一个人用 AI 做短视频，从文案到成片要走哪些流程？

一个人用 AI 做短视频，整个流程可以拆成四块：文案、配音、画面、剪辑。AI 在每一块里干的活不一样，但真正决定片子质量的，是你自己把关的那几个点。下面按顺序说清楚。

各环节的 AI 分工

1. 文案：把选题和关键信息丢给大模型，比如 Kimi、豆包、通义千问，让它出钩子、分镜脚本和口播稿。一次给足背景——受众是谁、想传达什么、片长多少秒，稿子才贴。
2. 配音：口播稿直接喂给文字转语音工具，剪映自带这个功能，也可以用 ElevenLabs 或各家云厂商的语音合成，选好音色生成音频，语速和停顿在工具里微调。
3. 画面：这是分叉最多的一步。图文口播类视频用 AI 生图配画面，工具像即梦、文心一格；不想出镜又想要动态镜头的，用可灵、即梦这类文生视频；最省事的做法是拿画面描述去素材库搜实拍空镜。
4. 剪辑：音频和画面拖进剪映，字幕自动识别，卡点让 AI 推荐，粗剪基本能自动完成，你只需要调细节和导出。

人工把关点在哪

AI 能出活，但四类问题必须自己盯：

• 事实：AI 写的稿子里数据和案例经常是编的，发布前逐条核对，拿不准的直接删。
• 调性：生成的文案常有翻译腔或营销味，要按自己的语气改一遍，尤其是开头三秒的钩子。
• 画面一致性：AI 生成的图和视频片段，人物形象、画面风格容易前后跳，对不上就重抽或换方案。
• 节奏：自动卡点未必贴合内容逻辑，成片前完整看两遍，该删的删、该留的留。

第一条片子怎么做出来

别一上来就追求效果，第一条的目标是把流程跑通。选一个你熟悉的话题，片长压在 30 到 60 秒，这样每个环节的工作量都小。具体做法：让 AI 写一版短口播稿，自己改到顺口；用文字转语音生成配音；画面先用最省事的方案，要么一组 AI 生图，要么素材库搜几段空镜；进剪映自动上字幕、对好节奏，导出。第一次做可能要花半天，跑通之后第二条能压缩到一两个小时。摸清各工具的脾气之后，再逐步升级画面方案，比如引入 AI 生成的动态镜头，那时候你已经有判断力去评估值不值得了。