一篇我们讲了 AI 做视频的四种做法。留言里被问得最多的是这一句：**”我知道要下指令，可指令里到底该写什么？”**

答案是一张表。不是脚本、不是文案、不是故事大纲，是一张分镜表 ——行是镜头，列是你必须交代清楚的几件事。

这篇只讲一件事：分镜表到底要哪四列、每列为什么不能省、最容易写错在哪里。看完你手上会有一张能直接填的空表，和一份真实的填写示范。

一、先说说”返工少一半”是怎么来的

上一篇那条”橘猫谈判要罐罐”的 5 秒短片，我第一次就出片了。不是我运气好，是因为在按回车之前，我手上已经有一张四行的表：

时间画面台词 / 音效字幕
0–1s橘猫蹲在餐桌边，直勾勾盯镜头（冰箱”叮”）谈判开始
1–2.5s缓慢眨眼，一只爪子搭碗边，微微用力（爪子碰碗”嗒”）条件：罐罐
2.5–4s只出现人手；猫立刻搭上第二只爪，眼神更凶（两声轻”喵”）附加条件：两根冻干
4–5s躺倒翻肚皮，四脚朝天，尾巴卷成问号（咕噜声 + 可爱 BGM 收）成交

把它和”一只橘猫在餐桌上谈判，向主人要罐罐，最后成交”这句话放一起比：后者只给了情节，前者给的是第几秒、看到什么、听到什么、读到什么。AI 缺的不是想象力，是这些坐标。

所以”返工少一半”这句话，准确的说法是：返工不是均匀变少的，而是”最贵的那几处”少了 ——

· 少花在”试错找方向”上。没分镜时，你往往先出一版看看，发现不对再改描述重生成，每条 5 秒就是几十积分。分镜表让你先在纸上试错，纸是免费的。

· 少花在”前后不接”上。有分镜，你第 3 镜跑偏了，只需要重生成第 3 镜；没分镜，你改一句总描述，整条都得重来。

· 少花在”字幕对不上”上。分镜表里的字幕列，就是后期打时间码的依据。没有它，你只能对着成片一帧帧猜每句话什么时候出现。

二、四列，每列都是一道”防返工”的闸

第一列 · 镜号：不过是让”第 3 镜重做”这句话能说出口

镜号就是顺序编号，1、2、3、4。你会觉得这列是废话——但它决定了你能不能说清”改哪里”。

没有镜号，你跟 AI 说”中间那段猫的表情不对”，它只能整条重来；有了镜号，你说”第 3 镜，猫的眼神再凶一点，其它不动 “，这就是一次精准手术。

写的时候两个小习惯：一是不跳号、不重号，中途加镜头就写成 3a、3b；二是镜号一旦定下就别再调顺序，否则前面交代过的”第 3 镜”全错位。

第二列 · 时长：这一列空着，后面全断

整整 4 秒都在背景里发呆。 因为”摇一下尾巴”这个动作只需要 1 秒，剩下 3 秒模型只能自己填，填出来的通常是发呆。

时长这一列，是整张表里唯一同时被三个环节用到的数字：生成画面时决定这段镜头多长；配音时决定这句话能说几个字；后期打字幕时决定文字出现在第几秒。它空着，后面两件事就只能靠猜。

两个实用经验：

一个镜头一个动作。 如果这一镜你要写两句动作，那它其实是两个镜头。分镜表里出现”然后”这个词，通常就该断行了。

按”能看清单个动作”的最短时间给时长。 眨眼、抬头、转头这类小动作 1–1.5 秒；走两步、翻个身 2–3 秒。宁可短一点，也别留出没有内容的空档——空档正是模型自由发挥的地方。

第三列 · 画面：写”看得见的东西”，不写”想表达的意思”

这一列最容易写坏，坏法有固定套路：

坏法一：写情绪。 “猫显得很不耐烦””气氛很温馨”——AI 不认识”不耐烦”，它只认识”耳朵压低、尾巴快速左右甩、瞳孔收窄”。把情绪翻译成动作，这一列才算写完。

坏法二：写内心戏。 “猫心想：这次必须拿下”——这是台词栏的事，画面栏不要出现”心想”两个字。

坏法三：一格里塞三件事。 “猫走过来，跳上桌子，用爪子推碗”——三个动作，三个镜头。一格里塞太多，模型会只执行其中一件，你还会以为是它不听话。

好用的写法是固定句式：主体 + 动作 + 程度 + 位置。”橘猫（主体）把第二只前爪搭上碗沿（动作）用力到肉垫发白（程度）在画面左三分之一处（位置）”。多几个具体的形容词，就少几次重生成。

第四列 · 台词与字幕：唯一一列”不能交给 AI 画”的内容

这列有两个名字，因为它们其实是两种东西：台词/音效 是耳朵听到的，字幕 是眼睛看到的。合并成一列写可以，但一定要能分清哪句是”说的/响的”、哪句是”打出来的”。

这里有一条硬规矩：所有需要看清的文字，都不能指望生成模型画出来。 标题、价格、品牌名、”成交”两个字，写进画面描述里，出来的多半是糊成一团的假字。正确做法是画面描述里写”不出现任何文字”，字幕单独交给后期叠加。

另一条经验：台词长度要和时长相乘得起来。 中文口播大约每秒 4–5 个字，一个 2 秒的镜头最多放 10 个字。你写了一句 20 字的台词配 2 秒镜头，配音只能加速，或者后面整条错位。

音效建议用括号单独标出，和台词分开：（冰箱”叮”）（爪子碰碗”嗒”）。这样你一眼就能看出”这句是音效、不用配音”，后期也不会把音效当成台词念出来。

三、一张可以直接抄的空表

建议在 Excel 或记事本里先建这张表，四列固定，行按需要加。不用做得漂亮，能填就行。

镜号时长画面（看得到什么）台词 / 音效 · 字幕
1 s主体 + 动作 + 程度 + 位置（音效）｜字幕
2 s

3 s

填完自己过一遍这四问，任何一问答不上，就别急着生成：

问镜号：我能用”第几镜”说出要改哪里吗？
问时长：每一格的秒数都填了，且每一格只装一个动作吗？
问画面：这一格里有一个”看不见的东西”吗（情绪、想法、氛围）？
问台词字幕：字幕有没有被写在画面里让模型去画？台词字数和秒数配得上吗？

四、怎么把这张表交给 AI

表填好了，别整段贴过去让它”看着办”。下面这句是上一篇实测能用的写法，你改内容就行：

「照这份分镜表做一条 15 秒竖屏视频。画面严格按”画面”列的先后顺序和秒数来，一个镜头一个动作，不要自行加戏、不要改变顺序。画面里不出现任何文字。字幕由后期单独叠加，先不要画进画面。先只做第 1–3 镜给我看，我确认后再做剩下的。」

里面有四句是必须存在的，缺一句就会跑偏：

“按秒数来” ——不写这句，它会自己安排节奏；
“不要自行加戏” ——不写这句，它会在空档里自己编动作；
“画面里不出现任何文字” ——不写这句，它一定会在某个角落给你糊几个字；
“先做前几镜” ——不写这句，你就要等整条做完才发现第 1 镜就不对。

还有一句不在提示里、但同样重要：分镜定死之前，不要开始生成。 改表只需要两分钟，改视频要花积分和时间。这就是”纸比像素便宜”。

五、今天就练这一件事

不要一上手就写十个镜头。打开表格，只写三行，总时长控制在 8 秒以内，然后把上面那句指令里的”第 1–3 镜”改成”三镜全做”，生成一次看看。

收到成片后，做一件比”看好不好看”更有用的事：逐格对表，看它在哪一格开始没按你的意思来。那一格，往往就是四列里某一列没写清——第九成是”画面”列写成了情绪，或者”时长”列给多了。

找到那一格，就找到了你自己的写表习惯。这比任何模板都值钱。

分镜表不是给 AI 看的，是给你自己看的。它让你在花掉积分之前，先在纸上把这条片子看了一遍。 真正会做视频的人，分歧从来不在工具，而在”第几秒该发生什么”这件事上，谁想得更早。

下一篇我们解决分镜之后的下一个问题：为什么生成的画面总是”看着对、但不好看” ——构图、光线、镜头语言这三件事，怎么用一句人话交代清楚。关注不迷路；你写好的三行分镜可以直接贴到留言区，我帮你看哪一列还差东西。

← 返回首页全部文章