AI 短剧工坊 第4篇｜工具地图：哪一步该找哪一类工具

上一篇你用免费额度跑通了第一条片子，这一篇帮你把“剪辑、生成、配音、字幕”这些环节各归各位。不背产品名，只记 5 类工作，看完你能对着一份素材说出：这一步该找哪类工具、它的产物交给谁、交接时是什么格式。

上一篇我们聊的是怎么不花钱，用免费额度把第 1 条片子完整走一遍。你已经知道“能跑通”是什么感觉了。

今天往前走一小步：不再上来就问“哪个软件好”，而是先看清一条片子是由哪几段活组成的。

想清楚这件事，工具换了、涨价了、下架了，你都不慌。

周敏的电脑里躺着 11 个没打开的网页

周敏，34 岁，在社区医院做行政，晚上回家哄完孩子才有空弄自己的号。

她想做 15 秒的“护士日常”短剧。上周她搜了一晚上“AI 做视频用什么”，收藏了 11 个网页。

有生成视频的、有配音的、有剪字幕的，还有一个她自己都忘了是干什么的。

第二天她打开第一个，页面让她传图，她传了；让她选时长，她选了 5 秒；点生成，等了 6 分钟，出来一段会动但脸变形的画面。

她不知道该拿这段画面怎么办，也不知道下一步该开哪个网页。

那一晚她就关电脑了。11 个网页，一个也没用上。

把它想成开一家小饭馆的后厨

一条短剧不是“一个工具做出来的”，是几道工序接力做出来的。

你用一家小饭馆的后厨来想它，就好懂了。

后厨有 5 个岗位：写菜单的、切菜配菜的、掌勺的、调味的、装盘端出去的。

写菜单的那个人，决定今天卖什么、卖给谁。他写的东西交给切菜的。

切菜的按菜单把料备好，交给掌勺。掌勺炒出主体，调味的加盐加酱，最后装盘上桌。

5 个岗位，5 类活，各自产出半成品，往下传。传的时候要能接得住——上一道给的是一盆切好的菜，下一道不会要一张菜单纸。

AI 短剧也是这 5 类活：写剧本、生成画面、配音、做字幕、合成导出。

这个比方有个地方不准：后厨是流水线，一步卡住后面全停。做视频不是。

你可以先把 15 秒的字幕做好，过两天再做画面；也可以先生成 3 段画面，发现第 2 段不行，只重做那一段。

所以别把它当传送带，当成分头备料、最后一起下锅。

我带过的人里，十个有八个一开始以为“AI 视频工具”是一个大软件，点一下就出成片。不是的，它是 5 个动作。

现在，把你这 15 秒的活分到 5 个筐里

下面这遍，你不用装任何新东西，拿一张纸、开一个记事本就行。做完你手上会有一张自己的“分工表”。

我在白板上给新手画的就是这 5 个筐，你今天照着填。

第 1 个筐：写词。

管什么：谁说什么话、镜头里发生什么、这 15 秒讲一件什么事。

输出成什么样：一段能直接读的文字，最好每句话单独一行，标好这句话配哪个画面。

成功长什么样：你念一遍，15 秒能念完，而且不别扭。

如果你看到的是“灵感一大堆、一句话都定不下来”，那说明你还在想创意，没到写词。先去把“这 15 秒只讲一件事”定死。

第 2 个筐：生成画面。

管什么：把人、景、动作变出来。可以是 AI 生成，也可以是你手机实拍。

输出成什么样：一段段 3-5 秒的视频片段，或者一张张图。

成功长什么样：一段画面里只有 1 个主要动作，人脸别糊，能接上下一段。

如果你看到的是“画面会动但人一直变形”，那说明这一条给的信息太多、动作太复杂。退回第 1 个筐，把这句话改简单。

这里有个新手第一次都会踩的细节：手机上生成的视频，导出时常常默认压成竖屏的小尺寸；你在电脑网页上看到的预览是清楚的，下载下来反而糊。

下载后先在你的手机相册里点开看一眼，别直接拖进下一步。

第 3 个筐：配音。

管什么：把第 1 个筐的文字变成人声。

输出成什么样：一条音频文件，或者工具里直接能用的一段声轨。

成功长什么样：语速正常，15 秒的台词读出来差不多也是 15 秒，别抢拍也别拖。

如果你看到的是“听着像机器念电话录音”，那说明断句没调。多数配音工具能让你在标点处停顿，加个逗号再试一次。

第 4 个筐：字幕。

管什么：把台词变成屏幕上的字，或者把配音自动转成字幕。

输出成什么样：一行行带时间的文字，或者直接烧进画面的字幕。

成功长什么样：一句话不超两行，一行别超过 10 个字左右，15 秒大概 3-4 条字幕。

如果你看到的是“字幕比声音慢半拍”，那说明你还没做对齐。这个以后单独讲，今天先知道有这一关。

第 5 个筐：合成导出。

管什么：把画面、配音、字幕、背景音乐摞在一起，调好顺序和音量，导出一个能发的文件。

输出成什么样：一条完整的 mp4。

成功长什么样：从头播到尾，人声听得清，字幕对得上，画面不卡。

如果你看到的是“合成后画面和声音对不上”，那说明你的素材帧率或时长不统一。退回前面，把每段画面都做成一样长、一样规格。

填完这张表，你会得到类似这样的一行：

第 1 段画面（3 秒）→ 第 1 句台词配音 → 第 1 条字幕 → 接第 2 段……

现在对着你的单子问一句：我手上这段半成品，交给下一个筐时，是什么格式？

视频片段交给合成，是 mp4；配音交给合成，是 mp3 或 wav；字幕交给合成，要么是带时间的文本，要么是烧好的画面。

格式对不上，就是后厨递了一盆汤给切菜的，接不住。

关于工具，我只说类别，不报名字。

写词：任何能对话的 AI 都行，你手边免费的够用。

生成画面：分两类，一类是“文字变视频”，一类是“图片再变视频”。新手先用图片变视频，稳。

配音：找带“文字转语音”的，能调语速、能加停顿的就够。

字幕：找能“自动识别语音加字幕”的，省去手打。

合成：手机上的剪辑 App 就能干，不必上电脑。

我不建议新手一上来就去研究“哪个模型最强”。这类榜单一个月一变，你研究明白了，工具也换了。

为什么这一步用它、产物交给谁，我再说清楚一次：

写词的产物是文字，交给配音和第 2 个筐当提示。

生成画面的产物是一段段短视频，交给合成。

配音的产物是一条音频，交给合成。

字幕的产物是带时间的字，交给合成，或者直接烧进画面。

合成是唯一“只进不出”的环节，它的产物才是你发出去的东西。

这张分工表不用抄我的，你自己写的才记得住。

新手最爱在这 3 个地方翻车

翻车点一：跳过写词，直接去生成画面。

错在哪：脑子里只有一个模糊感觉，就让 AI 生成。出来的画面每次都不一样，你也没法判断哪段能用。

报什么：不是报错，是“生成 8 次，8 次都不能用”，白等一小时。

怎么退回去：打开记事本，先用一句话写清“这 15 秒只讲一件事”，再把这句话拆成 2-3 个画面描述，每段只写 1 个动作，然后再去生成。

我踩过这个坑。有一次我跳过写词直接生成，浪费了 40 分钟，最后一段没用上。

翻车点二：把配音和画面对在一起，以为它会自动同步。

错在哪：先做好配音，再让画面去凑，结果语速和画面长度天生对不上。

报什么：合成后声音比画面快 2 秒，你手动拖，拖了一段另一段又歪了。

怎么退回去：先定每段画面是几秒，再按这个时长去配台词。画面长度是骨架，配音是肉，别反过来。

这个顺序我不认同“随便先做哪个”的说法，实际用下来，先定画面时长省事太多。

翻车点三：下载了视频，格式不对就拖进下一步。

错在哪：有的网页生成后默认给的是一个“预览链接”，不是文件；你拖进去的其实是一张封面图。

报什么：合成软件提示“文件无法识别”，或者干脆没反应。

怎么退回去：在页面里找到导出或下载一类的选项，选 mp4，存到手机相册或电脑文件夹，再点开确认能播放，才往下走。

以你打开时页面显示的为准，别照着我说的猜按钮。

带过的人里，卡在“下载下来是图不是视频”的有好几个，第一次都以为工具坏了。

3 道题，测你是否真的分清了筐

第 1 题（简单）： 把你现在想做的那条 15 秒，用记事本拆成“1 段画面 + 1 句台词”，写 2 组。写完念一遍，15 秒够不够？

答案：能念完、不赶，就对了。念不完说明你装了 2 件事，砍掉 1 件。

答不上来说明：你还没到“写词”这一步，先别开任何生成工具。

第 2 题（中等）： 去你手机相册里找一段 3 秒的视频，看它的时长和画面比例。再打开你打算用的合成 App，把这段导进去，看它能不能正常播放。

答案：能播、时长显示约 3 秒，就说明格式接得住。播不了或时长不对，就是格式这一关没过。

答不上来说明：你还没验证过“交接格式”，后面合成一定会卡。

第 3 题（较难）： 假设你生成的画面是 5 秒，台词念完只要 3 秒。你会改哪一头？为什么？

答案：改画面，把这段画面裁成 3 秒，或者把这句台词拉长到 5 秒。原则是让两边的时长先相等，再做合成。

答不上来说明：你把配音和画面当成能“自动对齐”的两件事。它们不会，得你手动让它们一样长。

下一篇：先把尺寸定死，再动手

你现在有分工表了，但还有个问题没解决：你手上这段素材，到底该做成多大、多长、多清楚？

尺寸没定，你生成的画面和最后的导出永远在打架。

下一篇我们就把这 3 个数定死，让你后面每一步都不返工。