保姆级AI视频教程！用Seedance 2.0+ GPT2.0做爆款短剧

一、从想法到故事：AI 视频不是一句提示词生成的

很多人做 AI 视频的第一步是打开即梦，对着输入框发呆，不知道该写什么。打出几个字，生成出来的东西跟想象里差很远，然后开始怀疑是不是工具不好用，或者是不是自己不会写提示词。

比如说「我想做一个Biteye 小师妹重生在币圈当大佬」，这是一个想法，不是一个故事。

想法是一个方向，它告诉你大概要做什么。故事是一个结构，它告诉你每一个画面该拍什么。从想法到故事，中间有一段工作要做，这段工作就是脚本策划。

最简单的方式是打开任意的LLM，把你脑子里那个模糊的想法直接告诉它，让它帮你把故事撑起来。你不需要自己想清楚所有细节，你只需要提供一个方向，剩下的可以和它一起推导。

故事线确定之后，不要直接拆分镜，先按照叙事节奏把它切成几个大的段落，每个段落明确一件核心的事是什么。这一步是为了控制整体节奏，防止某一段太拖或者太仓促。

即梦单条视频最长 15 秒，实际操作中 12 秒以下是最稳定的，画面出问题的概率最低。1min 秒的成片，按照每个片段平均 10 秒计算，大概需要 5 个片段。

我们把的故事切成五个段落：

• 段落一：开场，核心任务是交代场景和角色。
• 段落二：穿越，核心任务是交代时间线。
• 段落三：展现角色从困惑到清醒的转变。
• 段落四：计算财富，把情绪推向高潮。
• 段落五：完成反转，与开场形成闭环。

段落确定之后，把每个段落进一步拆成具体的镜头描述。每个镜头写四个要素：画面主体、所在位置、正在做什么、拍摄角度。不要在分镜里写运动，只描述静止的瞬间。

将段落一的脚本复制到 AI 聊天框中，输入「帮我根据场景一的脚本，生成分镜描述」，得到的效果如下👇

二、从故事到画面：先锁定角色、场景和分镜

这一章是整个流程里最核心的一章，你在这里生成的图片质量，直接决定最终视频的质量上限。

先做三视图，锁定你的主角

在生成任何分镜图之前，第一件事是先把主角的三视图做出来。三视图就是同一个角色的正面、侧面、背面三张图，目的是把这个人的外形固定下来，后面不管生成什么场景，都参考这三张图来保持角色一致。跳过这一步直接生成分镜图的话，你会发现每次生成出来的角色都长得不一样，发型变了，脸型变了，这条视频就完全做不下去了。

打开ChatGPT/Seedream，在对话框里输入：
「帮我生成一张Biteye 小师妹的三视图」

AI会生成一张图，里面有三个角度的同一个人物，如果生成出来的人和你想要的差距大，可以上传参考图。

三视图满意之后，把这张图下载下来，后面每次生成视频都要把它上传回去作为参考。

再做场景参考图，锁定你的背景

角色确定之后，同样的逻辑，把你的场景也先单独生成一张参考图，对话框输入「帮我生成一张办公室的图片」

在正式开始生成分镜图之前，需要先理解一个基础概念：镜头是视频最小的表达单位。镜头也是会说话的，不同的镜头景别，传递的信息是不一样的，常见的景别有以下几种：

• 全景：交代信息的，观众通过全景知道这个场景在哪里、有哪些角色。
• 中景：推进剧情的，能看清楚动作和表情，是叙事里用得最多的景别。
• 特写：制造情绪的，画面只拍脸、手、或者某个关键道具，放大细节，给观众强烈的情绪冲击。

理解单个镜头之后，还需要再往上走一层：一条视频不是一个镜头，而是多个镜头按照节奏组合在一起的结果。

在实际制作中，我们通常会用「四宫格」和「九宫格」来组织一段视频的镜头结构——也就是在一段视频里，安排 4 个或 9 个镜头完成一次完整表达。

• 节奏慢的段落：比如开场交代环境、结尾情绪收口，用四宫格就够，四个镜头有足够的空间让每个画面呼吸。
• 节奏快的段落：比如打斗高潮，镜头需要密集切换来制造紧张感，这时候用九宫格，九个镜头压在一段视频里，剪出来的感觉完全不一样。

理解了镜头和节奏之后，就可以开始进入实际制作：把抽象的故事，变成具体的画面。

人物三视图和场景参考图都准备好之后，接下来要做的，就是把前面写好的分镜描述，一张一张变成可视化的画面。原因很简单，AI 更擅长处理「确定的单帧」，而不是「连续变化的过程」，也能大大降低抽卡率。

具体做法是：每次生成一个镜头，先把角色三视图和对应的场景参考图上传到 ChatGPT 对话里，然后输入刚刚分镜图的生成提示词。

模型会根据你提供的分镜信息，把这段镜头拆成四个画面，并且保证人物和场景的一致性，效果如下：

三、从画面到视频：提示词要写动作，不要重写画面

分镜图都准备好了，现在我们要把它们变成会动的视频。

🌟注册即梦：打开浏览器搜索「即梦AI」，进入官网，用抖音账号或手机号注册即可访问。

视频提示词怎么写？

先把参考图都丢进去，即梦支持同时上传多张参考图，直接把图片拖到聊天框里。角色三视图、场景参考图、四宫格或九宫格分镜图，全部拖进去，即梦会综合这些图片信息来生成视频。

提示词要写的是：画面里什么东西在动，怎么动，镜头自己有没有在运动，以及每一段时间里发生什么。

🎤 声音描述是新手最容易忽略的部分，如果视频里有台词，光写「说话声」是不够的。要保证多段视频里角色声音一致，有两个方法：

• 用第一段的音频做参考：先生成第一段视频，导出音频，后续生成时上传这段音频作为声音参考。
• 用 Fish Audio 找参考音色：搜索符合气质的音色，下载作为参考音频统一使用。

用标点控制 AI 配音的语气

给 AI 配音模型写台词，标点不同，语气可以完全不一样。标点符号控制停顿，停顿决定情绪。

• …… 省略号：声音断开但气息不断，适合思考、犹豫。
• ……！组合使用：压抑之后的突然爆发。
• （ ）括号内容音量降低，变成气声，适合内心独白。
• *内容* 星号包围的词更低、更慢，强调关键信息。
• [ ] 方括号里写指令而不是台词，模型会执行动作。

四、从片段到成片：剪辑决定视频最终质感

剪辑和后期是整个流程里画龙点睛的一步，前面生成的每一段素材都是独立的，色调可能有差异，节奏可能不连贯，剪辑的作用就是把这些碎片捏合成一个完整的故事。

做法分四步：排列素材 → 统一色调 → 加声音 → 加字幕，最后导出。

• 第一步：排列素材 — 打开剪映，把所有片段按场景顺序拖入时间轴，检查节奏，剪掉多余部分。
• 第二步：统一色调 — 全选所有片段，在「调节」里整体加一层滤镜，保持每个场景内部色调一致。
• 第三步：加背景音乐和音效 — 背景音乐决定情绪基调，音量压到对白的30%以下。
• 第四步：加字幕 — 用「智能字幕」自动识别对白，检查错别字，统一字体位置。旁白用不同样式区分。

五、从工具到表达：AI 视频真正改变了什么

我们认为在 AI 时代：「拍视频」的门槛被降低了，以后人人都能排除好莱坞大片。但门槛低，不代表你就能做出来。工具都是公开的，教程也到处都有，但大多数人卡在同一个地方：从来没有完整跑通过一遍。本篇文章 Biteye 已经带你从一个模糊的想法，一步步剪成一条完整的成片。

过去这个过程需要一整套的专业分工：编剧、分镜、美术、摄影、剪辑，每一个环节都是一道门槛。而现在，这些环节没有消失，只是被压缩进了一条流程里。

这意味着一件更底层的变化：视频不再是「生产能力」的产物，而开始变成「表达能力」的产物。

🌿 每一步都不复杂，关键是完整地跑一遍。你的第一条 AI 短视频，就从这里开始。