企业官网建设流程全解析

拍短视频这件事，我见过太多人卡在同一个地方：不是不会拍，不是没有设备，也不是剪不动，而是打开相机之前那五分钟——脑子里有个模糊的想法，但不知道怎么把它变成一条能拍、能剪、能发的东西。这时候绝大多数人的选择是"先拍了再说"，结果拍了三十条素材，剪的时候发现没有一条能用，因为压根没有设计过镜头该给什么信息。所以我一直觉得，短视频创作里最被低估的一环是短视频脚本，而不是拍摄和剪辑。这篇要聊的就是围绕这个痛点做的一个小工具：输入一个主题、选一个时长，让 AI 把脚本框架、镜头设计、台词建议一次性给出来，并且按不同平台的风格做适配。它面向的是没有编剧训练、没有拍摄团队的普通人——一个人、一部手机、一天能出片的那些创作者。我会把这个工具的设计逻辑、参数怎么定、AI 生成的东西哪些能直接用哪些必须改、以及我自己跑下来踩的坑，完整摊开讲一遍。

1. 从"有个想法"到"能开拍"，这个助手到底替人补了哪几块短板

1.1 普通人写脚本时真正缺的不是文采

先厘清一件事：大部分人写不出短视频脚本，不是文字能力不行。你让一个从没写过脚本的人描述"我想拍一条吐槽公司食堂的段子"，他能滔滔不绝讲十分钟，信息量足够剪三条视频。但你把他的话原样录下来，那条视频大概率是废的——因为口语讲述是线性的，而视频是"镜头 + 时间"的二维结构。

真正缺的是三样东西：结构意识（知道一条 60 秒视频该在哪几个时间点给刺激）、镜头语言（知道"我很生气"这句话对应的画面是手部特写还是面部近景）、节奏感（知道哪句话该快、哪句话后面要留白）。

这三样东西在过去需要靠大量拆片积累，现在 AI 能替掉其中很大一部分。但要注意，它替掉的是"从零到有框架"这一步，不是"从有到好"这一步。我见过有人拿着 AI 生成的脚本一个字不改直接开拍，成片出来像企业宣传片，问题就出在后面那一步被跳过了。

所以这个工具的设计定位我一开始就定得很死：它产出的是"可执行的拍摄蓝图"，不是"成品文案"。蓝图的意思是，每一行都要能对应到一个具体的拍摄动作——机位在哪、拍什么、说哪句话、这句话占几秒。

1.2 四块输出分别解决什么问题

这个助手最终输出四块内容，每块对应一个具体的卡点，缺一块都会让脚本落不了地：

这四块里，镜头设计是最容易被做烂的。市面上不少所谓"AI 分镜"工具，输出的是"远景展现城市繁华，近景捕捉人物情绪"这种话——听着很专业，但你拿着它根本没法拍，因为没说机位在哪、人站哪、用什么景别、拍几秒。这是典型的"用形容词冒充技术方案"。我在设计提示词的时候专门加了硬约束：每一条镜头必须包含景别、主体、动作、时长四个字段，缺一个就重生成。

1.3 为什么不直接给模板库

有人会问，短视频脚本模板网上一抓一大把，为什么还要 AI 生成？

因为模板的死穴是主题不匹配。你拿一个"三段式反转"模板去套"如何挑选二手相机"这种知识类内容，套出来的东西结构是别扭的；你拿"痛点-方案-效果"模板去套一个纯搞笑段子，出来的就是四不像。模板是固定骨架，而不同主题需要不同的骨骼比例。

AI 生成的价值在于，它能根据主题的性质动态决定骨架：知识类要"信息密度前置"，剧情类要"冲突前置"，种草类要"对比前置"，情感类要"共鸣前置"。这四种前置逻辑对应完全不同的开场设计，模板库做不到自动切换，AI 可以。

当然代价是稳定性。模板每次输出一致，AI 每次输出有波动。这个后面会专门讲怎么压制波动。

2. 输入框只留"主题"和"时长"，是我做过最正确的减法

2.1 参数越少，普通人越愿意用

第一版我做得很"专业"：主题、受众画像、内容目标、发布平台、视频调性、出镜人数、拍摄场地、可用设备、剪辑风格，九个输入框。

结果测试的时候，十个用户里有七个在第三个框就退出了。原因很朴素——他们不知道"受众画像"该怎么填。你问他目标受众是谁，他说"就是刷短视频的人"。这不是敷衍，是他真的没有这个概念。

后来我砍到两个必填项：主题和时长。平台和风格做成可选项，不填就走默认推断。留存立刻起来了。

提示：做面向普通人的工具，输入项的设计原则是"能不能从已有信息里推断出来"。受众可以从主题推断（"考研经验"的受众不言自明），平台可以从时长推断（30 秒以内大概率是竖屏快节奏），只有主题和时长是推不出来的，必须问。

2.2 时长这个参数为什么决定性这么强

时长不是一个"随便选选"的选项，它直接决定了脚本的段落配比、镜头数量、台词字数三个硬指标。我在内部定了一套换算表，作为生成时的硬约束：

口播字数的换算依据是中文语速。正常口播每分钟 220–250 字，短视频因为节奏紧、断句多，实际会跑到 260–290 字/分钟。所以 60 秒视频的口播稿控制在 250 字上下最稳，写到 350 字你必然要加速，加速就听不清，听不清就划走。

这套表看着简单，但它解决了 AI 生成最讨厌的毛病——字数失控。不加约束的话，你让它生成 30 秒脚本，它能给你写 400 字，因为它不知道 30 秒到底能说多少话。

2.3 主题输入的写法决定输出质量的上限

同样是输入主题，"健身"和"健身三个月，我踩过的五个坑"生成出来的东西天差地别。前者太宽，AI 只能给你一堆正确的废话；后者有具体场景、有数量约束、有第一人称视角，生成质量立刻上台阶。

我在工具里做了一个软性的输入引导，用三个句式模板提示用户改写主题：

• [身份/场景] + [具体经历] + [数量或结果]，例如"上班族 + 每天带饭一个月 + 省了多少钱"
• [反常识结论] + [支撑理由]，例如"别再买贵跑鞋了，新手最该花钱的是这个"
• [问题] + [限定条件]，例如"预算三千，第一次买相机怎么选"

这三个句式覆盖了绝大多数短视频主题类型：经历型、观点型、决策型。用户照着填，主题的具体度立刻提升一个档次。

这个设计背后的逻辑是：AI 生成的脚本质量，七成取决于输入的具体度，三成取决于模型能力。与其在模型上死磕，不如把用户往"具体"的方向推一把。

3. 框架生成的内核：把"黄金三秒"拆成可以计算的段位

3.1 开场不是"吸引眼球"，是完成一个信息交付

"黄金三秒"被讲烂了，但大部分人对它的理解是错的——以为前三秒要"热闹"、"有冲击力"、"抓眼球"。实际上前三秒要完成的是一件很具体的事：让刷到的人在半秒钟内判断出"这条视频跟我有关"。

所以开场的设计不是比谁嗓门大，而是比谁的信息指向更精准。我在框架生成里把开场拆成四种可选的类型，每种对应不同的信息交付方式：

生成时我让 AI 必须先从这四类里挑一类并说明理由，再写具体台词。这个"先分类再生成"的动作看着多余，实测能显著降低"开场写了一堆废话"的概率，因为它强制模型先想清楚这条视频靠什么留住人。

3.2 中段的信息密度必须做衰减设计

这是我自己踩坑踩出来的经验。早期生成的中段，AI 很喜欢把信息均匀铺开——每 10 秒一个信息点，整整齐齐。但实际观看体验是，均匀的信息密度等于没有节奏，观众在 40% 的位置就开始疲劳。

真实的短视频中段应该是信息密度递增的：前段给背景（密度低，让观众跟上），中段给核心（密度中，一个点讲透），后段给爆点或反转（密度高，两三个点连发）。这种前松后紧的结构，能让人"越看越想知道后面还有啥"。

所以框架输出里，每一段都带一个"密度"标注：低 / 中 / 高。生成规则是低密度段不超过总时长的 30%。这条规则是我从拆了几百条爆款视频的节奏曲线里总结出来的，不是拍脑袋。

3.3 结尾要留"动作"，不留"感想"

AI 写结尾有个通病：喜欢升华。"希望每个人都能找到属于自己的节奏"——这种话在短视频里是纯浪费时长，观众不会因为这句话点赞，只会因为这句话划走。

有效的结尾必须落在一个具体动作上：让观众做点什么、想点什么、或者产生一个明确的情绪落点。我在提示词里给了几种结尾模板：

• 引导互动型："你们那儿是不是也这样，评论区说说"
• 悬念留白型：把最后一个信息点切掉，让人去评论区问
• 价值回收型：把开头的钩子收回来，形成闭环
• 系列预告型：明确告诉观众下一条讲什么

这里有个细节值得说：结尾的时长要单独标注。很多人写脚本忘了给结尾留时间，导致拍到最后一句话没地方收，只能硬切。我一般给结尾留 3–5 秒，其中至少有 2 秒是"留白"——不说话，只给画面，让观众有时间反应。

3.4 框架输出的格式约束

为了让框架能直接变成工作流，我要求输出成结构化格式，而不是一段散文。实际用的字段是这样的：

{ "total_duration": 60, "hook_type": "结论前置", "segments": [ { "index": 1, "time_range": "0-5s", "function": "钩子", "density": "高", "content": "开头台词", "shots": 3 } ], "word_count_target": 260, "ending_type": "价值回收" }

结构化输出最大的好处是可校验。生成完之后我可以写脚本检查：段落时长加起来是否等于总时长、镜头数是否在区间内、字数是否超标。不达标就自动重生成，不用人眼一行行看。这一步在批量生成时特别重要，人工审核根本审不过来。

4. 镜头设计怎么写才不是废话：景别、可行性与"拍得到"原则

4.1 一条合格的镜头描述必须具备四个要素

先给反面例子，这是我见过的 AI 分镜里最典型的一句：

"镜头缓缓推进，展现主人公内心的波澜。"

这句话的问题在于，它无法被执行。哪个机位推进？推多快？主人公站在哪？背后是什么？拍几秒？全都没有。

合格的镜头描述必须包含四个字段，我把它叫SAST 结构：

• S（Shot size）景别：远景 / 全景 / 中景 / 近景 / 特写 / 大特写
• A（Action）动作：人物在做什么，或者画面上发生什么变化
• S（Subject）主体：画面里最主要的东西是什么
• T（Time）时长：这个镜头占几秒

套进去改写上面那句，变成：

近景 | 人物面部 | 眼神从低垂到抬起，嘴角轻微抽动 | 2 秒

这句就能拍了。你甚至不用思考，架好机位直接录。

4.2 必须把"拍摄可行性"当成硬约束塞进去

这是我认为这个工具和通用 AI 写作最大的区别点。普通人拍视频，绝大多数情况是：一个人、一部手机、室内、没有灯、没有第二个人帮忙。

但 AI 不知道这些，它默认你能航拍、能上稳定器、能找三个群演。所以我在提示词里锁死了几个约束条件：

这套约束一加，生成的分镜立刻从"看起来很酷但拍不了"变成"看起来很朴素但能开机"。我有一个很明确的判断标准：如果一个镜头你需要在拍摄前买设备，那它对这个用户就是无效镜头。

当然这不是一刀切。工具里留了一个"设备等级"的选项：手机固定机位 / 手机 + 手持 / 手机 + 简单支架 / 多机位。用户自己选，生成时按等级匹配镜头复杂度。默认是最低等级，因为大部分人不改默认值。

4.3 镜头数量的估算不是拍脑袋

很多人不知道一条视频该拍多少个镜头。拍少了，剪辑时没有切换素材，画面呆板；拍多了，拍摄成本爆炸，而且很多素材最后用不上。

我的经验公式是：

镜头数 ≈ 总时长（秒）÷ 3.5

60 秒视频大概 17 个镜头，30 秒大概 9 个。这个 3.5 秒的均值来自竖屏短视频的观看习惯——单个镜头超过 5 秒不切换，观众注意力就开始流失；但短于 2 秒，人眼来不及接收信息。

不过这个公式要按内容类型修正：口播类视频可以放宽到 5–6 秒一个镜头，因为观众注意力在内容上；纯展示类的产品视频要压到 2–3 秒，靠镜头切换维持节奏。

我把这个修正逻辑也写进了生成规则，让 AI 根据主题类型自动调整建议镜头数，并把这个数字明确输出给用户——这样他拍摄的时候心里有底，"我要拍大概 17 个镜头"，而不是拍到哪算哪。

4.4 镜头顺序里藏着一个容易忽略的原则

生成镜头序列时，我加了一条规则：相邻两个镜头的景别不能相同。

原因是剪辑上的"跳切"问题。如果你连拍两个中景，人没动、位置没变，剪在一起会有一瞬间的"闪"，观众会觉得画面跳了一下，很不舒服。但如果一个中景接一个特写，即使在同一位置拍，视觉上也是流畅的。

这条规则看着不起眼，但它解决的是新手最常见的成片问题之一。很多人素材拍得不少，但全是同一景别，剪起来怎么都不顺，最后只能加转场特效掩盖——加了特效更显业余。

5. 台词的活儿不在"写得好"，在"读得顺"

5.1 AI 写台词的通病是书面语残留

让 AI 写口播稿，它会不自觉往书面语上靠。出来的东西像这样：

"此外，我们还需要注意到，在选择产品的过程中，性价比往往是一个不可忽视的重要因素。"

这句话在文字阅读里没问题，但你要是念出来，会立刻显得僵硬。原因是它有三个书面语特征：连接词（此外）、长定语（不可忽视的重要因素）、无停顿的长句。

人的口语不长这样。人说话是碎的："选东西啊，性价比这事儿，真的很重要。"短、断、带语气词。

我在台词生成环节加了一道"口语化改写"的处理，规则是三条：

1. 砍连接词：此外、因此、然而、综上所述，全部删掉，用停顿代替
2. 拆长句：一句话超过 15 个字就断，断在语义自然的位置
3. 补语气：适当加"啊""呢""其实""说白了"这类词，但每 100 字不超过 3 个，多了显得刻意

5.2 口播稿必须标注重音和停顿

这一条是我觉得最有价值的设计。普通脚本只给文字，但文字念出来有无数种念法，念错重音，意思就变了。

所以我在台词输出里加了标注系统：

• **加粗**：重音，这个词要念重
• /：短停，0.3 秒左右
• //：长停，0.8 秒左右，通常用来制造悬念
• ↑：语调上扬

举一个实际输出的例子：

我花了三千块 / 买的相机 //一次都没用过。 不是不好用 / 是我根本不知道拍什么↑

这样标注之后，即使是没有口播经验的人，照着念也能念出节奏。而且标注本身也提示了剪辑点——//的位置通常就是切镜头的位置。

5.3 台词字数和镜头时长必须对齐

这是个技术细节，但特别影响成片质量。每一句台词都要标注它占用的时长，而这个时长要能对上镜头设计的时长。

比如一句 12 个字的台词，按 280 字/分钟算，需要 2.6 秒。如果镜头设计里这一段只给了 2 秒，那就对不上，念的时候必须加速，加速就失真。

所以生成的时候，我让 AI 先把每个镜头的时长定下来，再按"时长 × 语速"倒推这句话该写多少字。这样出来的脚本，念一遍时长基本是准的，剪辑时不用反复调。

这个倒推逻辑听着简单，但它是脚本能不能"一次过"的关键。我见过太多人脚本写得很漂亮，开拍发现念不完，只能现场删词，删完节奏就乱了。

5.4 留白也是台词的一部分

新手写台词总想把每一秒都填满，觉得空着是浪费。实际上短视频里最抓人的往往是那半秒的沉默。

我在生成规则里强制要求：每条视频至少有一处 1 秒以上的"无台词留白"，位置通常放在关键信息抛出之后，或者结尾之前。这个留白在脚本里用（静默 1.5s）明确标出，同时提示镜头要给什么画面。

留白的作用是给观众反应时间。你把一个信息砸过去，立刻接下一句，观众还没消化就被推着走，最后什么都没记住。停一下，他才有空间"哦"一声。这一声"哦"，就是完播率的来源。

6. 一套主题四种写法：平台风格的差异不是加个滤镜

6.1 竖屏快节奏平台：把结论砸在第一秒

这类平台的用户是"划"着看的，不是"选"着看的。他们没打算看你的视频，是你的视频闯进了他的信息流。所以开场必须暴力——不是声音大，是信息直接。

同一个主题"如何快速整理衣柜"，在这个平台上的写法是：

开场：别再叠衣服了 / 这样挂 / 省一半空间 第二句就要给画面：手拉开柜门，展示前后对比

注意，结论在第一句就说完了，后面全是证明。这类平台不允许"引入"，任何铺垫都是流失。

6.2 种草类图文社区：重点在"我为什么信你"

这类平台的用户是带着"要不要买"的决策心态来的，所以他们关心的不是"这东西多好"，而是"你凭什么说它好"。

同一个主题换到这类平台，结构完全变了：

第四段是关键。大部分人写种草只写优点，但真正让人下单的往往是"它不适合谁"这句话——因为它证明你客观。我在平台适配模块里专门把"局限说明"设成必选项。

6.3 中长视频平台：允许铺垫，但要给"信息承诺"

这类平台的观看心态更接近"我准备花几分钟了解一件事"，所以开场可以慢一点，但必须在前 10 秒说清楚"你能从这个视频里得到什么"，而且要具体。

不能是"今天聊聊收纳"，得是"三个收纳方法，分别适合租房、小户型、和合租"。前者是话题，后者是清单。有清单，观众才知道看完能得到什么。

这类平台的脚本结构允许更复杂的层次，我把段落数上限从 4 段放宽到 6 段，同时允许"分点式"结构——每个点单独成段，段与段之间有明确的口头过渡。

6.4 私域场景：人设比内容更重要

还有一类是发在相对私密的社交场景里的视频，比如朋友圈、社群。这类内容的逻辑和前三种完全不同——看的人认识你，或者至少知道你是谁。

这时候脚本的重点从"信息"转向"人"。开场不需要钩子，因为关系本身就是钩子；中段不需要密度递增，因为观众有耐心；结尾反而要更明确地引导互动，因为私域的价值在于对话。

我在适配规则里把这类内容的开场类型锁成"场景代入"，且允许第一句是寒暄。这在公域平台是大忌，在私域反而是对的。场景不同，规则就得换。

6.5 适配不是改几个词，是改结构

这里要说清楚一个误区：很多人以为平台适配就是把同一条文案改改标题、换换标签。不是的。

真正的适配发生在结构层。开场类型、段落数量、信息密度曲线、结尾动作，这四项里至少有两项要变，才叫适配。只改词不改结构，出来的东西在哪个平台都不舒服。

所以工具里我没有做"一句话多平台改写"，而是让用户选定平台后，整条脚本重生成。虽然慢一点，但结果可用。

7. 我自己跑了几百条之后踩到的坑

7.1 坑一：AI 生成的分镜永远是"理想条件"

第一次用生成的脚本去拍，我以为能直接照着拍，结果第一条就卡住了——脚本里写"中景，人物从门口走进来，边走边说"。我一个人拍，没人给我举手机，这个镜头根本拍不了。

后面我加了一个"自检"步骤，在脚本生成完之后，让 AI 自己过一遍每条镜头，问三个问题：

• 这个镜头需要几个人？
• 需要移动设备吗？
• 需要额外光源吗？

只要有一项超出用户设定，就自动替换成等效的静态镜头。这个自检步骤加进去之后，可拍率从不到六成提到了九成以上。

7.2 坑二：台词念出来和看起来完全不是一回事

有一次我拿生成的脚本直接开录，念第一句就发现不对劲——句子太长，一口气说不完，中间必须换气，换气就断节奏。

后来我养成了一个习惯：任何台词稿，先朗读一遍再定稿。读的时候会发现三类问题：拗口的词组、过长的句子、需要换气的位置不对。这三类问题 AI 从文本层面看不出来，只有念出来才暴露。

现在我的流程是：生成 → 朗读 → 标注换气点 → 重新生成受影响段落。多花的这五分钟，能省掉剪辑时的大量麻烦。

7.3 坑三：同样的输入，输出质量波动很大

这是大模型生成的通病。同样的主题、同样的时长，两次生成的东西质量可能差一截。有时候结构漂亮，有时候全是废话。

我试过几个办法压制波动：

实测下来最有效的是加 few-shot 示例 + 结构化校验这个组合。示例负责告诉模型"好的长什么样"，校验负责卡住硬指标（字数、镜头数、时长）。两个一起上，可用率能到八成左右，剩下的两成还是得人来判断。

7.4 坑四：生成的内容越来越像

用得久了会发现一个问题：同一个主题类型，生成的脚本越来越像。因为模型的输出分布是收敛的，你反复让它生成"知识类 60 秒"，它给你的都是同一个模子。

我的解法是在输入里加一个"反套路"字段，随机从下面几项里抽一条塞进去：

• 开场不要用提问
• 中段必须有一个反例
• 结尾不要引导点赞
• 至少有一处观点和主流相反

这个随机扰动一加，输出的多样性明显回来了。代价是偶尔会生成一些结构比较怪的脚本，但怪总比雷同好——雷同的内容在信息流里是必死的。

8. 把工具用成习惯：一个普通人的出片流程

8.1 从想法到成片，我现在的实际步骤

不用工具的时候，我出一条视频平均要四个小时，其中两小时耗在"想"。用了这套流程之后，压缩到一个半小时左右。实际步骤是这样的：

1. 写主题：用前面说的三种句式之一，把想法压成一句具体的话，两分钟
2. 选时长和平台：定了就不改，因为这两个参数锁死了后面所有指标
3. 生成框架：看结构，不看文字。结构不对就改输入重生成，不硬改
4. 读台词：出声念一遍，标出念不顺的地方，改
5. 看镜头：逐条对着 SAST 四个字段过，不能拍的当场替换
6. 开拍：按镜头顺序拍，拍一个划掉一个
7. 剪辑前对时长：把实际素材时长和脚本时长对一遍，差太多就补拍

这里面第 3 步是最关键的。结构错了，后面全白搭。我现在的判断标准很简单：看前 5 秒的功能标注，如果标的是"引入"而不是"钩子"，直接重生成。

8.2 哪些部分能全信，哪些必须人手过一遍

用得久了会形成一个信任分层：

台词和观点这两块，我的建议是只借鉴结构，不借用表达。原因很实际：AI 写的观点是"平均观点"，而短视频能跑出来靠的是"个人观点"。你把平均观点念出来，观众为什么不去看一个更权威的账号？

我的做法是让 AI 给台词的"骨架"，自己往里填肉——它告诉我这段话要表达"这个东西省空间"，我自己组织语言说"我原来那一柜子衣服，现在一半就装下了，还空出一格放过季的"。

8.3 一个小技巧：用生成的脚本反过来训练自己的判断

这个不是工具功能，是我自己用出来的副产品。

每次生成完，我不急着改，先自己判断一遍"这个脚本哪里不行"。判断完再看实际拍出来的效果，对比一下我的判断和真实结果差在哪。差得多了，说明我的判断标准有问题；差得少了，说明这套评估逻辑已经内化了。

做了大概两三个月，我现在看一条脚本，基本能预判它的完播率在什么区间。这个能力不是工具给的，是工具提供了大量样本让我练出来的。

8.4 关于"普通人能不能做出优质内容"这件事

最后说点实在的。工具能解决"从零到有"，但"从有到好"这一步，还是得靠人。

我见过的最好的用法，是把工具当成一个"不会累的搭档"——它负责把想法整理成结构，你负责往结构里放真正属于你的东西：你的经历、你的判断、你踩过的具体的坑、你说某句话时特有的语气。

脚本框架是标准化的，但一条视频让人记住的，永远是那些不标准的部分——一个只有你才会用的比喻，一句只有你会这么说的吐槽，一个别人不会注意到的细节。

工具的价值不是让你变成别人，是让你不用再为"结构"这件事耗掉全部精力，把省下来的时间放在"表达"上。这个分工，我觉得挺合理的。