第十章 AI 视频制作应用

视听语言是 AI 视频时代的"新编程语言"——AI 生成视频的质量上限，取决于你能否用专业术语精确描述想要的镜头。

10.1 为什么学视听语言对 AI 制作至关重要

• 文生视频模型（Sora、可灵、即梦、Runway、Veo 等）都在海量影视素材上训练，对专业术语的响应远好于模糊描述。"a cinematic dolly-in shot" 比 "camera moves closer" 生成质量更稳定。
• AI 能生成单个镜头，但分镜设计、镜头组接、节奏控制仍然完全依赖人——这正是视听语言的核心。
• 会看片、会拆片的人，才能判断 AI 生成结果好不好、差在哪、怎么改提示词。

10.2 用视听语言写视频提示词

一条结构化的视频提示词 = 主体 + 动作 + 场景 + 景别 + 运镜 + 光线 + 风格/氛围。

术语对照速查

中文	提示词（英文）
大远景/远景/全景	extreme wide shot / wide shot / full shot
中景/中近景/特写/大特写	medium shot / medium close-up / close-up / extreme close-up
平拍/俯拍/仰拍/顶拍	eye-level / high angle / low angle / top-down (overhead)
推/拉	dolly in (push in) / dolly out (pull back)
摇/移/跟	pan left-right, tilt up-down / trucking shot / tracking (following) shot
环绕/升降/航拍	orbit (arc) shot / crane shot / aerial drone shot
手持/固定	handheld camera / static (locked-off) shot
浅景深/焦点转移	shallow depth of field, bokeh / rack focus
黄金时刻/蓝调时刻	golden hour / blue hour
逆光/轮廓光/三点布光	backlight / rim light / three-point lighting
柔光/硬光/体积光	soft diffused light / hard light / volumetric light, god rays
电影感/胶片感	cinematic / 35mm film look, film grain
慢动作/延时	slow motion, 120fps / timelapse
橙青色调/低饱和	teal and orange grading / desaturated muted tones

提示词模板与示例

模板：
[景别] + [角度] of [主体+外观细节] [动作], in [场景环境],
[运镜], [光线], [色调/风格], [氛围情绪]

示例 1（产品）：
Close-up, slow dolly-in on a ceramic coffee cup with steam rising,
on a wooden table by a rainy window, soft window light from the left,
shallow depth of field, warm muted tones, cozy cinematic mood, 35mm film look.

示例 2（人物叙事）：
Medium tracking shot following a young woman walking through a neon-lit
alley at night, handheld camera, shallow depth of field, teal and orange
color grading, light rain, reflective wet ground, moody cinematic atmosphere.

示例 3（大场面开场）：
Aerial drone shot slowly pulling back to reveal a coastal village at
golden hour, volumetric sunlight, warm tones, epic establishing shot.

提示词技巧

• 一个提示词只写一个镜头、一个运镜意图，想要多镜头就分多次生成再剪辑——正如实拍"一镜一意图"。
• 描述具体可见的东西（材质、天气、光源方向），不要写抽象概念（"美丽的""震撼的"信息量为零）。
• 保持角色/场景一致性：固定主体描述文案、使用参考图（图生视频）、用同一 seed。
• 生成不满意时，按视听语言逐项排查：是景别不对？光线不对？还是运镜不对？定向修改而非重写。

10.3 AI 视频工作流

完整流程：策划 → 分镜 → 生成 → 剪辑 → 声音 → 成片

1. 脚本策划：用 Claude 等 LLM 头脑风暴主题、写脚本、生成分镜表（直接要求输出"景别/运镜/光线"列的分镜表）。
2. 视觉预演：文生图（Midjourney/即梦）先出关键帧/分镜图，确认构图风格后再生成视频，省时省钱。
3. 镜头生成：图生视频（一致性好）或文生视频；每个镜头生成 2-4 个候选，挑最好的。
4. 剪辑组装：按蒙太奇逻辑组接——AI 单镜头普遍 5-10 秒，正好符合"短镜头快节奏"剪辑；用 J/L cut 和音效缝合。
5. 声音：TTS 配音（ElevenLabs、剪映配音）、AI 音乐（Suno、Udio）、音效库补细节音。
6. 后期统一：全片统一调色 LUT 掩盖不同批次生成的色差；加胶片颗粒/字幕增强整体感。

AI 辅助实拍剪辑（Vlog 场景更常用）

• 自动字幕+文稿剪辑：剪映"图文成片/智能剪口播"、DaVinci 文本剪辑——按文字删减，口播剪辑效率提升数倍。
• AI 降噪/人声分离：Voice Isolation 一键救回嘈杂环境收音。
• 智能抠像/跟踪：无绿幕换背景、自动追踪打码。
• 素材检索：按内容语义搜索素材（"找出所有有海的镜头"）。
• AI 调色匹配：一键匹配参考画面色调。

10.4 注意事项

工具会换，镜头不会换。时间花在景别、光线和剪辑上，模型只负责执行你已经写清楚的那一镜。

• 版权：商用前看该平台当时的条款。用别人的影片截图、海报或未授权的角色当参考图，生成结果也不能当成自己的素材发出去。
• 肖像和商标：不要做可识别的真人明星，不要把品牌标志写进提示词。需要真人出镜，用你有授权的脸，或完全虚构的角色。
• 一致性：脸、衣服、道具和上一镜对不上，就回到设定图重出。不要指望剪辑或蒙版把两张不同的脸接成同一个人。
• 标注：发布平台若要求标明 AI 生成，在标题或简介里写明。规则以你要发的那个平台为准。

短剧按顺序做，见 10.5 AI 短剧：五步制作。日常 Vlog 的降噪、字幕和口播删减，用剪映即可，不必走短剧那五步。

10.5 AI 短剧：五步制作

短剧要的是同一批人物在连续分镜里看起来还是本人。流程按这个顺序，不要一上来就生成整段视频。

1. 自己写大纲，再交给模型润色

大纲自己写，写清：谁、要什么、障碍是什么、结尾变了什么。然后把大纲交给 Kimi、GLM（智谱）、通义千问、豆包或 Qoder，只让它做三件事：补对白、把一场戏拆成可拍的节拍、删掉不能拍的抽象形容。要求它输出分场，不要输出「一段完整小说」。

润色提示里写明限制：每场不超过 3 个节拍；对白能读出声；不新增大纲里没有的人物。

2. 小云雀做分镜，并拆资产

把分场剧本交给小云雀，生成分镜脚本。同时列出资产，后面所有图都从这三张清单来：

• 人物：年龄、发型、服装、一个不会变的特征（例如左眉一颗痣）。每人写一段固定描述，后面原样复用。
• 场景：时间、室内外、主色、关键道具的位置。
• 道具：谁拿着、什么颜色、特写时要看见的细节。

3. 用 gpt-image-2 和即梦出资产图

先出设定图，再出分镜图。人物用同一段描述连续出正面、侧面、半身，挑一张当参考，后面的图都带上这张参考。场景出一张「空镜头」当母图。道具单独出，不要每张分镜都重新发明一遍。

图不合格就改描述重出，不要带着一张脸已经变了的图去生成视频。视频会把这个错误放大。

4. 小云雀或即梦，按分镜出视频

每个镜头单独生成，时长先定在 3–5 秒。提示词按列写全，缺一列，模型就会自己编：

• 时长
• 景别
• 构图（主体在左还是在右，视线前方留不留空）
• 运镜（只写一种：固定、缓推、横移）
• 画面内容（谁在做什么，道具在哪）
• 光线和色彩（沿用资产图里的主色）

每个镜头出 2–4 条，留脸没有变、动作读得懂的那条。脸或衣服变了，换参考图重出，不要靠剪辑掩盖。

5. 剪映里剪，并配乐

按分镜顺序铺上去，镜头之间优先硬切。人物还在动的时候切，比等动作停住再切更顺。音乐选一条铺底，在对白进来的地方把音乐音量用关键帧降下去。音效只加能对上的动作（脚步、开门），不要每切一次都加一声 whoosh。全片最后统一调一次色，把不同批次生成的冷暖差拉齐。

更通用的提示词写法和模型注意项仍见 10.2、10.3、10.4。这一节是短剧的固定顺序：大纲 → 分镜和资产 → 设定图 → 分镜视频 → 剪映。