从钩子设计到分镜表、参考图、关键帧、生成筛选与剪辑，一套可复用的AI短视频生产流程，包含一致性解法、提示词骨架、模型选择标准、常见错误排查与完整FAQ，适合个人创作者与小型团队参考。
短视频的成败，往往不在于你用了哪个生成模型，而在于你能不能把同一套流程稳定地重复一百次，而且每一次的画面质量、角色形象、节奏都大致可预期。真正拉开差距的，是把创意拆解成可执行步骤的能力：先定钩子，再定分镜，再定参考图，再定关键帧，最后才轮到生成与剪辑。跳过其中任何一步，后期通常要多花三倍时间返工。
这篇指南不讨论平台分成，也不讨论资产交易，只聚焦一件事：如何用一条清晰、可复用的 AI 视频工作流，把脑海里的画面变成可以发布的成片。你会看到七个阶段的完整拆解、一致性难题的三种解法、一个可以照抄的提示词骨架、模型选择的决策标准、常见错误排查清单，以及一整组实用问答。
为什么稳定的流程比最强的模型更重要
每隔几个月，就会有一个新模型在某个维度上刷新上限。但你的交付节奏不会因为模型更新而变宽松：账号还是要更新，客户还是要交片。这意味着，决定你产出稳定性的，从来不是峰值质量，而是可重复性。
有经验的创作者通常会在三个地方做取舍。
第一，把流程当作资产。一套写清楚的分镜表模板、一组固定的角色参考图、一份常用运镜词表，这些东西的寿命比任何单一模型都长。模型换代时，你只需要替换生成环节，其余环节照旧。
第二，接受够用而不是最强。偶尔生成一条惊艳的镜头没有意义，如果你无法稳定复现它。稳定的中上水平，比随机出现的高水平更容易形成观众预期，也更容易接住商业需求。
第三，把时间预算重新分配。多数新手会把八成时间花在生成和反复抽选上，结果剪辑时间被压缩，节奏混乱。更合理的分配是：构思与分镜两成，参考图与关键帧两成，生成与筛选三成，剪辑与声音三成。
一个具体例子：一个做家常菜内容的账号，每周要更新三条竖屏视频。如果每条都从零构思，创作者会在一周内耗尽精力。但如果把流程拆成固定的七步，并把镜头语言整理成一份可勾选的清单，那么一天就能批量完成一周的素材，剩下的时间用来回复评论和测试新选题。
另一个例子来自知识类账号。这类内容对画面要求不高，但对信息密度和字幕准确度要求很高。它的最优流程往往是把生成环节压缩到最少，把时间放在脚本打磨和字幕校对。可见流程不是固定模板，而是要让资源流向你的差异化优势。
一条可复用的 AI 短视频工作流：七个阶段
下面这七个阶段，适用于绝大多数 15 到 60 秒的短视频。你可以根据自己的领域删减，但不要轻易跳过参考图和关键帧这两步。
阶段一：先定钩子，再定内容
短视频的前三秒决定观众是否留下。所以第一步不是写脚本，而是写出至少十个钩子的候选，然后只保留三个。
常见的钩子类型有四种。视觉异常型，比如画面里出现不可能存在的场景或物体。结果前置型，一开始就给出最终成品或答案，再倒叙过程。问题直给型，用一句和观众痛点高度重合的提问开场。身份代入型，用特定人群才懂的表达迅速建立认同。
练习方法很简单：拿一张纸，写下十个钩子，然后逐条问自己，这句话能否在没有任何上下文的情况下让人产生好奇。留下的三个，再和后续内容做匹配。
阶段二：把想法写成表格化的分镜
分镜表的作用是把你脑子里的模糊画面变成可执行的指令。建议至少包含六列：镜号、时长、画面描述、台词或字幕、音效或音乐、生成方式。
单条镜头的时长建议控制在三到五秒，一条三十秒的视频大致六到九个镜头。镜头太短会显得碎，太长则容易暴露生成画面的细节瑕疵。
画面描述要写成可视化的句子，而不是情绪化的形容词。比如不要写悲伤的氛围，而是写人物坐在窗边，低着头，雨水在玻璃上流下，冷色光源从左侧打来。前者是感受，后者是模型能执行的参数。
分镜表还有一个隐藏作用：它是你和团队之间的契约。当有人说片子不对味时，回到表格里逐条比对，问题通常一眼可见。
阶段三：准备参考图与角色设定
一致性问题的根源，多半出在这一步。你需要为每一个会重复出现的主体准备一组参考图。
主要角色的定妆照至少要包含正面、四分之三侧面和侧面三个角度，并且保持同一光线条件和同一背景。如果角色在不同镜头里会换衣服，那么每套服装都要单独准备参考组。
场景同理。一个系列如果发生在同一个空间里，就准备三到五张同风格、同色调、同布局的场景参考图。这样在后续生成时，模型对空间关系的理解会更稳定。
命名规范在这时候就要建立。比如角色A_正面_日光、场景B_咖啡馆_黄昏，半年之后你还能一眼看懂。这不是洁癖，而是降低未来检索成本的必要投入。
阶段四：设计首帧、关键帧与运镜
如果条件允许，优先使用图生视频而不是纯文生视频。原因很直接：你给模型的首帧越明确，输出的可控性越高。
关键帧的作用是控制节奏。一个镜头如果需要在中间发生动作转折，就在转折点放一张关键帧，让模型在这两点之间插值。这样得到的运动轨迹比纯文字描述更接近你的设想。
运镜是低成本提升质感的手段。常用的运镜词汇包括推、拉、摇、移、跟、升降、环绕。写提示词时，把运镜和主体动作分开描述，例如镜头缓慢推进，人物保持静止，只眨眼。当两者混写时，模型很容易把摄像头运动和人物运动搅在一起。
一个简单的运镜词表可以参考下面几组：推进用来强调情绪，拉远用来交代环境，横移用来展示空间信息，跟拍用来制造临场感，升降用来完成段落转换。把它们和你的内容类型配对，形成自己的常用组合。
阶段五：生成、筛选与重跑
同一个镜头，建议一次生成三到四条备选。然后按固定标准打分：脸部是否变形、手部是否异常、动作是否连贯、构图是否符合分镜、有没有穿模或闪烁。
这个打分标准要写下来，形成清单。否则你在疲劳时会不自觉地降低标准，最后整条片子的下限被拉低。
重跑的时候，只重跑失败的镜头，不要因为一个镜头不满意就重做整条视频。把重跑当成一次参数微调的机会：如果只是脸部问题，就回到参考图；如果是动作问题，就调整提示词里的动作描述；如果是构图问题，就换首帧。
同时给自己设一个重跑上限，比如单个镜头最多八次。超过上限就改变思路，换角度或换表现方式，而不是继续消耗耐心。
阶段六：剪辑、声音与字幕
剪辑顺序建议是：先铺音乐，再对画面，最后加字幕和音效。因为音乐决定了节奏的骨架，画面应该跟着音乐走，而不是反过来。
几个具体做法。第一，在钩子之后留一个很短的空拍，让观众有时间消化信息。第二，重要转折点安排一次画面与声音的同步强调。第三，字幕保持在安全区内，竖屏视频尤其要注意底部区域会被界面元素遮挡。
如果整条视频没有旁白，那么环境音和音乐的情绪引导就更重要。一个安静的场景配上有节奏的鼓点，观感会完全不同。反过来，一段紧张的追逐画面配上舒缓的钢琴，观众会感到割裂。
还有一个细节常被忽略：镜头之间的连接方式。硬切适合节奏快的段落，叠化适合时间流逝的表达，遮挡转场适合场景切换。提前在分镜表里标注转场方式，剪辑时会顺畅很多。
阶段七：归档与复用
每条视频完成后，把可复用的部分单独存下来：角色参考图、场景参考图、常用的转场片段、音效包、字幕样式。
文件命名建议采用项目_镜号_版本_日期的格式，并且保留至少两个版本，方便回退。很多人只在本地保留最终成片，等到需要重剪或者换画幅时，才发现原始素材已经找不到了。
更进一步的做法是建立自己的素材库。当某个角色、某个场景、某种色调被反复验证有效时，把它固化成模板。这样下一条视频的起点就不是零，而是上一次的成果。
一致性难题：三种实用解法
一致性是 AI 视频里最常被抱怨的问题。它其实可以拆成三类，分别用不同方法解决。分开处理之后，你会发现它不再是玄学，而是一组可以逐步收敛的参数。
角色一致性
核心是让模型在每一次生成时都看到同一个角色。做法是建立参考图组，并在每次生成时附上同一组参考。如果角色会做大幅度动作，优先选择能接受姿势控制的方式，先用静态图确定姿势，再生成视频。
一个实用技巧是给角色加一个稳定的视觉标识，比如一顶帽子、一种发色、一个固定的配饰。模型在细节上可能会出现偏差，但观众的大脑会依靠这个标识来确认身份。
场景一致性
场景一致性依赖布局和光线。建议在同一场景的所有镜头里固定光源方向、色调和主要家具或地标的位置。
如果你的系列视频都在同一个空间内发生，可以先用一张全景图确定空间关系，之后每个镜头都用这张全景图作为参考的一部分。这样即便镜头角度变化，观众也不会觉得换了地方。
风格一致性
风格一致性是最容易被忽视的一类。它决定你的账号看起来像不像一个整体。
做法是固定三个变量：色调、对比度、颗粒感。把这三个变量写进你的提示词模板里，每次生成都带上。如果你同时在做多个系列，就给每个系列单独设一套。
检验方法也很简单：把最近十条成片的首帧缩小排在一起看。如果它们看起来像同一个人的作品，说明风格一致性已经成立。
提示词结构：把导演笔记写成可执行指令
提示词不是越长越好，而是要结构清晰。一个可以照抄的骨架是：主体加动作加环境加镜头语言加光线加风格质感加画幅与时长。
举例：一位穿深色风衣的中年男性，缓慢转头看向镜头，雨夜的老街，镜头从中景缓慢推进到近景，冷蓝色侧光，写实电影质感，轻微颗粒，横屏十六比九，四秒。
注意几个细节。主体和动作要分开写，这样调整时不会互相干扰。光线是提升质感最划算的一项，值得每次认真写。画幅和时长必须写清楚，否则后期裁切会损失构图。
负面提示词同样重要。常用的负面项包括：多余的手指、脸部变形、文字水印、画面闪烁、过度锐化、肢体穿模。把这份负面清单固定下来，可以减少大量无效生成。
常见的提示词失败模式有三种。第一种是写成了小说，塞进太多情绪和背景故事，模型无法解析。第二种是形容词堆叠，比如唯美、震撼、高级，这些词对模型几乎没有约束力。第三种是前后矛盾，比如同时要求静止不动和快速奔跑。
模型选择的决策标准
面对众多可选的生成模型，与其记住名字，不如记住判断标准。名字会变，标准不会。
文生视频、图生视频还是视频转视频
如果你对画面构图有明确要求，用图生视频。如果你只是想快速验证一个概念，用文生视频。如果你的目标是把已有素材转换成不同风格，用视频转视频。
一个常见的错误是全程只用一种方式。事实上，同一个项目里混用三种方式是常态：文生视频用来探索，图生视频用来定稿，视频转视频用来做风格统一。
时间、画质与可控性的三角
任何生成都在这三者之间取舍。需要极高画质时，往往要接受更长的等待和更多次重跑。需要快速试错时，就要接受画质上的让步。建议在项目初期用低规格快速试错，确定方向后再用高规格出终稿。
判断标准可以简化成三个问题：这条镜头是否会被观众长时间注视？它在叙事里是否承担关键信息？它的失败成本是否很高？三个都是否，就没必要追求最高规格。
画幅与时长
发布渠道决定了画幅。竖屏适合沉浸式内容，横屏适合叙事和环境展示，方形适合信息图式的表达。时长则取决于平台特性和内容密度，不要为了凑时长而拉长镜头。
一个实操建议是，在你的流程里保留两到三个不同定位的生成环节：一个用于快速草图，一个用于正式出片，一个用于特殊风格尝试。这样无论项目大小，你都能找到合适的起点。
常见错误与排查清单
下面这些错误，几乎每个新手都会遇到一次以上。提前知道它们，可以省下大量时间。
第一，试图一次生成完整的一条视频。正确做法是拆成单镜头，逐个解决。
第二，参考图之间风格不统一。检查方法是把所有参考图拼在一起看，如果像来自不同作品，就需要重做。
第三，提示词里缺少光线描述。补上光线方向、色温和强度，画面质感会立刻提升。
第四，忽略声音。很多创作者在画面完成后才随便配一段音乐，结果节奏完全对不上。
第五，不做备份。原始生成文件、参考图、分镜表都要有备份，云端加本地硬盘是最低要求。
第六，在一个镜头上无限重跑。设定一个上限，超过上限还没满意，就改变思路。
第七，只看单个镜头，不看整条片子。把所有镜头按顺序连起来放一遍，很多问题会立刻显现。
第八，画幅中途改变。如果一条视频里混用了不同画幅，裁切之后构图会全部走样，应该在分镜阶段就统一。
团队协作与素材管理
如果你不是一个人在做内容，流程需要额外加两个环节。
第一个环节是共享分镜表。所有人在同一份表格上工作，标明谁负责哪个镜头、当前状态是待生成、待审核还是已完成。这样能避免重复劳动。
第二个环节是审片节点。建议设置两个：一个是分镜确认，一个是首轮生成确认。前者避免方向性错误，后者避免在错误的画面上继续投入时间。
素材管理上，建议按项目建立文件夹，里面再分参考图、生成素材、音频、成片四个子目录。命名规则全团队统一，不要出现最终版、最终版二、真的最终版这类命名。
如果团队里有专门负责文案和专门负责视觉的人，建议让他们在分镜阶段就同步一次。视觉方案确定了文案的节奏，文案也确定了画面需要承载的信息量，任何一方单独推进都会造成返工。
发布节奏与选题排期
稳定更新比偶尔爆款更能积累观众。实操上建议采用批次生产：用一到两天集中完成一批素材，然后按计划分批发布。
选题上可以采用一个简单的比例：大部分内容沿用已经验证过的结构，少部分内容用于测试新形式。这样既能保证基本盘，又能持续获得反馈。
复盘时关注三个指标：前三秒留存、平均观看时长、互动率。如果前三秒留存低，问题出在钩子；如果留存高但观看时长短，问题出在中段节奏；如果观看时长不错但互动低，问题可能出在结尾缺少明确的回应引导。
还有一个小技巧：把表现最好的三条视频拆解成结构模板，分析它们的钩子类型、镜头数量、音乐节奏点位置，然后直接套用到下一批内容里。这不是偷懒，而是把偶然的成功变成可复制的方法。
FAQ
问：完全没有剪辑基础，能开始做 AI 视频吗？ 可以，但建议从最简单的结构开始：一个钩子、三个镜头、一段音乐、一句字幕。先把最小区块跑通，再逐步增加复杂度。
问：一条三十秒的视频需要准备多少素材？ 按六到九个镜头计算，每个镜头生成三到四条备选，大约需要二十到三十六条生成结果。参考图另算，通常五到十张。
问：为什么我的角色在不同镜头里看起来像不同的人？ 最常见的原因是没有固定的参考图组，或者参考图之间的光线和角度差异太大。先统一参考图，再统一提示词里的角色描述。
问：提示词写多长比较合适？ 以能覆盖结构骨架为准，通常一到三句话。关键不是长度，而是每一部分都有明确信息。
问：应该自己建立提示词模板库吗？ 应该。把每次效果好的提示词保存下来，标注它适合的场景，几个月后你就有了自己的一套方法。
问：视频里有文字怎么办？ 生成模型对文字的还原通常不稳定。更可靠的做法是生成不带文字的干净画面，再用剪辑软件叠加字幕。
问：如何判断一条片子可以发布了？ 按顺序检查：钩子是否清晰、节奏是否有起伏、角色是否一致、声音是否匹配、字幕是否在安全区。全部通过就可以发布。
问：每次生成结果都不一样，正常吗？ 正常。生成具有随机性，这也是为什么要一次生成多条备选，并用固定清单筛选。
用 Orelon 把想法变成成片
一条好的工作流，最终要落到一个顺手的工具上。Orelon 的定位很明确：让电影感的想法真正动起来。你可以从一张参考图开始，在 创建视频 里生成第一个镜头，也可以先用 创建图像 把角色和场景定下来，再去推进关键帧。
如果你不确定从哪里开始，模板库 提供了可以直接套用的结构，提示词库 里有大量可参考的写法。想了解不同生成方式之间的取舍，可以翻翻 博客，需要横向比较时也可以查看 同类工具对比。
流程不必一次做到完美。先跑通一个镜头，再跑通一条视频，然后把这套流程重复十次。你会发现，真正让内容稳定起来的，从来不是某个模型的更新，而是你手上这条越用越顺的路。