 剪辑：掌控信息传递与节奏
• 声音：赋予画面真实质感

提示词框架

我所采用的框架是：

意图 → 主体+动作 → 构图 → 光学 → 摄像机 → 表演+物理反应 → 光影+空间 → 连贯性

1. 意图

在动笔之前，先明确这个镜头的作用是什么。是为了揭示信息？营造紧张感？展现规模？还是捕捉某种反应？如果镜头本身没有目的，任何镜头语言都无法挽救它。

2. 主体+动作

不要写男人很害怕，而要写出具体的行为：“他僵在门口，双眼循声望去，肩膀紧绷，随后缓缓向后退去。”提示词应聚焦于可见的行为。

3. 构图

明确摄像机所捕捉的内容。远景=地理环境与规模；中景=动作与人物关系；特写=情绪与反应；插入镜头=关键细节。在此基础上，仅在必要时添加角度、高度和构图方式。

4. 光学

镜头的选择会改变画面呈现。24mm=环境、透视感、速度感；35mm=自然的空间张力；50mm=平衡的、符合人眼的视角；85mm=压缩感与亲密感；微距=触感丰富的细节。不要仅仅因为“听起来很有电影感”就加上“35mm”之类的参数，要清楚你为什么要用它。

5. 摄像机

设定一种有明确动机的摄像机运动方式。固定、推入、拉出、跟随、手持拍摄、平移、俯仰、摇臂、环绕。摄像机的运动应服务于叙事，为故事增色。

6. 表演与物理规律

这是许多AI生成镜头表现不佳的地方。具体指令应包含：视线、呼吸、迟疑、姿态、重心转移、脚部着地、动量（惯性）、服装的动态反应、与物体的交互、平衡与恢复。“跑得很快”过于笼统；“加速奔跑，打滑半步，稳住重心后继续前行”，这样的描述能为模型提供物理层面的信息。

7. 光影与空间

描述具有逻辑依据的光影。不要写“电影感光效”，而应写“来自画面右侧温暖的钠灯光，冷色调的雨天环境光，以及湿润沥青路面上强烈的反光”。仅描述那些对画面有实际影响的环境细节。

8. 连贯性

每个镜头都处于两种状态之间。明确以下要素：起始位置、画面朝向、服装、道具、比例尺度、地理环境、结束位置。在生成多个片段时，这一点尤为重要。

完整示例（Seedance 2.5）

下面是一条经过实战验证的完整提示词，可以改名字和场景复用。

提示词：

制作一段30秒、超写实、16:9横屏视频。视频主角是一位24岁的韩国女性，她天生丽质，留着一头自然披散的深色长发，妆容清淡自然；身穿宽松的黑色针织毛衣和休闲长裤，颈间围着一条柔软的针织围巾。在整段视频中，必须保持其面部特征、发型、着装、围巾款式及身材比例的一致性。

场景设定在首尔一个宁静而迷人的居民区，时间是秋日午后。街边的小店、狭窄的人行道、温馨的咖啡馆、街头摊贩、散落的金黄色落叶，以及温暖的阳光，共同营造出一种充满怀旧气息的日常生活氛围。

时间轴（四个镜头）：

镜头1，0–7秒：
气球的惊喜 她漫步在居民区的人行道上，享受着午后时光。不远处，一位街头摊贩正拿着一束五彩缤纷的氦气球。突然，几个气球脱手飘向空中，其中一个气球向她飘来。她注意到了，伸手抓住了气球的绳子，脸上流露出惊喜而真诚的笑容。镜头以一种略带晃动的手持视角，自然地跟随她移动。

镜头2，7–14秒：
泡泡的世界 她继续前行，看到几个孩子正在一家小店外玩巨大的肥皂泡。几十个透明的泡泡在温暖的午后阳光下飘荡，折射出绚丽的彩虹光泽。一个大泡泡飘到她面前，她轻轻伸出手指将其戳破，发出自然的笑声。捕捉她脸上那一抹细微而愉悦的神情。

镜头3，14–21秒：
友好的小狗 她沿着人行道继续向前走，一只毛茸茸的奶油色小狗兴奋地摇着尾巴向她跑来。她停下脚步，蹲下身子，轻轻抚摸小狗的头。小狗欢快地摇着尾巴，甚至还短暂地抬起前爪向她示意。她轻声笑着，亲昵地拍了拍小狗，随后起身继续前行。

镜头4，21–30秒：
秋日的尾声 她继续在首尔一条绿树成荫的街道上漫步。一阵秋风拂过，金黄色和橙色的落叶在她周围翩翩起舞。她放慢脚步，抬头望向飘落的树叶，俏皮地张开双臂。几片落叶从镜头前飘过。她转过身，对着镜头露出温暖而真诚的微笑，随后继续沿着洒满阳光的街道前行，镜头则在她身后静静跟随。

为什么这么写？

意图清晰：每个镜头都有一个明确的叙事节点（惊喜→愉悦→温暖→收束）

主体+动作具体：不是她很开心，而是伸手抓住气球的绳子，脸上流露出惊喜而真诚的笑容

表演有物理细节：轻轻伸出手指将其戳破；蹲下身子，轻轻抚摸小狗的头

连贯性锁死：开头就写明了必须保持面部特征、发型、着装、围巾款式及身材比例的一致性

每个镜头只做一件事：没有在7秒里塞五个动作

seedance2.5 vs wan3.0

八层框架，几乎适用所有主流视频模型。但不同模型对提示词的口味不一样，措辞的侧重有时需要改一下。

Wan 3.0 提示词：

制作一段15秒、超写实、16:9横屏视频。视频主角是一位24岁的韩国女性，长相自然迷人，留着一头随意的深色长发，妆容清淡；她身穿一件宽松的酒红色连帽卫衣，搭配宽松的休闲裤，并围着一条柔软的针织围巾。在所有镜头中，必须保持其面部特征、发型、服装、围巾及身材比例完全一致。

镜头1，0–3秒：

在秋日凉爽的午后，一条安静的居民区街道上，她从一栋带有大玻璃窗的小房子旁走过。她随意地瞥向窗户，突然发现了自己的倒影。她放慢脚步，微微歪头，对着倒影露出了一个充满好奇的浅笑。镜头从她后侧方跟随拍摄。

镜头2，3–6秒：
她停在窗前，抬起一只手。倒影也几乎在同一瞬间抬起了手。她觉得很有趣，便轻轻左右晃动头部，带着愈发浓厚的好奇心观察着倒影的动作。

镜头3，6–9秒：
她俏皮地“测试”了一下倒影——耸起一侧肩膀，做了个鬼脸，还短暂地鼓起了腮帮子。倒影完美地复刻了她的每一个动作。她忍住笑意，随后凑近玻璃，仔细端详着自己的倒影。

镜头4，9–12秒：
她将手掌轻轻贴在玻璃上，倒影的手掌也从另一侧贴了上来。她保持这个姿势片刻，脸上带着温柔的微笑。一辆过往车辆的车灯短暂地扫过玻璃，光影与她的倒影以及室内隐约可见的景象交织在一起。

镜头5，12–15秒：
她收回手，对着倒影轻轻挥了挥，仿佛在道别，随后继续向前走去。走出两步后，她回头望向窗户，最后露出了一个充满笑意的神情，接着便沿着人行道走远了。

视觉风格：呈现出21世纪初索尼MiniDV（磁带摄像机）拍摄的家庭录像质感；画面由他人拍摄，而非自拍视角。画面带有轻微的手持抖动、不完美的构图、随性的镜头调整、偶尔出现的自动对焦寻焦过程、细微的曝光变化、柔和的对比度以及略显淡雅的色彩；呈现出真实的皮肤质感，并伴有秋日下午自然的光影。玻璃上的倒影应显得真实可信，同时又能隐约透视窗外的景象。整体氛围应保持亲密、自然且富有魅力，而非刻意追求电影质感。

动态表现：动作流畅、连贯且实时呈现，包含自然的行走、头部倾斜、手势动作及面部表情。倒影必须精准同步人物的动作，确保时机吻合且身体比例一致。人物及其倒影的面部特征、发型、着装和整体外观必须保持高度统一。严禁出现倒影动作脱节、镜像延迟、面部扭曲、人物重影、画面卡顿、抖动、丢帧或慢动作现象。

音频：仅包含自然的户外环境音，轻柔的脚步声、微风声、远处的车流声以及衣物摩擦的细微声响。不应包含背景音乐、旁白或人工合成的音效

Seedance 2.5是简单的4个镜头，重点在漫步的氛围感。Wan 3.0这条是5个镜头节奏更碎、更紧凑，因为需要多个小动作来推进，抬手、歪头、耸肩、贴掌、挥手，每一个都是一次情绪递进，镜头密度跟着叙事需求走。

这里增加了更多锁定词，防止生成意外。严禁出现倒影动作脱节、镜像延迟、面部扭曲、人物重影，因为倒影题材对同步性要求极高，一个延迟就全毁了。怎么写锁定次，取决于题材的风险点在哪。

怎么选、怎么写：

做氛围向、情绪向的片子，镜头可以长一点，Seedance 2.5的7秒一镜很舒服

做动作互动、细节推进的片子，镜头要碎一点，3秒一镜更灵活

题材本身有高风险物理关系（倒影、水花、布料、多人物交互），把严禁出现什么，写成独立段落

风格如果靠不完美成立，把不完美拆成具体的技术特征写，如21世纪初索尼MiniDV拍摄的家庭录像质感、轻微手持抖动

框架是通用的，措辞是对应模型的。八层想清楚了，换成哪个模型都不慌，变的只是怎么把想清楚的东西翻译成那个模型听得懂的话。

新手建议

在制作你的第一部AI短片时，务必设定严格的限制：

1个角色，1个场景，1个明确的目标，5到8个镜头，10到20秒的时长。

如果能让这段内容保持连贯、意图明确且情感清晰，再考虑扩大规模。不要试图在8秒的生成片段中塞入五个动作、三种运镜方式以及两次情绪转变。 一个镜头，一套机位，一个明确的叙事节点。

避坑指南

坑1：只写氛围，不写镜头

症状：生成结果随机，十个片段十个样

解决方案：用八层框架逐项检查，每个镜头都要回答“观众该注意什么”

坑2：一个镜头塞太多动作

症状：动作混乱、变形、穿模

解决方案：一个镜头只做一件事，复杂动作拆成多个镜头

坑3：忽略表演的物理细节

症状：人物动作僵硬、像在飘

解决方案：写清楚视线、呼吸、重心转移、服装动态

坑4：图生视频还在重复描述参考图

症状：提示词冗长，生成效果反而下降

解决方案：参考图已经定义了外貌，提示词只写动态

坑5：先做风格化再剪节奏

症状：在节奏不对的片段上反复调风格，浪费生成次数

解决方案：先剪好表演和节奏，再做风格化处理

工具清单

写在最后

AI视频制作不是写提示词，是当导演。

故事决定剧情走向，摄影决定视觉呈现，表演指导决定角色行为，美术设计构建可信的世界观，连贯性确保镜头衔接，剪辑掌控节奏，声音赋予真实质感。

把上面那套八层框架复制过去，先用1个角色、1个场景、5-8个镜头、10-20秒跑一遍。跑通了，再扩大规模。

大多数AI视频在生成开始之前就已经失败了，但如果你在生成之前就把该想清楚的都想清楚了，它就不会失败。

塔猴是一个专业的AI接单平台，汇聚海量真实商单。所有商单均经人工审核认证，真实有效。入驻零门槛，零保证金，交易通过三方监管账户托管，专业运营团队全流程参与交付，阶段验收达标后结款。

同时，塔猴也为想提升技能的用户提供AIGC实战课程与前沿资讯，让你在学习和实战中成长。

点击进入：https://www.tahou.com/