内容创作 · 熟练
AI 视频返工最多的地方，是顺序反了
先出画面再配旁白，音画对不上
做过几条 AI 短视频的人，几乎都栽在同一处：先把画面生成得漂漂亮亮，再回头配音 —— 结果音画对不上、口型错位，一条片子重新来一遍，那才是最费时间的地方。这一页只讲两条能省下整轮返工的纪律：① 先定声音，画面跟着节奏走（先做配音、再生成画面，顺序不能反）；② 先锁长相，再让它动起来（用同一张角色参考图喂每一个镜头，避免同一条片子里人物变脸）。再给一张分镜表的字段清单和一个三版递进的迭代法，让「重做」变成「只补一版」。
方法 · 一图看懂
1
先定声音，再生成画面 — 配音（或 TTS）先出，画面的节奏与时长跟着声音走；⛔ 顺序反了就要重录或重生成
2
锁脸：同一张参考图喂每个镜头 — 用一张角色设定图（或一组种子图）固定「这个人长这样」；产品给白底图同理
3
分镜表一张纸写全 — 镜头号 · 画面描述 · 旁白与字幕 · 时长 · 运镜 · 参考图；一个镜头 3–15 秒最稳（太长模型会「忘记」前面长什么样）
4
先逐镜 3–5 秒，再拼成长片 — 挑满意的片段延长或用「尾帧接首帧」串起来，角色连续性明显更好
5
三版递进，而不是反复推倒 — V1 描述核心内容 → V2 补场景 / 光线 / 运镜 → V3 完善细节
原理 · 为什么有效
这两条纪律的机理不一样，但都指向「把不确定性挡在贵的那一步之前」。声音先行的机理是声音是节拍器：一条片子的时长、停顿、每句的字数上限都由旁白定，画面按声音写提示词就天然对齐；反过来先做画面，你只能把旁白裁成画面需要的长度，口型对不上就整条废掉。锁脸的机理是一致性靠外部锚点，不靠形容词：视频模型对「同一个人」没有跨镜头的记忆，每次生成都是新的采样，所以必须把「长什么样」从文字描述里拿出来，变成一张每次都随提示词一起提交的参考图 —— 描述越自由，漂移越大。至于 3–15 秒的片段长度，是因为模型对更早帧的记忆会衰减，镜头越长越容易「忘记」开头的样子；把它切短、用尾帧接首帧串起来，等于把一致性交给你自己控制。
适用场景
适用：想做口播 / 知识 / 带货类短视频、但不想学剪辑也没设备的人 —— 运营、自媒体、小商家、单条视频要在半天内出片的人。
⛔ 不适用：需要真人出镜、需要现场收音、或需要精确镜头语言（这类片子的瓶颈不在生成，在拍摄）。
⚠️ 前提：你愿意为每一镜单独写画面提示词，而不是一句「给我做个视频」——提示词写法请走「主体 + 动作 + 镜头运动 + 光影 + 风格」这条公式，⛔ 不写「一个好看的视频」这种模型听不懂的话。
自测 · 5 问
我手上有没有一段先定下来的旁白文本（不是「等画面出来再配」）？
我有没有一张固定的角色参考图？后续每个镜头的提示词里，角色描述是不是原样复制的同一段字？
我的分镜表里，每一行能不能填满六个字段（镜头号 / 画面描述 / 旁白字幕 / 时长 / 运镜 / 参考图）？
我这次有没有哪个镜头超过 15 秒？如果有，是不是因为它「太长导致模型忘了开头」？
上次返工的原因，是画面不好看，还是音画对不上？后者说明顺序错了，不是模型不行。
怎么上手 · 验证步骤
第一次别做完整条，先做一个 15 秒的片段跑通顺序：① 先写旁白（用结构化指令，一次出可用稿：开头 3 秒抛钩子、中间三段、结尾一句互动）；② 录音或合成配音，确定总时长与每句的字数上限；③ 按声音切分镜，写成分镜表；④ 出参考图并锁脸；⑤ 逐镜生成 3–5 秒，挑最好的那条接起来。
⚠️ 四个最容易踩的点：一是先出画面（顺序反了）；二是每镜重新描述角色（一定变脸）；三是旁白字数不限（配到一半发现塞不进）；四是一遍不行就整条重来（应该只重生成那一镜的 V2 / V3）。
自检动作：把这一条的旁白单独拎出来读一遍，掐一次表 —— 如果读出来的时长与你画面总时长差超过两秒，说明顺序仍然是「画面在前」；如果每个镜头的提示词里角色描述不是同一段字，说明锁脸没做。两个动作都做完，返工率会肉眼可见地降下来。