一条像样的短视频，传统流程要写脚本、找素材、拍、剪、配音、加字幕，没一整天做不出来。2026 年的做法是把这套流程拆成六步流水线，每一步都让 AI 顶上：脚本交给大模型写，画面交给即梦/可灵生成，配音交给剪映或 TTS，最后你只做"总导演"——把碎片拼成片、调节奏、改文案。本教程按真实可用的顺序走一遍。
先搞懂：一条短视频由什么组成？
不管多复杂的视频，拆开就四样东西：文案（脚本+分镜）、画面、声音、剪辑包装。传统做法四样都要人做，AI 做法是"文案 AI 写、画面 AI 生、声音 AI 配、剪辑 AI 拼"，人只负责定方向和最后把关。
| 环节 | 传统做法 | AI 做法 |
|---|---|---|
| 脚本 | 自己憋、反复改 | 豆包/DeepSeek 一键出分镜脚本 |
| 画面 | 拍摄/找素材 | 即梦/可灵文生视频、图生视频 |
| 声音 | 录音/请配音 | 剪映朗读/即梦TTS/MiniMax |
| 剪辑 | 专业软件 | 剪映自动字幕+转场一站式 |
顺序别颠倒：先做配音，再生成画面。很多人先出画面再配旁白，结果音画对不上、嘴形错位，返工最费时间。先定声音，画面跟着节奏走，省一半功夫。
Step 1：用 AI 写脚本和分镜
打开豆包或 DeepSeek，别只说"写个短视频脚本"，要给足约束：
帮我写一条 40 秒的 AI 工具科普口播脚本：
- 开头 3 秒抛钩子（让人想看下去）
- 中间 3 个分镜，每镜配画外音文案
- 结尾加一句互动（引导点赞/关注）
- 语气：轻松口语，句子短，适合发抖音
主题：普通人用这 3 个 AI 工具每天省 2 小时Step 2：生成画面（文生/图生视频）
2026 年通用技巧：先用生图工具（即梦/可灵/ Midjourney）固定角色形象和场景风格，再用图生视频让它"动"。这样同一视频里人物不会变脸。把每镜的画面提示词单独写清楚：
镜头1：简约科技风办公桌，屏幕弹出三个 AI 工具图标，
清新配色，4K 写实
镜头2：年轻人用手机操作，背景虚化，暖光
镜头3：数据图表动画浮现，蓝紫渐变Step 3：AI 配音（两条路线）
路线一（省事）：用支持原生音频的工具（可灵 2.6 / 即梦 Seedance / 万相 2.6），生成视频时直接带旁白和环境音，省掉单独配音。
路线二（精细）：单独配音。剪映文本朗读、即梦 TTS 多音色、MiniMax Speech 都很自然；数字人口播可用"即梦生图→生成说话视频→剪映合成"。
商用视频只用平台正版素材和音色。克隆他人声音、搬运未授权音乐，上线后容易被下架甚至侵权。个人练习随意，发布前务必核对授权。
Step 4：剪辑合成（剪映一站式）
1. 打开剪映，新建 9:16 竖屏工程
2. 把生成的画面片段按脚本顺序拖进去
3. 点「音频」→ 文本朗读，粘贴脚本生成旁白
4. 对齐画面和声音，删掉多余片段
5. 点「文本」→「AI 字幕」，自动识别语音生成字幕
6. 加背景音乐（音量调低）、少量音效点缀Step 5：优化导出与发布
导出前做三件事：① 做一张抓眼球的封面（大字标题+人物表情）；② 让 AI 帮你写标题和 3-5 个标签（如"#AI工具 #效率 #打工人"）；③ 1080P 导出，直接发抖音/快手/视频号。
常见问题速查
| 现象 | 原因 & 解决 |
|---|---|
| 人物每镜变脸 | 没固定参考图，用图生视频+同一张定妆图 |
| 音画对不上 | 先配音后画面，别反着来 |
| 字幕错位 | 剪映 AI 字幕后手动微调时间轴 |
| 画面很假 | 提示词加"4K写实、电影光、镜头运动" |