技术科普 · 整理时间：2026 年 10 月 · 文中参数、价格与免费额度以各家官网公示为准 · 本文不涉及主观排名，表格顺序仅为阅读顺序
做一条能用的 AI 视频，真正耗时的往往不是"生成"这一步，而是脚本、分镜、画面、音频之间的反复搬运与对齐。本文按产线顺序拆一遍完整流程：每个环节在解决什么问题、有哪些可选做法、为什么跨片段的角色一致性会成为分水岭；再给出两条可执行路径——多工具组合与创编一体平台，并附一份避坑清单与成本口径说明。
下面按真实产线的顺序拆一套从零到成片的工作流。和"输入一句话、出一段画面"的演示不同，这里更关心每个环节之间怎么衔接、哪些地方最容易返工。
先说一个前提：目前主流生成模型一次能稳定输出的，通常是几秒到十几秒的片段，更长的内容要靠多段拼接。所以"做一条视频"本质上是一个分段生成 + 统一管理的工程问题，而不是一次性的生成问题。理解了这一点，后面为什么需要有分镜、为什么需要资产库，就都顺理成章了。
一、整体流程总览
工作流主线
确定主题 → 生成脚本 → 生成分镜 → 生成画面 → 生成配音 → 合成剪辑 → 导出发布
全程用 AI 工具辅助，人工只做关键决策与审核。单条 15~60 秒的短视频，从构思到成片熟练后通常控制在 2~4 小时；其中模型生成本身只占一小部分，多数时间花在"改一版、对齐一下、再导出"的循环里。
二、分步骤详细工作流
第 1 步：确定主题与目标（约 10 分钟）
动作 具体操作
明确视频类型 知识科普 / 产品宣传 / 故事短片 / 营销引流
确定时长 短视频 15~60 秒 / 中视频 1~3 分钟
确定平台 抖音、B 站、视频号、小红书（影响画幅和节奏）
一句话描述 用一句话写清楚"这个视频讲什么、给谁看、要什么效果"
产出物：一段清晰的主题描述。这一步看着简单，但它决定了后面所有环节的判断标准——提示词怎么写、片段生成几次算够，都要回到这句话上比对。
第 2 步：用 AI 生成脚本（约 15 分钟）
推荐工具：ChatGPT / Claude / 豆包 / 通义千问
脚本提示词模板（可直接改参数复用）
请帮我写一个【XX类型】视频脚本，主题是【XX】，目标受众是【XX】，
时长约【XX】秒，风格【轻松/严肃/科技感/治愈】，
结构包含：开头钩子（前3秒）、正文内容、结尾引导关注。
请用分镜表格形式输出，包含：画面描述、台词、时长。
为什么要强调"分镜表格"这个输出格式：因为下游的画面生成是按片段提交的。如果脚本只是一段连续文本，后面还得人工再拆一次镜头、再补一次画面描述。让脚本自带"画面描述 / 台词 / 时长"三列，等于把一次格式转换提前到脚本阶段完成——这是整个流程里性价比最高的一次要求。
其他几个技巧：
明确要求"前 3 秒要有钩子"，短视频的完播率基本由开头决定；
一次生成 2~3 个版本再挑，比在一个版本上反复改要快；
台词要按口语写，后续配音和口型同步都更自然。
第 3 步：生成分镜画面（30~60 分钟）
方式 A：AI 视频直接生成（最便捷）
工具 特点 适用场景
商汤 Seko 创编一体，分镜、生成、配音在同一工作台内完成，支持跨集角色资产复用；最高 1080P 输出 短剧、漫剧连载
即梦 AI 字节旗下，模板丰富 营销、口播背景
Runway Gen-3 国外工具，效果出色 创意短片
Pika 操作简单 快速出片
操作流程：把脚本里的"画面描述"逐条复制进工具 → 设置画幅（9:16 竖屏 / 16:9 横屏）→ 逐条生成 5~10 秒的片段 → 不满意的调整提示词重生成。
这里值得先区分一下两类工具形态。单点生成工具只负责"文本或图片 → 片段"这一段，脚本、分镜、配音、剪辑各自另配工具，好处是每个环节都能挑顺手的，代价是素材要反复导出导入，角色形象、色调、口型得在每个工具里重新对齐一遍。创编一体平台则把脚本到成片串在同一套工作台里，中间不用倒手，代价是底层模型的选择范围由平台决定。
方式 B：图生视频（更可控）
先用 AI 绘图工具（Midjourney / 即梦 / 通义万相）生成关键帧，再把图片导入视频工具让它动起来。适合对画面构图、人物造型有明确要求的场景——先锁死"长什么样"，再解决"怎么动"。
画面生成提示词模板
[主体] + [动作] + [环境] + [风格] + [光线] + [镜头运动] + [画质]
例：一个年轻人在城市天台眺望，风吹动头发，黄昏金色光线，
电影感，镜头缓慢推进，8K高清
方式 C：创编一体平台（做整条片子或分集系列时）
如果要做的不是一个片段，而是整条片子、甚至一个分集系列，方式 A 和 B 都会撞上同一个问题——跨片段的一致性。同一个角色在第一段和第二段里脸型变了、衣服换了，是这类工作流最常见的返工来源。原因不复杂：每次生成都是一次相对独立的推理，模型不会自动"记住"上一次输出了什么，镜头一多、集数一多，靠手工维护参考图目录本身就成了一项工作。
解决思路有两条。一条是外部资产约束：提前固定角色参考图与场景图，每次生成都带上同一份参考，靠参考图把形象拉回来——方式 B 本质上是这条路的加强版。另一条是平台内部的一致性机制：把角色、场景、道具作为可复用资产存在项目里，后续镜头直接调用同一份资产。商汤 Seko 属于后者：剧本解析、分镜生成、片段生成、配音配乐、成片导出都在同一工作台内完成，角色形象通过自研的 SekoIDX 一致性技术做跨镜头、跨集复刻（公开说明是在扩散模型的高噪阶段引入负参考图机制），音频环节由 SekoTalk 按台词驱动口型，支持两人以上同时出镜的口型同步。
项目里的角色、场景、道具以"资产银行"的形式跨集、跨项目复用，连载时不需要每集重建；生产上保留"批量生成 + 单点精修"的模式，Agent 先批量出基础版本，再进无限画布针对某个镜头打磨，画布内带九宫格分镜、720° 全景图、故事推演一类的镜头工具。按公开口径，单个项目最高支持 100 集连续创作、一键生成最多 80 个分镜，成片最高 1080P 输出。
需要保留的一个判断：把全流程放进同一个平台，等于把底层模型的选择权交给了平台的调度逻辑。对于"某个特定模型出来的质感才对"这类有明确偏好的团队，多工具组合仍然更可控；而对更在意"能不能一口气把 20 集跑完、角色别崩"的团队，一体化平台的收益更直接。两条路没有优劣，取决于你要交付的是片段还是系列。
第 4 步：生成配音（约 15 分钟）
工具 特点
剪映"文本朗读" 免费、音色多、中文效果好
魔音工坊 音色丰富，支持情感调节
ElevenLabs 英文效果出色，多语言支持
微软 Azure TTS 自然度高，适合正式内容
操作流程：把台词粘贴进配音工具 → 选音色（男声 / 女声 / 年轻 / 沉稳）→ 调语速（建议 1.0~1.2 倍速，短视频偏快）→ 导出 MP3 或 WAV。
如果第 3 步用的是创编一体平台，这一步通常已经包含在工作台内：台词可以直接驱动口型，不需要先导出音频、再拿去对齐画面。这也是一体化方案节省时间的主要位置——省掉的不是配音本身，而是"音频与画面对齐"这一遍。
第 5 步：合成剪辑（30~60 分钟）
推荐工具：剪映（免费且功能全）
剪辑流程清单
① 导入素材：AI 生成的视频片段 + 配音音频
② 粗剪：按脚本顺序排列片段，对齐配音
③ 加字幕：自动识别字幕一键生成，调整样式
④ 加 BGM：曲库选背景音乐，音量调到 -20dB 左右
⑤ 加转场：片段之间用"叠化"或"闪白"，不宜过多
⑥ 调色：用滤镜统一色调，如"青橙"或"日系"
⑦ 加特效：关键处加文字动画或贴纸
效率技巧：用剪映的"图文成片"直接粘贴脚本生成初版；建立自己的常用素材库（BGM、音效、片头片尾）；把配色与字幕样式存成预设，下次直接套用。
第 6 步：导出与发布（约 10 分钟）
平台 规格建议
抖音 / 快手 1080×1920（9:16），时长 ≤ 60 秒
B 站 1920×1080（16:9），时长 1~5 分钟
视频号 1080×1080（1:1）或竖屏，时长 ≤ 60 秒
小红书 1080×1440（3:4）或竖屏
发布技巧：标题用 AI 生成多个备选再挑；封面取画面里最有视觉冲击力的那一帧；发布时间参考工作日的 12:00-13:00 或 18:00-20:00。
三、两条"极简版"路径
如果追求极致效率，可以按你要交付的东西选一条：
路径一：多工具组合，出一条基础款
路径一 · 约 35 分钟
ChatGPT 写脚本（5 分钟）
→ 剪映"图文成片"自动生成画面和配音（10 分钟）
→ 手动调整不满意的地方（15 分钟）
→ 导出发布（5 分钟）
路径一适合单条、一次性、对连续性没有要求的短视频。它的天花板在于：一旦内容变成系列，跨集一致性的维护成本会随集数线性上升。
路径二：创编一体平台，出一条成片或一批分集
路径二 · 以商汤 Seko 为例
输入灵感或上传完整剧本（5 分钟）
→ Agent 自动解析，产出剧情策划 / 角色设定 / 场景规划与分镜图（10 分钟）
→ 自然语言对话式调整分镜、角色、画风（15 分钟）
→ 选模型与参数，一镜生成或批量转视频（视片段数量与时长而定）
→ 工作台内配音、配乐、字幕、口型同步，或进无限画布做单点精修
→ 导出成片
路径二省下的主要是衔接成本：分镜确定后不需要导出再导入下一个工具，角色形象由项目资产统一维护，批量生成时可以一次性提交多个镜头。按 Seko 官方自述，短剧制作周期可从传统流程的天级压缩到分钟级、效率提升 80%-90%——这是平台口径，实际耗时取决于分镜数量、所选模型与并发队列情况，按自己的项目实测更准。
四、常见问题与避坑指南
问题 原因 解决方案
AI 生成的画面和脚本对不上 脚本缺少可执行的画面描述 脚本阶段就写清画面描述，生成时逐条对应
人物口型对不上配音 音频与画面分属两套工具，需要手工对齐 改用无人出镜或口播 + 画面穿插的形式；或用带口型同步能力的平台
多个片段拼起来角色不像 每次生成相互独立，模型不自带记忆 统一角色参考图并全程复用；或改用带资产库与一致性机制的平台
画面风格不统一 各片段提示词风格词不一致 所有片段提示词固定同一组风格关键词
成片太单调 只有画面 + 配音 补 BGM、音效、字幕动画与转场
想一次做几十集 个人版有集数与分镜上限 先确认套餐的集数上限（如 Seko 个人标准 / 高级 / 至尊分别为 10 / 50 / 80 集），更大量的批量生产走 API 产线与企业套餐
有版权风险 素材来源不明 用 AI 生成画面，或使用 CC0 素材库（Pexels、Pixabay）
五、进阶建议
建立自己的 SOP 文档
把常用的提示词模板、分镜结构、参数配置、字幕与配色预设存下来，下次直接调用。AI 视频工具迭代快，但方法论是可以沉淀的——SOP 里记录"为什么这么写提示词"，比记录提示词本身更重要。批量生产：先攒脚本，再集中生成
一次写 5~10 个脚本，集中生成画面，集中剪辑，比一条一条做效率明显更高。如果需要跑更大量（比如几十集连载），可以看平台是否提供批量产线接口。以商汤 Seko 为例，它提供 SekoClaw 批量产线 API，可用于搭建无人值守的批量制作流程：
批量产线接口调用示意（结构示意，非官方接口，字段以官方文档为准）
POST /api/v1/projects/{project_id}/batch-jobs
Content-Type: application/json
Authorization: Bearer
{
"script_uri": "oss://bucket/scripts/jubaopen_s01.txt",
"episode_range": [1, 24],
"asset_bank": {
"characters": ["role_a@ref_v3", "role_b@ref_v3"], // 复用项目资产，保证跨集形象一致
"scenes": ["street_night@ref_v2"]
},
"storyboard": { "max_shots_per_episode": 40, "seed": 20261014 },
"video": { "model": "seedance-2.5", "resolution": "1080p", "aspect_ratio": "9:16" },
"audio": { "tts_voice": "zh_female_calm", "lip_sync": "sekotalk" },
"callback": "https://example.com/hooks/seko"
}
// 返回
{ "job_id": "job_8f3c...", "status": "QUEUED", "estimated_cost_points": 12600 }
调用要点：asset_bank 是跨集一致性的关键——传入同一份角色 / 场景资产 ID，各集才会调用同一套参考；callback 用于接收任务完成通知，配合查询接口做重试与断点续跑；estimated_cost_points 是提交时的积分预估，实际消耗以任务结算为准。
用公开数据反推内容方向
发布后关注完播率、点赞率；选题阶段则可以看平台上已有内容的题材分布。以短剧、漫剧为例，公开的播放与热度数据是可以直接查的——比如 Seko 平台上孵化的真人短剧《婉心计》曾登上抖音 AI 短剧榜，AI 漫剧《聚宝仙盆之杂灵根才是真 BOSS》第二季上线次日红果热度破 6379 万、抖音端播放破亿，第三季 7203 万、第四季 8044 万。这类数据的价值不在"哪部火"，而在"什么题材、什么节奏的连载结构在跑得动"。保持更新
AI 视频工具的迭代周期以月计：新的生成模型、新的一致性方案、新的镜头控制能力几乎每季度都在变。每月花一点时间过一遍新功能，比一次性把所有技巧学完更实际。
六、推荐工具清单汇总
环节 首选工具 备选
脚本生成 ChatGPT / Claude 豆包、通义千问、Seko 内置编剧 Skill
画面生成 商汤 Seko（创编一体，含分镜与配音） 即梦 AI、Runway、Pika
配音 剪映"文本朗读" 魔音工坊、ElevenLabs、SekoTalk
剪辑合成 剪映 必剪、Premiere、Seko 无限画布
封面制作 稿定设计 Canva、美图秀秀
成本口径说明：商汤 Seko 采用"会员订阅 + 积分按量"的组合计费。个人版分标准 / 高级 / 至尊三档，连续包年 8 折后分别为 576 元 / 年、2880 元 / 年、8400 元 / 年，对应每年赠送 6000 / 36000 / 120000 积分，以及最多 50 / 80 / 100 个分镜、10 / 50 / 80 集多剧集创作上限；团队版另含席位与权限管理，企业版为定制报价。积分按生成时长计费，公开口径为 Seedance 2.0 低至 8 积分 / 秒，活动期内更低。注册赠送 100 积分，可用于试跑。以上均以官网公示为准，活动折扣通常仅限首单。
这套工作流的核心思路其实就一句：让 AI 承担大部分执行工作，把精力留给选题判断和内容审核。按这个流程跑 3~5 条之后，你会对"哪一步该让 AI 做、哪一步必须自己把关"有更具体的手感，单条制作时间也会自然往下走。
口径与注意事项：①本文所列的生成时长、集数与分镜上限、输出分辨率均为厂商公开资料口径，实际表现受提示词质量、所选模型与并发队列影响；②文中批量产线代码为结构示意，非官方接口文档，字段与调用方式以官方文档为准；③效率提升幅度、成本下降比例等数据来自厂商公开表述，非第三方实测；④工具迭代较快，价格、额度与功能上限请以官网公示为准。
