说实话，我见过不少朋友第一次尝试AI视频，第一反应就是打开某个工具，对着输入框念叨一句“帮我生成一个视频”。结果呢，出来的东西要么画面奇奇怪怪，要么跟脑子里的想法完全不是一回事。工作流对了，AI才是个高效的“军团”；工作流不对，AI就是个大号盲盒。

所以我这篇要聊的，不是“教你点哪个按钮”，而是把一条完整的链路拆开给你看：怎么用DeepSeek把模糊想法变成可执行的分镜脚本，怎么用豆包把脚本变成统一的画面素材，再交给即梦生成动态片段，最后剪辑成片。这套流程我反复跑过很多次，30分钟出一条能看的片子，是真的可以做到的。

1. 30分钟出片的整体流程与工具分工

先说结论：AI视频制作这件事，工具只占一半，另一半是把流程理顺。很多人花一整天做出来的片子还不如别人半小时做的，差别往往不在生成质量，而在“每一步该干什么、干到什么程度才算完”没有想清楚。

1.1 三个工具各管哪一段

这三个工具的分工非常明确，用一个不太严谨但好懂的比喻来说：

• DeepSeek是编剧 ：负责把“我想做一个关于XX的视频”这种模糊想法，转换成具体的分镜脚本，包含画面描述、运镜方式、镜头时长、旁白文案。
• 豆包是美术师 ：负责把脚本里的画面描述变成实际的静态图片素材。这一步决定了视频的画面风格、色彩、主体长相。
• 即梦是摄影组加剪辑助理 ：负责把静态图片变成动态视频片段，提供运镜、运动幅度、生成时长等参数控制。

剪辑成片这一步，其实可以放在即梦之后的任何一个剪辑工具里做，剪映、CapCut、Final Cut都行。在30分钟流程里，我建议用手机版剪映或电脑版剪映，因为它在字幕、配音、转场、背景音乐这些事上自动化程度最高，能省掉大量手动操作。

有人会问：既然即梦也能文生视频，为什么还要先让豆包生图？核心原因是 可控性 。文生视频是“你给一句话，它自由发挥”，画面里的主体长相、构图、风格都不太受控；而图生视频是“你给一张图，它让这张图动起来”，主体、风格、构图基本锁死。做一条完整的片子，画面统一性比画面惊艳重要得多。

1.2 30分钟的时间线是怎么分配的

我的习惯是严格按下面这张表来控制节奏：

环节	使用工具	耗时	说明
需求梳理与分镜脚本	DeepSeek	8分钟	包括一次生成和一次追问修改
批量生成分镜图	豆包	7分钟	一次性生成一批，不要一张一张调
图生视频生成	即梦	10分钟	关键：同时并行生成多个镜头，不是一个个等
剪辑、字幕、配音、导出一气呵成	剪映	5分钟	用模板和自动字幕压缩时间

请注意，这里有个特别重要的思维方式： 环节之间不是完全串行的 。你在即梦上点了第一个镜头的生成按钮之后，生成需要十几秒到一分钟，这段时间不要干等，立刻去操作第二个镜头、第三个镜头的上传和参数设置。等所有镜头都在生成队列里了，你再去准备配音文案和背景音乐。

如果有人跟你说“AI视频制作很慢”，多半就是在这儿慢的——一个镜头一个镜头地等，生成完再想下一步，那当然慢。

1.3 先想清楚镜头数量

还有一个前期规划容易漏掉的事情： 确定整条视频的镜头数量 。我一般按“成片时长除以3到5秒”来倒推。比如你想做一条30秒的片子，那就是6到10个镜头，每个镜头3到5秒。这个数量直接决定了你的脚本要写几条画面描述、豆包要生成几张图、即梦要生成几段视频。

这条公式能帮你避免很多无效劳动。很多人一上来就狂写二十条分镜，结果生成到一半发现时间根本不够，最后只能大量砍素材，前面的功夫全白费。先把镜头数量定死，后面每步都按这个数走，30分钟才兜得住。

2. 用DeepSeek把模糊想法变成可用分镜脚本

脚本是整条AI视频的“施工图纸”。图纸画错了，后面所有环节都在将错就错。我见过太多人跳过这一步，直接拿着一个模糊的想法去生图，比如“帮我生成一个未来城市”，结果豆包给了张科幻感很强的图，但跟视频前后镜头完全不搭，放到剪辑软件里一看，整个片子像被不同导演各拍了一段然后强行拼在一起。

2.1 为什么写脚本这件事最适合交给大模型

写分镜脚本这件事，人也可以做，但DeepSeek做有它独特的优势：它非常擅长把模糊、发散、口语化的描述，拆解成结构化的、适合作为生图提示词和视频提示词的内容。而且它可以按你的要求控制输出格式，一次给够信息量，不用你来回折腾。

我第一次用DeepSeek的时候，走了不少弯路。最开始我给的指令特别偷懒，就一句“帮我写一个科幻短片脚本”，它给我来了个特别宏大、特别文艺的内容，八个镜头里五个都是“虚无缥缈的光”，这种描述根本没法生图。后来我才明白， 告诉它“不要什么”和告诉它“要什么”一样重要 。你得明确告诉它：不要抒情，不要隐喻，要具体的、可被画面呈现的内容。

2.2 一套可以直接抄的脚本提示词模板

我调了好几版之后，现在固定用的是下面这套模板。你可以直接复制去用：

你是一名专业的短视频分镜师。请根据我给出的主题，输出一条20秒短视频的分镜脚本。

脚本要求：
1. 总镜头数控制在5个左右，每个镜头3到5秒。
2. 不要任何抒情、隐喻、抽象描述，每个镜头必须是能被画面直接呈现的物理场景、人物动作、光线状态。
3. 输出格式严格按下面的表格，不要多写其他内容：
   镜头序号｜画面描述（30字内）｜运镜方式｜字幕文案
4. 整条视频的画面风格要统一，建议在脚本开头用一句话说明整体风格。

我的主题是：一座城市里的深夜便利店，一位加班结束的女孩进来买了一杯热咖啡，窗外下着雨。

这套模板的关键在于第2条和第3条。“能被画面直接呈现”这句话极其重要，它过滤掉了DeepSeek容易发飘的毛病；“不要多写其他内容”也很重要，否则它会给你来一段“在这个喧嚣的城市里……”之类的前言，纯粹浪费你的时间。

2.3 脚本生成之后的第二遍修改

多数情况下，第一版脚本直接用是有风险的。我拿到第一版后，会再看一遍，然后把“这版里AI最容易跑偏的地方”二次提出来改。比如上面这个例子，DeepSeek第一版很可能会把“雨天”渲染成重点，5个镜头里有3个都在拍雨、拍倒影，反而忽略了“女孩买咖啡”这个核心动作。

这时候不能嫌麻烦，直接追问它就好：

脚本里的雨景镜头太多了，请把核心焦点放在女孩与店员、女孩与咖啡的互动上。保留雨作为环境背景，但最多只能出现一次独立雨景镜头。

这种“追问式修改”通常一次就够，8分钟完全能拿下一个满意的脚本。如果你连追问都不想写，还有个更省事的思路：在第一次提示词里就写明“雨只是背景元素，不要作为主要拍摄对象”，减少后期返工。

脚本环节还有个容易被忽略的细节： 字幕文案要提前想好 。很多人做视频是把素材拼好再一个字一个字敲字幕，这是最浪费时间的方式。你让DeepSeek在输出脚本时就把字幕文案一并写好，后面进剪映直接复制粘贴就行。

3. 豆包生图：把文字变成画面素材的关键一步

脚本拿到手，接下来的核心工作就是“文生图”。这一步的输出质量，直接决定后面视频生成的上限。图片生成得好，视频生成就顺；图片本身就有问题，视频生成得再强大也只能放大这个问题的副作用。

3.1 从分镜脚本到绘图提示词的翻译方法

豆包生图并不是把脚本里的“画面描述”原样丢给它就行。你需要把一句描述翻译成更完整的绘图提示词。我一般按四要素来拆：

• 主体 ：画面里最核心的人或物，要具体到动作、状态
• 场景 ：环境、时间、天气，越具体越好
• 光线 ：顺光、逆光、侧光、霓虹灯、日光，光线几乎决定了一张图的气质
• 风格 ：写实、电影感、赛博朋克、水墨、二次元

举个例子。脚本里有一句“女孩站在便利店的暖黄灯光下，接过店员递来的热咖啡”，翻译成豆包能更好理解的提示词是：

一个城市的深夜，便利店内暖黄色灯光，一位年轻女孩站在收银台前，伸手接过店员递来的一杯冒着热气的咖啡，窗外的雨滴模糊可见，店内的关东煮冒着蒸汽，电影感写实风格，浅景深，画面中只有女孩和店员是清晰的。

注意，我只在原句基础上做了两件事：加了光线（暖黄色灯光）、加了风格（电影感写实风格、浅景深）。景深这个词看着专业，但它实际操作上的意思是：告诉AI把背景虚化掉，主体更突出。这种镜头感越强，后面生成的视频就越像“大片”。

3.2 生成参数与画面一致性控制

豆包生图的界面里，有几个参数你得先定下来，不然会浪费大量时间：

• 画面比例 ：这个最关键。你在生成图片那一刻就要想好成片发布在哪里。抖音、快手、竖屏短视频用9:16；B站、西瓜视频横屏用16:9。比例错了，后面视频生成、剪辑全是麻烦。
• 生成数量 ：能选4张就选4张，不要选1张。同一个提示词多出几个版本，后面筛选余地大。
• 风格参考 ：如果你在同一个工具里生成多张图，尽量带上同一张“风格底图”作为参考。具体做法是：先挑一张最满意的图作为风格底图，后续每张图都引用它来统一画风。

画面一致性是新手做AI视频最容易翻车的地方：第一张图是个日系清新风，第二张图变成了暗黑电影风，拼出来的片子根本不是一回事。解决思路其实不复杂：第一张图生成后，只要有一张风格对味的，就把它作为风格参考反复用。这比让豆包凭空保持统一靠谱得多。

3.3 哪些图适合作为视频素材，哪些图别用

不是所有好看的图都适合拿去生成视频。根据我的经验，适合图生视频的图有几个特征：

• 有明显的主体 ，画面重心清楚，不是大范围的风景或纹理
• 前后景有层次 ，生成视频时才能有前后景的立体感
• 画面里没有大量文字 ，尤其是中文字，因为文字在动态生成时极易乱码或者扭曲
• 静止状态下就带着“动势” ，比如人物的头发被风吹起、雨丝斜落、香烟的烟雾缭绕，这种图生出来的视频动态自然得多

反过来，最容易翻车的是人物特写、强行脸部大特写这种图。不是说不能生成，而是五官特别容易在动态生成时变形。如果你一定要做人物特写，建议把脸放在画面边缘，或者让人物有遮挡物（比如围巾、衣领），这样变形也不容易被注意到。

4. 即梦视频生成：让静态画面动起来的关键设置

图片素材备齐之后，就进入最让人期待也最容易上头的一步：让画面动起来。即梦的操作逻辑不复杂，但有几个参数值得好好说道说道。

4.1 图生视频的参数怎么定

我强烈建议用“图生视频”而不是“文生视频”。文生视频虽然少了一步生图，但风格不可控，主体不稳定，往往要多生成很多次，反而更费时间。图生视频的核心是“让已有的画面动”，可控性强得多。

进入即梦的图生视频界面，会有几个参数，我按自己的习惯给一套默认配置：

参数名	我的默认设置	说明
生成时长	3秒或5秒	3秒适合卡点快节奏，5秒适合叙事慢镜头
运动幅度	中低档	调太高容易导致画面扭曲、人物变形
运镜方式	根据内容选	固定机位最稳，推近拉远更有叙事感
画面比例	与生图时保持一致	16:9或9:16，千万别变

关于运动幅度，这里有个反直觉的规律： 运动幅度越低，视频越不容易出错，但看起来越像“动了又好像没动”；运动幅度越高，动态越明显，但变形风险也直线上升 。我的建议是先以中低档生成一版，看效果再说。如果你确实需要强动态，比如人物的头发大幅度飘动，那可以在运动幅度拉高的同时，把主体移到画面中间偏下的位置，这样即使边缘有变形，也不太影响观感。

4.2 多条生成与筛选经验

一个镜头我会生成两版，最多三版，挑一版能用的，坚决不追求完美。怎么挑呢？看两点：主体有没有明显变形，动态是否符合物理直觉。比如水杯被拿起，那水面的晃动应该近似物理规律；人物转身，那衣服的运动应该自然。

这里有个大多数人不知道的取舍技巧： 视频生成有缺陷不要慌，很多缺陷靠剪辑能遮掉 。比如某个镜头最后两帧人物变形了，那就在剪辑时让这个镜头提前一点切换，把变形的部分切掉；比如某个镜头中段人物突然卡顿，那就把这段中断，卡个点在转场上。剪辑是遮瑕的最终手段。

4.3 片段之间的节奏怎么把控

生成出来的都是零碎的小片段，怎么拼成一条有节奏感的视频，就得靠预判。如果你做的是卡点视频，那每个镜头的时间最好严格控制在音乐节拍的倍数上，比如卡点视频常用1秒或0.5秒，这就意味着你生成一个3秒的片段，剪辑时可能要拆成三段来用。

如果你做的是叙事型视频，那节奏可以宽松一些，每个镜头3到5秒，让观众能看清画面内容再切换。不过别让镜头太长，超过5秒观众就容易无聊。AI视频的审美有个特点： 宁可切快点，不要拖慢 。因为AI生成的动态细节往往撑不住长时间凝视，快速切换反而能藏拙。

5. 剪辑成片：素材如何拼出节奏与质感

到了剪辑这一步，手里的素材是一堆3到5秒的AI生成片段，目标是把它们拼成一条有开头、有中间、有结尾、有情绪的完整片子。别小看这一步，同样的素材，有人拼出来像PPT，有人拼出来像预告片，区别就在剪辑顺序和节奏控制。

5.1 剪辑流程：粗剪、精修、调色三步走

我习惯分成三步，不要试图一步到位。

• 粗剪 ：把所有镜头按脚本顺序拖到时间线上，先不管细节，只看叙事通不通。这一步的核心是确认“讲故事的顺序对不对”。
• 精修 ：把每个镜头的长短裁剪到合适的节奏，去掉头尾两帧里人物变形的部分，在镜头的切换处加上转场。
• 调色与补漏 ：因为所有镜头都是AI生成的，色调可能不完全一样，可以加一个统一的滤镜或调整亮度对比度，让画面更协调。另外，检查画面里有没有明显的文字乱码、奇怪的穿帮，有的话要么裁掉，要么用转场盖住。

很多人喜欢在剪辑一开始就套模板、加音乐，这是本末倒置。先搭骨架，再补皮肤，效率高得多。

5.2 字幕、配音与背景音乐

字幕我建议用剪映的自动识别字幕功能。如果你在脚本环节已经让DeepSeek写好了字幕文案，可以直接复制到剪映里编辑，比自动识别还要快，还不用担心识别错误。

配音有两种选择：一是自己录，优点是情感自然，缺点是设备、口音、环境噪音都是变量；二是用AI配音，剪映自带的声音库里有不少质感不错的音色。如果你做的是情绪向的视频，我个人的经验是AI配音完全够用，只要把语速控制在适中偏慢，把重音词标出来，效果就不错。

背景音乐的选择要跟画面情绪匹配，节奏强的视频用鼓点清晰的BGM，叙事型的用钢琴或氛围音乐。一个卡点技巧：把BGM的波形拉出来，在鼓点重音对应的位置切换镜头，你会发现整个片子的质感立刻提升一截。

5.3 导出设置和常见坑

导出的时候，按平台要求来。抖音、快手等竖屏平台导出1080×1920、30帧即可；B站、西瓜视频等横屏平台导出1920×1080、30帧即可。码率选择默认或更高一档，画质会好一些。

常见问题我列两个，都是自己踩过的：

• 音画不同步 ：检查是不是拍摄或生成的帧率不一致，统一导出设置即解决，多数情况下是导出帧率选择了23.976而素材是30，改成30即好。
• 镜头比例不一致 ：这是最烦人的坑。原因就是前面说的，生图时没统一比例，比如第一张图是16:9，第二张图是1:1，生成视频后放入16:9的时间线，画面就会被拉伸或留黑边。解决办法只有一个：回到生图环节，从一开始就统一比例。

6. 一次完整实操：30分钟记录与复盘

光说不练假把式。我把一套完整的实操过程记录下来，包括中间卡壳的地方以及怎么救场的，给正准备入门的读者一个参照。

6.1 原始想法与分镜脚本

我这次的主题是“深夜便利店里的一杯热咖啡”，灵感来自一次加班回家路上看见的场景。当时我自己都觉得这主题太普通了，但做完以后发现，平凡主题反而容易出效果，因为场景好描述，情绪也容易共鸣。

用DeepSeek生成后的分镜脚本大概是这样的：

镜头	画面描述	运镜	字幕文案
1	雨夜城市街道，霓虹灯倒映在湿润路面上	缓慢推近	深夜十一点
2	便利店门口，暖黄灯光亮起，女孩收伞进店	固定机位	城市还没睡
3	女孩站在货架前挑选咖啡，灯光暖暖的	固定机位	她只想买一杯热咖啡
4	店员递过咖啡，热气升腾	缓慢拉近	温暖，有时候很简单
5	女孩捧着纸杯坐在窗边，雨滴在玻璃上滑落	缓慢拉近	——

6.2 中途卡壳的三个地方

第一个卡壳点在豆包生图环节。第1个镜头“雨夜城市街道”生成了好几版，都不满意，要么霓虹灯太花，要么雨太假。后来我换了个思路，提示词里加了“路面的积水像一面镜子，反射着灯光的模糊光晕”，画面立刻就对了。这里有个经验： 氛围感不够，就用“倒影”“模糊”“雾气”这些词去补 。

第二个卡壳点是即梦生成第3个镜头时，女孩的手部动作变形了。本来是想让她拿咖啡，结果生成出来手指拧成了麻花。我选择直接删除这个镜头，换了个方案：让第3个镜头只拍她站在货架前的背影，手部完全不入画面。这样既躲过技术短板，又保持叙事连贯。

第三个卡壳点是配音。我第一次用AI语音念字幕文案，语速太快，完全没有深夜的安静感。后来我手动把语速调到0.8倍速，每个句号之间多加了一拍停顿，情绪立刻就出来了。有时候慢一点，反而是氛围的开始。

6.3 哪些环节能进一步压缩

如果让我再压缩一次，脚本环节可以谈到5分钟：直接用我给的那套提示词模板，不做第二版修改，默认接受DeepSeek第一版输出。生图环节压缩到5分钟：严格用风格底图锁定风格，同时生成4张备选但只看第一眼感觉，别反复纠结。真正不能压缩的是即梦生成环节，因为生成需要时间，这个只能并行处理，不能靠压缩操作时间来解决。

所以对于新手，我的建议是： 第一次做，给自己留45分钟到1小时 ，熟悉流程；熟练之后，再冲30分钟。不要一上来就挑战极限，没意义。

做完这条片子后，我把整个流程固定成了自己的标准SOP：DeepSeek出脚本、豆包生图、即梦出动态、剪映合成。之后再做类似的AI视频，基本就不需要动脑想下一步该干什么了，像流水线一样顺畅。我自己用过一段时间豆包、DeepSeek和即梦这三个工具后，最大的体会是：AI的能力上限每天都在刷新，但有一条永远不变—— 谁能把自己的想法讲得清楚，谁就能把AI用得好 。所以别急着冲进生成按钮，先把你的想法讲清楚，后面每一步都会顺利很多。