企业官网建设流程全解析

前阵子有个朋友问我：我想跟着风口用 AI 做短视频，是不是得先去学大模型？我说恰恰相反，你被概念绕进去了。真正让普通人卡住的，从来不是模型不够聪明，而是打开对话窗口之后，不知道该让它干什么。我们这个小团队不做通用大模型，也碰不起大模型的底层训练，我们只干一件事：把 AI 做短视频这件事，拆成普通人看得懂、抄得走、跑得通的流程。这篇就把我们的整套做法和踩过的坑完整写出来。

1. 为什么不做大模型：普通人缺的不是参数，是一条能跑通的流水线

1.1 大众对“AI做视频”的常见误解

我观察到一个很有意思的现象：只要一聊 AI 做短视频，大多数人脑海里冒出来的画面是——输入一句话，软件自动吐出一条完整成品视频。这个想象不能说毫无根据，但把它当主业干，目前会非常难受。

原因很简单。视频生成类能力当下还在高速迭代，生成几十秒连续故事片、多人互动、准确口型，这些问题对于普通人来说完全不可控。你做一条生活记录、口播知识、产品展示，如果每一帧都要靠生成式模型去碰运气，制作成本不会降，反而会升。

所以我们不去追那个“一键成片”的终极幻想。我们要解决的是更现实的问题：普通人手里有手机、有时间、想表达，但不会写脚本、不会剪辑、不想露脸、又找不到素材。这一串问题，AI 是能逐个解决的，只是需要把它拆开，放进一个固定流程里。

1.2 我们把视频生产拆成了五个可替换环节

真正操作下来你会发现，一条短视频从零到发布，本质上是五件事：选题、文案脚本、画面素材、声音字幕、剪辑包装。每一个环节，AI 都能参与，但参与方式完全不同。

我们的做法，是把这五个环节分别配上一个最轻量的工具，然后像流水线一样串起来。写脚本用对话式 AI，出画面用文生图工具，配音用语音合成，剪辑靠模板化软件。每个工具都不是最强的，但组合在一起，普通人就能在碎片时间里把视频做出来。

这也是项目标题想表达的核心：不做通用大模型，让普通用户借助组合式 AI 工作流来做视频。你可以把我们做的事情理解成开一家小餐馆，你不研究怎么种菜、怎么育种，你只研究怎么把现成的食材配成几道稳定的招牌菜。

这个定位决定了我们后面所有选型。我们拒绝任何“看起来很酷但普通人学不会”的方案，也拒绝任何“需要折腾半天环境才能跑起来”的工具。标准只有一个：一个零基础用户，半天之内能不能上手出片。

1.3 明确边界：哪些事交给AI，哪些事必须人判断

流水线的另一面，是划定 AI 的边界。我们踩过很多坑，最后总结出一个原则：AI 负责“量”，人负责“质”。

具体来说，AI 帮你想出十个选题方向，你来挑一个最打动自己的；AI 写出三版脚本，你来选一个最有表达欲的；AI 生成几十张配图，你来筛出三五张能用的。AI 最大的价值是把从前需要两小时的前期工作压缩到十分钟，但最后的审美判断、价值判断，必须留给人。

这个边界不划清楚，很容易掉进另一个陷阱：AI 生成什么就发什么，最后账号变成一个没有灵魂的内容垃圾场。我们见过太多人这样做，短期播放量飘一下，长期根本留不住粉丝。普通人和专业创作者的区别，从来不是会不会用工具，而是有没有判断力。AI 帮你把地板抬高了，但天花板还是你自己。

2. 从空白文档开始：让AI替你完成选题和脚本

2.1 选题的约束式提示词

大多数普通人做短视频，第一步就死了：打开文档，想写脚本，但根本不知道写什么。所以我们把选题环节设计成了“约束式提问”，不是让 AI 随便想，而是给它一套边界条件。

一个我们自己反复使用的选题提示词模板长这样：

你是一名短视频编导。请为以下账号策划10个视频选题方向。 账号定位：XXXXXXXX 目标观众：XXXXXXXX 内容领域：XXXXXXXX 视频时长：30-60秒 发布频率：每周3条 要求：选题要具体、有画面感、能引发互动，不要空泛的大主题。

注意几个关键点。账号定位必须具体，不能写“生活类”这种模糊词汇，要写“30岁上班族的快手晚餐”。目标观众越细越好，给 AI 明确的约束，它给出来的选题才有针对性。我们要“具体、有画面感”的选题，这样后续脚本才容易写。

举个例子，有一次我们做“新手养猫”的账号，第一次提问给的是“养猫知识”，AI 给出来的东西全是“猫咪健康指南”这种无聊内容。后来改成“第一次养猫的上班族，预算有限，住在小户型”，AI 立刻给出“猫咪第一次进家门应该关在哪个房间”“怎么让猫适应夜猫子作息”这种能直接拍的东西。

2.2 脚本结构：用“三段式”逼出完整内容

选题定了，接下来是脚本。绝大多数普通人写脚本的问题不是文笔不好，而是没有结构。所以我们统一采用一个短视频黄金三段式：开头三秒抓注意力、中间三个信息点、结尾一个行动指令。

AI 擅长填内容，但结构必须由我们把控。所以提示词里直接嵌结构：

请根据以下选题，写一条30-60秒的短视频口播脚本。 结构要求： 1. 开头3秒：用一个反常识提问或场景描述抓住观众 2. 中间部分：分3个点展开，每点不超过2句话，多用生活化比喻 3. 结尾：给观众一个明确的行动指令 要求：口语化，像和朋友聊天，不要书面语，不要AI腔。

为什么要这样设计？因为短视频的完播率看的就是前三秒，而信息密度靠后续三点支撑。普通人不需要学复杂的编剧理论，只需要让 AI 在一个标准结构里发挥，产出至少不会垮。

实测下来，这个结构模板哪怕 AI 自由发挥，出来的脚本也比“请你帮我写一条养猫视频脚本”靠谱十倍。因为你给了它一个可以套用的骨架，它不会放飞自我。

2.3 分镜表的批量生成逻辑

脚本写完，还需要分镜表。分镜表的作用是把每一句口播对应到一个画面，这样后面制作素材、剪辑时才有依据。我们让 AI 批量生成分镜，一条龙完成。

给 AI 的指令很简单：

请把下面的脚本拆成8-10个分镜。 输出格式： 镜号 | 口播文案 | 画面建议 | 素材类型（实拍/AI配图/截屏） 画面建议要具体，包括主体、环境、景别。

这里有个补充细节：分镜表里的画面建议越是具体，后面 AI 生图越省事。比如“一只橘猫在窗台打哈欠，阳光照在毛上，近景”这种描述，直接甩给文生图工具，出图质量比“猫”两个字好得多。

我们通常一次生成三个不同方向的脚本，每个脚本配一版分镜表，然后让使用者自己挑选最顺眼的。整个过程大概十分钟，以前这还是两小时起步的活。

3. 画面生产：提示词模板与素材避坑

3.1 一个能落地的文生图提示词结构

脚本有了，画面怎么来？对于不想露脸、没有实拍素材的普通用户，AI 配图是最快的路子。但文生图工具的提示词，普通人一开始根本写不好。我见过太多人输入“一个人在做早饭”，出来的图完全没法用。

我们沉淀了一套稳定的提示词结构，五层：主体、动作或状态、环境、风格、画幅与质量词。每一个部分用逗号隔开，避免用复杂长句。

举一个我们做美食账号的实例，目标画面是一碗番茄鸡蛋面：

一碗热腾腾的番茄鸡蛋面，面条上卧着金黄色炒蛋，番茄块红亮出汁，筷子夹起面条冒热气，原木餐桌上，清晨窗边自然光，日系美食摄影风格，俯拍，9:16竖构图，高清，细节丰富

这组提示词的关键，是把“环境”和“风格”写清楚。同样一碗面，放在原木餐桌上、清晨窗边光，和放在外卖盒里、白炽灯下，完全是两种质感。AI 是会“看”环境的，你把环境描述到位，出片率直接上一个台阶。

3.2 选图参数与构图策略

很多工具都支持设置画幅比例，短视频必须选 9:16 竖画幅，这个别偷懒。横图做成竖屏视频，两边糊背景是最无奈的办法，能一开始避免就避免。

在构图策略上，我们强烈建议普通用户优先选“主体居中、画面简单”的图。AI 生成复杂的多人互动、手部动作、精细文字，很容易翻车。不是说它永远不行，而是对普通用户来说，与其花时间修补，不如在设计脚本时就避开。

怎么避？写脚本的时候，画面建议尽量往“静物、近景、单人、无文字”靠。比如讲“如何收纳”，画面给“整齐叠放的衣服、抽屉内景”，而不是“一个人正在整理衣柜的动作”。静态画面配合镜头缓慢推近，观感完全可以接受。

生成批次也建议用足。同样的提示词一次性产出四到六张，然后从中挑。这里的感知差异不太大，但多两三张备选，后面剪辑时灵活度高很多。我们通常为一条 45 秒的视频准备 20 到 30 张候选图，实际用 8 到 10 张，这是比较舒服的比例。

3.3 动态画面不足时的替代方案

纯静态图会有一个问题：视频看起来不够“动”。我们现在会组合使用两三张相关图片做交叉溶解，或者在关键画面上加缓慢放大的景别变化，模拟推镜头的效果。

具体操作上，放在剪辑软件里，把一张图片的时长设为 2 到 3 秒，开头固定在原始大小，结尾放大到 105%，关键帧自动补间，出来的动态感比硬切好很多。不同图片之间，用 0.3 到 0.5 秒的交叉淡化过渡，视觉上就会比较顺。

对于需要展示流程的内容，比如菜谱步骤、工具使用顺序，我们常用“并列图卡”：三张图依次出现，每张配一句说明文字，配上字幕，观众完全能看懂。普通人不一定需要真的视频素材，清晰的图文动态化，在短视频平台照样有市场，关键是你把信息传递清楚了没有。

4. 声音与字幕：把AI味压到最低的细节处理

4.1 配音不是选个音色就完事

短视频里最出戏的就是所谓“AI 味”。很多人用语音合成直接读稿，声音倒是不难听，但一听就是机器在读，完全没有情绪起伏。观众对视频的信任感，很可能在配音开口的第一秒就崩了。

我们试了很多种语音方案，最后稳定下来的配置是这样的：音色选温暖、偏低的中年或年轻女声，语速调到 0.9 到 1.0，句间停顿时长在系统和脚本层面手动加长。特别是标点符号，把逗号、句号替换成更明显的停顿，或者直接用换行来强制断句。

更管用的一招，是给 AI 配音增加语气词和口语习惯。写脚本时，不要写“首先、其次、最后”这种书面连接词，改成“你想想看”“说白了”“我跟你说”这种带互动感的口语。配音工具读出来，语气会自然很多。AI 腔很多时候不是音色问题，是文本本身太像说明书。

4.2 字幕同步的校对流程

字幕是另一道坎。现在主流剪辑软件都有自动字幕识别，识别准确率不低，但也不能依赖。我们的流程是：导出自动字幕草稿后，必须逐条检查三样东西——错别字、断句、语气停顿。

错别字最坑，一错就是大型社死现场。断句更影响观感，一句话被分成七八段，观众注意力全被字幕节奏打碎了。我们通常会把长句在语义完整处手动拆行，每行最多十来个字。另外，标点符号里坚决不用句号，短句之间用空格或直接换行，因为短视频字幕是一行一行跳出来的，句号会让画面显得很重。

一个好的检查技巧是：把视频静音，只看字幕能不能看懂整个故事。如果只靠字幕就能理解内容，那说明字幕合格了。这一步很重要，因为大量用户是在通勤、吃饭的碎片时间看视频，根本没开声音。

4.3 背景音乐的选择与响度控制

背景音乐的作用是垫情绪，不是抢注意力。普通人最常见的错误是选了一首很嗨的流行歌，音量还开很大，结果口播完全听不清。

我们的参数习惯：背景音乐音量压到人声音量的 20% 到 30%，如果是有旋律起伏的歌，还要在口播停顿的间隙让音乐稍微起来一点，口播一响，音乐就压下去。这个动作在剪辑软件里叫“闪避”，很多工具都能自动做。

音乐选择上，强烈建议用平台自带曲库或标注了“可商用”的素材，别去随便下载一首歌就往上配，涉及版权问题完全不值得。流量起来之后尤其要注意这一点，身边因为版权被下架、限流的例子太多了。

5. 剪辑出片：模板化操作决定你一天能发几条

5.1 固定包装模板的搭建方法

很多普通人学剪辑学不下去，是因为每剪一条视频都要从头想一遍：用什么转场、什么字幕样式、什么花字。这完全是浪费时间。我们的办法是搭建三套固定模板，一次性做好，之后每次只换素材。

三套模板对应三种内容类型：口播知识类、产品展示类、生活记录类。每种模板提前设定好片头默认 0.5 秒、字幕默认字体和大小、标题出现的位置、转场方式统一交叉淡化。做视频的时候，直接套模板，花在“剪辑”上的时间能压缩到二十分钟以内。

有人可能觉得模板会让视频千篇一律。这个担心有道理，但更适合进阶阶段再考虑。对普通人来说，先把视频做出来、坚持更新，比每期换花活重要得多。等粉丝量起来之后，再根据数据反馈逐步微调模板细节也不迟。

5.2 剪掉“看起来像AI”的废镜头

这一步是我们的血泪教训。用 AI 素材做视频，出镜率最高的“AI 感”来自两方面：一是图片过度完美导致失真，二是动态视频素材莫名诡异。

静态图还好，到了那些 AI 生成的小视频素材，经常出现极其诡异的手部扭曲、人物背光、肢体比例失衡。记住一个原则：只要你觉得某个画面不自然，观众也一定会觉得。不要心疼那一点生成时间，果断删掉，换一张静态图加缩放效果，有时反而更稳。

我们在内部定了一条很死的规则：所有素材经过三人目检，任何一人觉得奇怪，一律不用。别小看这个流程，它能帮你拦下至少两成潜在的“恐怖谷”反馈。

5.3 发布前十分钟检查清单

上传之前，我们固定用一张检查清单，逐项打勾：

这十分钟，值得花。它决定了你的成品是从“能发”到“能看”的分界线。

6. 实测数据与典型翻车瞬间：我们是怎么排查和补救的

6.1 文案“假大空”的根因排查

最早我们做 AI 脚本，出现过一个非常普遍的问题：AI 写的文案听起来很有道理，但实操起来完全没有内容。比如“提升效率的五个方法”这种选题，文案套话连篇，观众看完毫无记忆点。

排查链路是这样的：先怀疑是模型能力问题，换了几个对话模型试，结果没变；再怀疑是提示词不够具体，于是我们把提示词里的“目标观众”从“上班族”改成“每天通勤两小时、经常加班、没时间做饭的上班族”，并且要求 AI “给出可直接执行的步骤，不要通用建议”。改完之后，文案质量立刻上升了一个档次。

结论很明确：问题不在 AI，在我们给的约束太少。AI 就像一个新来的实习生，你说“写个方案”，它只能给你一个万能模板；你告诉它“给一个每天通勤两小时的人写低成本做饭方案”，它才能交出真正有用的东西。

6.2 图片素材手部与文字崩坏的补救方案

文生图最稳定的翻车点，一是手，二是文字。想让 AI 画一只人手拿着杯子，十张有八张手的关节都是扭曲的。想让图里有中文文字，经常出来一堆乱码。

我们的补救手段很务实：不在画面里出现手，就不必担心手的问题；不在画面里出现文字，文字就不会乱码。看起来像废话，但确实是普通人最省心的方案。脚本设计阶段就把“手部动作”“文字展示”这类高风险元素避开。

如果内容上实在需要手部动作，就用真实实拍补一个特写镜头，两三秒即可；如果文字很重要，就别用 AI 生成图，在剪辑软件里后期加字，清晰又好看。不要试图去修复 AI 生成的坏图，修复成本永远高于重新设计画面。

6.3 两条真实制作时间记录对比

我们用同一套流水线，记录了两种方式制作一条 45 秒口播知识视频的耗时。

第一周，还不太熟练，从选题到发布，一条视频用掉了大概两小时。其中四十分钟在磨脚本，五十分钟在挑图，半小时在剪，剩下时间在犹豫。这个效率已经比传统方式快不少了。

到了第三周，流程完全跑通，同样一条视频，耗时压缩到四十分钟左右：十分钟出脚本和分镜，二十分钟生成加挑选素材，十分钟套模板剪辑。之所以能压到这么短，最大功臣是固定的分镜表和固定的剪辑模板，它们把大量决策环节全部前置了，现场只剩下执行。

这个数据说明一件事：AI 做短视频能不能轻松，靠的不完全是工具强弱，更取决于你愿意花多少时间把流程固定下来。流程越固定，普通人就越轻松。

最后再分享两个我自己的习惯。第一，任何时候都不要让 AI 替你决定视频的立场和价值观，数据再好看，不如你自己认同的内容做得长久。第二，普通人做视频，前期别追求每条都 80 分，先做到 60 分能发，连续发二十条之后，你会发现审美、手感、网感全都会长出来。这套流程的价值不是让你一夜爆红，而是让你稳定地保持输出，剩下的交给时间。