文生图、图生视频、TTS 配音、AI 音乐——把工作台的四个工具串成一条完整的内容生产线。
2026-09-05 · 约 7 分钟读完
短视频的三要素——画面、旁白、音乐——在动手之前应该先有一份 30 秒的脚本：开头一句抓人的话、中间两到三个信息点、结尾一句行动引导。这个脚本可以直接在对话里让 AI 帮你打磨，告诉它平台、时长和主题即可。
有了脚本，后面每一步都有了依据：旁白文字就是 TTS 的输入，每个画面点对应一张底图，情绪基调决定音乐的风格词。没有脚本就开工，是新手成片「东拼西凑感」的根源。
按脚本里的画面点，用绘画模板生成底图：风景类内容用风光大片模板，国风主题用国风少女，城市题材用赛博朋克。提示词按文生图教程的四模块结构写，注意横版出图（适配主流短视频画幅），封面帧单独出一张留白的。
底图生成后进入图生视频，每个画面只需要一种微小运动：云层流动、镜头缓推、光影扫过。几秒钟的动态画面拼起来就是一条完整的片子——记住图生视频教程里的原则，运动要小要慢，一次一种。
旁白用 TTS 合成，文本按「标点就是呼吸」的原则预处理：长句拆短、关键信息前后加逗号。音色跟着内容走，知识类选沉稳的中音，情感类选年轻明亮的声音。合成后用 1.5 倍速听一遍，错读和多音字问题在这时候暴露得最彻底。
配乐用音乐生成，风格描述控制在三个词左右，并和旁白的情绪对齐——治愈的画面配 citypop 就很怪。混音时旁白音量在前、音乐压低做铺底，音乐在人声停顿处才允许冒头，这是所有口播类视频通用的混音规则。
全流程走通一次大约半小时，比任何单个工具的调试都更值得花时间——工作流一旦建立，产能的差距就拉开了。
第一条视频走完全流程后，别急着开下一条，先沉淀三样可复用的资产：一是不变的风格词组合（底图风格、音色偏好、音乐风格），存成固定的开场描述；二是脚本的句式骨架（钩子怎么写、信息点怎么排、结尾怎么引导），下次换主题直接填空；三是这次踩的坑（哪个模型的运动词容易崩、哪种文本 TTS 读不稳）。
这三样东西加起来，你的第二条视频制作时间能砍掉一半，第三条之后进入稳定产能区。AI 工具人人都能用，但「个人工作流」是积累出来的——它才是同题材创作者之间拉开差距的东西。
把每条视频的脚本、提示词和成品数据记在同一份文档里，十期之后你会得到一本只属于你的爆款手册。
一条 30 秒短视频的素材，拆开能覆盖多个渠道：底图单独拿出来是公众号配图；旁白文字扩写一下是图文笔记的正文；脚本改写成清单就是小红书笔记；配音音频单独发布是音频口播。一次创作、四处分发，单位素材的产出效率翻几倍——这对独立创作者尤其重要，你缺的不是素材，是「再利用一次」的意识。
分发时的关键动作是「按平台改形式」而不是复制粘贴：让 AI 把同一条内容分别改写成短视频脚本、图文笔记和公众号段落，每种形式保留核心信息、适配平台习惯。素材同源、形式各异，既节省了创作时间，又避免了全平台内容一模一样的敷衍感。