AI短视频怎么生成？AI短视频制作教程（新手30分钟出片）

2026 年做一条 AI 短视频，已经不需要你会拍摄、会剪辑、会写代码。一部手机、一个免费工具、半个小时，就能从一句话生成一条能发出去的成片。这篇教程不谈概念，直接带你走一遍完整流程——跟着做，今天就能生成你的第一条 AI 短视频。

整条流程一共五步：选工具、写脚本、写提示词、生成挑片、配音导出。每一步我都给出可以直接照抄的模板和数字，你只需要替换成自己的内容。

第一步：选一个工具，别超过一个

新手做 AI 短视频，最大的时间浪费不是生成，是在工具之间反复横跳。2026 年主流工具的能力差距已经不大，选一个用熟，比全都试一遍重要得多。

结论很简单：国内新手直接用可灵或即梦，中文写提示词，手机号注册，每天有免费额度练手。本教程后面的操作都以这两个工具为准。

两个工具都有两条生成路径，先搞清楚它们的区别：

第二步：写一个三句话的脚本

AI 短视频大多是 15 到 30 秒，对应 3 到 6 个镜头。镜头不用多，但每句话都要有明确的画面。套用这个三句结构：

• 第一句是钩子（0-3 秒）：抛出冲突或好奇心，决定观众划不划走。比如"这家店的拉花，是全市最歪的"。
• 第二句是过程（3-20 秒）：把钩子展开成两三个连续画面，一句一个镜头。
• 第三句是结尾（最后 3 秒）：给出情绪或行动指令，比如"地址在评论区"。

写完自检一遍：每句话能不能在脑子里"看见"？"环境优美"看不见，"阳光落在靠窗的木桌上"看得见。看不见的句子全部重写，直到每一句都能拍出来为止。

第三步：把脚本翻译成提示词

这是 AI 短视频生成最核心的一步。脚本是人看的，提示词是模型看的，中间要翻译一次。翻译公式：

套到实际例子里。假设脚本第二句是"老板端来一杯拿铁"，翻译后的提示词：

一位中年男老板双手端着一杯拿铁走向镜头，咖啡店暖色内景，背景是虚化的木质吧台，下午暖色侧光，中景跟拍，画面平稳，电影质感，不要出现文字、Logo 和水印。

对照公式检查一遍：主体（中年男老板）、动作（端拿铁走向镜头）、场景（咖啡店暖色内景）、光线（下午暖色侧光）、镜头（中景跟拍）、质量约束（不要文字 Logo 水印）。六个要素缺一个，模型的翻车率就高一截，其中最容易被新手丢掉的是"质量约束"——不写明，画面里经常会莫名其妙出现文字和水印。

第四步：生成与挑片，一镜多生几版

同一个镜头，AI 每次生成的结果都不一样。正确姿势是一个镜头生成 2 到 3 版，挑最稳的那条。

挑片只看三件事，按顺序检查：

1. 主体崩没崩：人脸、手、杯子有没有变形，这是第一淘汰线。
2. 动作顺不顺：端杯子的轨迹、走路的姿态自不自然，有没有突然卡住或瞬移。
3. 有没有多余元素：画面里是不是冒出了提示词没写的东西，比如多余的手指、奇怪的文字。

三条都过了，这条素材就合格。注意把每版都完整看完，不要只看前三秒——AI 视频的问题大多出现在中段和后段。有人物的镜头，优先用图生视频加真实照片首帧，动作写小、一镜一个动作，能避开八成的翻车。

第五步：配音、字幕、导出发布

画面齐了，进剪映收尾。观众对声音的容忍度远低于画面，这一步不能省。

• 配音：自己用手机录音机录最自然，离麦克风一拳距离，语速放慢；不想出声就用剪映朗读音色，语速调 0.9 倍。
• 字幕：用剪映"识别字幕"自动生成，然后手动过一遍，改掉识别错的人名、店名和数字。白字黑描边，字号宁大勿小。
• 音乐：背景音乐压到人声音量的 20% 到 30%，旁白出现时音乐不能抢戏。
• 画幅与导出：抖音、小红书、视频号统一竖屏 9:16，1080P 导出。画幅从生成阶段就要定竖屏，不要横屏生成再裁。
• 转场：镜头之间用硬切，最多用淡入淡出。花哨转场在 AI 素材上反而显假。

导出前完整看一遍成片，确认字幕和配音对齐、音乐没有突然断掉，再点导出发布。

常见问题