用 AI 做视频：脚本、字幕、配音全流程

做一条视频，从选题到成片要过五六个环节，AI 能在脚本、字幕、配音、剪辑这几处实打实省时间，但它承担不了「一键出片」——选题、观点、节奏这些核心判断仍在人手里。这篇文章按流程拆开讲：每个环节 AI 能做什么、怎么判断产出能不能用、哪些坑要在动手前就知道。

脚本先行：让 AI 发散，由你取舍

选题阶段最合适的用法是发散。让它围绕一个领域一次给 10 个选题，每个配一句话钩子，你从中挑两三个再往深里追问：目标观众是谁、切入角度换成反面行不行、这个题是不是已经做烂了。AI 列的选题普遍偏泛——凡是它一次能列出来的，同行也能列出来，你需要往上加自己的经历、数据或者独有观察，选题才立得住。

脚本框架可以让 AI 先搭：三段式结构（钩子—正文—收束）或者问题—方案—证据，先把骨架定下来，你再往里填内容。判断标准很简单：骨架里每一节你都能说出「这节要传达什么」，说不出的那一节就该删。

口播稿与字幕：把文字调成节奏

脚本定了，让 AI 把要点扩写成能直接念的口播稿。这里有个硬标准：一分钟口播大约 220-260 字，写长了念起来会赶。可以在指令里直接注明「每句不超过 20 字，多用短句」。口播稿里要埋搜索词的话，可以参考商品标题的关键词布局思路，把核心词放进开头两句。稿子写完一定要自己念一遍，拗口的地方就是要改的地方。

字幕环节是 AI 最成熟的应用之一。带 AI 字幕功能的剪辑工具（剪映、必剪等都提供）上传视频就能自动生成字幕，识别准确率已经比较高，但三类内容仍要逐个核对：同音字、数字、专有名词。校对花几分钟，换来的是整条视频的可信度。做带货类视频的话，字幕和口播的口径要与选品和内容的结合思路对齐，避免文案说一套、画面说一套。

AI 配音：音色、语速与调性匹配

AI 配音把文字转成语音，适合口播、解说、旁白。选音色看三条：调性匹配（知识类选平稳清晰的，剧情类选有情绪起伏的）、语速和音量可调、支持多音字纠正。操作上建议先生成 30 秒试听，确认断句和语气没问题再跑全片，否则一段长句念错重音，整段都要重来。长句多的稿子，提前在文本里手动加标点控制断句，比事后调整省事。

剪辑辅助：省的是重复操作

主流剪辑工具内置的 AI 功能包括自动踩点、智能抠像、去背景、生成封面等。这些功能的价值是把重复劳动压缩掉：原来逐帧抠像要半小时，现在几十秒。封面的标题文案可以参考主图卖点提炼的方法——一句话说清观众能得到什么，字数控制在 15 字以内。注意生成封面时选的字体要确认商用授权，配乐同理。

版权、肖像与平台合规三条线

第一条线是素材授权：AI 生成的图片、配乐，以及你选的字体，商用前都要看授权条款，来路不明的资源不要用。第二条线是肖像与声音：未经允许不使用他人肖像，不克隆他人声音，这涉及侵权，没有商量空间。第三条线是平台规范：AI 生成内容按平台要求标注，文案发出去之前人工审一遍。三条线的共同点是成本很低——提前花十分钟确认，比下架整改便宜得多。

AI 视频流程速查

• 脚本：发散交给 AI，取舍留给自己
• 口播稿每分钟 220-260 字，写完念一遍再定稿
• 字幕校对盯三类：同音字、数字、专有名词
• 配音先试听 30 秒，确认断句再跑全片
• 版权三条线：素材授权、肖像声音、平台标注

把 AI 用在字幕、配音、初稿这些重复劳动上，把精力留给内容本身——选题的独特性和成片的节奏，这两样 AI 给不了。效率和质量可以同时要，前提是分工清楚。