短视频脚本怎么变成分镜图？ai绘画流水线实测

帮一个做家居好物口播号的朋友干过两单活。他的脚本写得顺，但人不上镜、也懒得搭景，视频一直是PPT式的白底图文，数据平平。第二条视频开拍前他问我：能不能不拍，全程AI出图？这条60秒的口播，脚本220个字，最后拆成九张分镜图，从头到尾没用一台相机。这篇把流水线一步一步写下来，中间那次一致性翻车也原样保留。

先拆脚本再谈画面：数量公式定生死

口播视频按每七到八秒一换画面的密度拆镜，60秒视频九张左右；先给脚本标段落，再给每段定画面类型，最后才写提示词。顺序反了就会出一堆好看但用不上的图。

具体拆法。220字脚本我通读三遍，标成五个段落：开场痛点、产品出场、功能演示、价格钩子、行动号召。然后按"七到八秒一张"换算——开场痛点两秒一句话配两张图（问题的两个侧面）、产品出场一张、功能演示三张（三个卖点各一张）、价格钩子两张（前后对比）、行动号召一张。合计九张，正好对上60秒。这个数量我不是拍脑袋定的，第一条视频我拆了十四张，剪的时候发现根本切不过来，好几张图停留不到三秒就被翻页，白出。降回九张后节奏才舒服。

画面类型也要在出图前定好。我的分法就三种：场景图（交代环境）、特写图（卖点细节）、情绪图（人物反应）。五段脚本里，段落性质决定类型占比，功能演示段以特写为主，开场以场景和情绪为主。提示词是照着类型写的，不是照着句子写的——这一点想明白，出图效率翻倍。给你一个当天的样本：脚本第14个字到第31个字那句"下班回家，一开门是一屋子乱糟糟"，我配的就是一张情绪图，玄关的暖灯、散落的鞋盒，人物只给一个垮着的肩膀，词就写了两行，一次过。

一致性翻车：九张图里的产品换了三次脸

同一个产品在九张图里颜色形状各不相同，是这条流水线最大的坑；解法是先出一张产品标准图，后续全部垫图生成。垫图能救七成相似度，剩下的靠后期统一调色。

翻车现场还原。第一遍我按九个提示词各自出图，单张都挺好看，拼进剪辑轨道一看——产品的圆润把手在三张图里变成了方的，还有两张直接把米白色的机身画成了浅木色。观众未必说得出来哪里不对，但潜意识会判定"这视频不专业"。我返工的办法是先精修一张产品的三视图当基准图，出图约十五秒，然后把它垫进后面八张的生成里，相似度立刻上来了。剩下两张角度太刁钻的，我在剪辑里统一压了色温和饱和度，勉强算齐。

时间账也在这给你算了：九张图单张平均十二秒，全部出完不到两分钟，但加上拆脚本四十分钟、写提示词改提示词一个小时、垫图返工四十分钟，整条流水线实际花了我两个多小时。跟实拍比，省的是场地、设备和补光灯，费的是前期脑力。

哪类镜头AI扛得住，哪类别硬上

静态场景、产品特写、氛围情绪图是AI的舒适区；手部动作、使用过程、人物口型这三类别用AI硬画，用了必假。流水线不是全自动，知道在哪停才是本事。

最后那条值得多说一句。朋友第二条视频的手部特写，是我用手机垫着一副耳机拍的两秒钟素材插进去的，一共花了五分钟。全AI和全实拍都是执念，混着来才是普通人的最优解——AI负责它擅长的八成画面，实拍补上它一碰就碎的两成，视频照样成立。

那条九张分镜图的视频发出去，朋友把数据截图发我：播放量是他之前PPT式视频的四倍多，评论区还有人问"这场景在哪拍的"。他回了一句"没拍，画的"，对面回了三个问号。脚本好，画面跟得上，这条流水线的全部意义就在这——220字的脚本不再只是声音，它有了脸。

常见问题

没有绘画和摄影基础，能跑通这条流水线吗？

能，这条流水线考验的是拆解能力不是美术能力。把脚本按段落标号、按七到八秒一张定数量，剩下的提示词照着画面类型套就行。

分镜图要什么尺寸？

跟着成片比例走，竖版视频用9:16出图。我的习惯是按成片尺寸直接生成，裁切会浪费构图，特别是特写图。

产品一致性除了垫图还有别的办法吗？

还有一个笨但稳的办法：把产品摆纯色背景实拍一张当基准图，垫图效果比AI自己出的基准图更好，因为真实细节最全。

整条流水线最耗时间的是哪一步？

拆脚本和写提示词，占一半以上。出图本身快得惊人，别把时间预算花在等图上，要花在想清楚每一张图负责哪句话上。

延伸阅读

• ai绘画ai剪辑怎么串成流水线？短视频封面与空镜素材的笨办法——分镜图出来之后的剪辑端衔接，这篇接得住。