提示词拍视频怎么串成一条线？探店作者的生成、剪辑、配音全流程

提示词拍视频这件事，多数人卡在中间：提示词写好了，AI也吐了素材，拼出来的东西却始终不像能发的成片。问题多半不在提示词，在产线。我做本地探店号，每月三十多条视频，现在一半素材靠AI生成，这条线跑了小半年，才算真摸顺。

拿上上周那条牛肉面馆的视频举例。60秒，竖屏，11个镜头，其中7个镜头的素材是AI出的，剩下4个是我进店实拍。这条视频从打开文档到最后导出，85分钟。哪一步花多少时间、在哪翻的车，我按工序拆给你看。

从提示词到成片，中间隔着四道工序

提示词拍视频要过四道工序：拆脚本、生成素材、剪辑拼接、配音字幕，提示词只负责第一道。把九成功夫全押在提示词上，成片往往输在后面三道的衔接。

我现在的第一步不是写提示词，是拆脚本。口播稿写完丢给AI，让它按「镜头号、画面内容、时长、生成提示词」四列输出一张表。60秒的稿子一般拆出10到12个镜头，每个镜头5秒上下——5秒是图生视频单条素材的常见时长，脚本照这个粒度拆，后面剪辑几乎不用掐。

这一步有个坑：镜头拆太碎。我最早拆过20个镜头一条的，单条2秒，AI素材出来根本装不下动作，全在赶。后来固定成「一个镜头一个动作」，翻车率降了一大截。

生成段：首帧照片决定一半成败

探店素材最稳的路子是实拍照片当首帧、再图生视频，纯文生视频只留给空镜。凡是画面里带字的——招牌、菜单、价目表——AI凭空造必崩。

翻车现场我还记得。第一次偷懒，直接文生视频生成面馆门头，招牌上「老王家牛肉面」出来变成「老壬茶午牛肉面」，评论区真有人问我是不是换了家店。从那以后我给自己定了条规矩：带字的镜头一律实拍首帧，AI只负责让画面动起来——热气往上走、行人从门口过、灯光扫过碗沿。

空镜就随便多了。蒸汽、人流、光影，文生视频出得又快又好，一条5秒素材排队加生成两三分钟。图生视频慢些，重跑率三成左右，一条能用的素材平均要花5到8分钟。提示词别贪长，主体、动作、运镜、氛围四样各给一个词组，40到80字封顶，写得再长各要素会互相打架。

首帧怎么拍也有讲究：菜品俯拍一张、门头平拍一张、环境扫一张，三张照片够当六个镜头的首帧（同一张照片换动作提示词，能出两条不重样的素材）。

剪辑和配音怎么串成一条线

顺序反过来：先配音后剪辑。配音稿定总时长，再按时长铺画面，能省一半返工。剪映里把配音语速调到1.1倍，比默认更像真人探店博主。

我走过弯路。以前是先剪画面再配音，AI素材5秒一条，口播却要90秒，对不上，只能给素材硬加慢动作，观众看着像卡了。现在改成先把口播稿丢给AI配音，导出音频看总长——90秒就是18条5秒素材，我手上有11条，差的部分用实拍补，或者砍稿子。

配音音色我试了七八个，最后固定用一个偏随意的男声，语速1.1，句间停顿调短半档。默认语速太播音腔，粉丝一眼就听出是机器。字幕用剪映自动识别，错字率大概2%，店名和菜名每次都要手动改，别省这步。

这三类镜头，别交给AI

人物进食、店员互动、付钱结账这三类镜头留给实拍，AI只补空镜和转场。观众对「假吃」的容忍度，远比对画质低。

AI生成人物咬面，面条会在嘴角凭空消失；筷子伸进碗里，出来时带着半根不存在的面。这类镜头我试过三回，三回都崩，干脆放弃。现在我一条视频的配比是实拍六成、AI四成，AI出的全是：热气特写、门口人流、灯牌夜景扫过、转场空镜。说实话这个配比观众完全看不出来，弹幕里没人聊过画质，聊的都是面。

对了，还有个意外收获：AI空镜救过我的场。有次店家不让拍后厨，口播稿里「骨汤熬六小时」这段没画面，文生视频生成一锅翻滚的汤，配上蒸汽和暖光的词，没人看出那口锅根本不存在。

说回开头那句判断——问题不在提示词，在产线。那条牛肉面视频后来是我当月播放第二高的一条，而它的提示词是我写得最短的一次。线跑顺了，提示词反而越写越短，因为你知道每个词会被产线上哪一道工序接住。先把拆脚本、首帧、配音这三件事的顺序定死，提示词只是这条流水线上的第一颗螺丝。