一个 60 秒的解说视频应该让人看完想”哦，原来是这个意思”，而不是”刚才那是什么？“。AI 解说视频翻车的套路总是一样：先迷上了某个画面、再回头写脚本去配画面，结果概念根本没传到。这篇教程把顺序反过来：先脚本，再分镜，再让画面服务脚本，最后才录音。画面用 Sora 2 或 Veo 3.1 出，配音用 ElevenLabs 或自带 TTS。出来的成品，是观众看一遍就能转述给别人听的那种。
一句话总结
把一个概念写成 3 段脚本（钩子 10 秒 / 主体 40 秒 / 收尾 10 秒，口播大约 250-300 个汉字）。分 6-8 个镜头，每个镜头对应旁白里的一个短语。Sora 2 和 Veo 3.1 单段都只能生成 8-10 秒、最高 1080p，所以 60 秒成片是六到八段拼起来的，不是一次渲染出来的。全片保持同一种视觉风格。旁白用 ElevenLabs 声音克隆（2026 年 6 月起最低 Starter 5 美元/月），品牌片就请真人配音。切点落在短语边界、音乐控制在 -18 dB、收尾那句上屏幕字幕。整体预算大约两小时。
本文涵盖
脚本先行的解说视频流程：一个清晰的概念、3 段脚本（钩子 / 主体 / 收尾）、6-8 个分镜、按段落生成的画面、干净的旁白混音。工具：Sora 2（在 ChatGPT 里）或 Veo 3.1（在 Gemini 应用或 Google Flow 里）出画面，ElevenLabs 或你顺手的 TTS 出旁白，任意剪辑软件做合成。
这篇适合谁
把课程压缩成可传播短视频的老师；要向冷启动用户讲产品的创始人；有难懂概念要教的内容创作者；要把同一个概念讲一遍、能反复套进 PPT 的咨询师。
什么时候用它
产品教育视频、新人引导开场、社交媒体解说帖、课程预告片、内部培训短片，以及面对不熟悉你术语的听众的任何说服场合。
选你的画面工具（2026 年 6 月）
两家主流模型单段都只能出短片，所以 60 秒视频永远是几段拼起来的。分镜时按这个限制来排，而不是去硬扛它。
| 工具 | 在哪里用 | 单段时长 | 最高分辨率 | 起步方案 |
|---|---|---|---|---|
| Sora 2 | ChatGPT（Plus 20 美元/月、Pro 200 美元/月） | 约 10 秒，Pro 可到 20 秒 | 1080p | ChatGPT Plus 20 美元/月；免费档已不能再生成视频 |
| Veo 3.1 | Gemini 应用 + Google Flow | 8 秒，接续多段拼更长 | 720p / 1080p（4K 走 Vertex/API） | Google AI Pro 19.99 美元/月；AI Ultra 99.99 美元/月额度更高 |
2026 年 6 月备注：ChatGPT 免费用户已不能再生成 Sora 视频。Gemini 应用里的 Veo 3.1 原生支持 9:16，还有一个场景接续功能能把多段拼起来，做连贯解说很方便。如果你只走 API：Sora 2 在 720p 约 0.10 美元/秒（sora-2-pro 约 0.30-0.50 美元/秒）；Veo 3.1 按档位和是否带音频，大约 0.03-0.40 美元/秒。
开始前
- 把概念压成一句话写下来。如果一句话装不下，说明视频太宽，要拆。
- 标出受众的先验知识。60 秒视频默认了一个上下文水平，要明确写出你假设了什么。
- 选一个能解释这个概念的比喻。AI 画面在比喻具象时最稳：漏水的桶、两个叠起来的箱子、岔路口。
- 开始生成画面前确定旁白语种和语气。画面跟着语气走，不是反过来。
操作步骤
- 写一个 3 段脚本：钩子（10 秒，点出问题或抛悬念）、主体（40 秒，用比喻讲清楚）、收尾（10 秒，一句可复述的话）。读一遍计时，60 秒大约 250-300 个汉字。
- 分 6-8 个镜头。每个镜头服务旁白里的一个短语，不是一句。短语节奏对应剪辑节奏。因为每段生成只有 8-10 秒，你的分镜数量和生成次数几乎是一一对应的。
- 每个镜头的提示词要直白描绘比喻。别写”一个 X 的插图”，写动作：例如
一滴水落在玻璃面上，从顶视角看水波扩散，柔和日光，慢动作。 - 风格保持一致。选一种视觉调（干净 3D / 剪纸 / 摄影感）就一直用。60 秒里混风格看起来像模型崩了。如果中途在 Sora 2 和 Veo 3.1 之间切换，风格会跳，要重写提示词把它对齐。
- 录旁白。ElevenLabs 的即时声音克隆给到大约一分钟干净样本就很自然（Starter 档，5 美元/月，2026 年 6 月）；Creator 档（22 美元/月）的专业声音克隆在长段落里更稳。要真正的真人味，那就请个真人配音员。
- 合成：旁白在上层，画面按短语切点剪，背景音乐控制在 -18 dB。音乐要在、但不能抢台词。
首次练习
- 选一个你能用两分钟当面讲清楚的概念。压缩到读起来正好 60 秒的 250 字版本。
- 用笔在纸上分镜，6 格，每格对应一个脚本节拍。这一步别省，纸上画比改提示词快。
- 先用一个镜头试三种视觉调，挑最服务脚本的那种，然后用那种调出剩下的镜头。
- 上 TTS 之前先用手机录一遍自己的版本。听自己的语速比让 AI 评估稿子更能暴露脚本毛病。
质量检查
- 没听过这个概念的人，看完一遍能复述出来。找个人试。
- 全片视觉调一致。不要”这一段像 3D、下一段像 2D”。
- 切点落在短语边界，不要切在词中间。读起来卡的地方就重新剪。
- 音乐音量低于旁白。如果你能哼出音乐线，那它就太响了。
- 收尾那句要上屏幕字幕，不只是口播。能粘住的概念观众都会回读一遍。
怎么复用这套流程
- 把”钩子/主体/收尾”3 段模板存到笔记里，新概念 10 分钟就能套出脚本。
- 给你的领域建一个比喻库。可复用的比喻（漏桶、岔路口、叠箱子）能解释几十个概念。
- 存 3-4 个能稳定出”自家风格”的提示词当预设。下一个视频直接复用风格。
- 系列里保持同一个声音克隆或同一个真人配音员。声音一致是最便宜的”看起来更专业”。
容易踩的坑
- 看到一个炫的 AI 画面才决定要讲什么。先有概念再选画面。
- 一个视频塞两个概念。拆开，60 秒装一个能装得下，两个装不下。
- 视觉风格不一致。一段写实一段卡通看起来就是 AI 抽风。
- 把 60 秒视频当成一次渲染。Sora 2 和 Veo 3.1 单段都只有短片，从一开始就按拼接来分镜。
- 默认 TTS 一遍过不调。调慢一点、加停顿、问题句重录。
- 音乐压过旁白。旁白是脚本，音乐是墙纸。
- 收尾没字幕。观众想再看一眼，只有音频会留不住。
常见问题
- 解说视频用 Sora 2 还是 Veo 3.1？ —— 抽象比喻 Sora 2 表现好，而且直接内置在 ChatGPT Plus（20 美元/月）里。Veo 3.1（Gemini 应用，Google AI Pro 19.99 美元/月）有人物在场、需要连贯长场景的镜头更稳，靠片段接续能拼长，还能走 API 出到 4K。一个项目里选一个就好，中途混用通常会让风格跳。
- 单段 AI 视频能多长？ —— 截至 2026 年 6 月，Veo 3.1 生成 8 秒片段（接续起来更长），Sora 2 大约 10 秒，200 美元/月的 Pro 档可到 20 秒。一个 60 秒解说是六到八段拼起来的。
- 脚本是我写还是 AI 写？ —— AI 出初稿，你来改语气和节奏。终稿几乎都需要人过一遍。
- 一个 60 秒解说要多久？ —— 脚本 20 分钟、分镜 10 分钟、画面 30-60 分钟（分成多段短生成）、配音和剪辑 30 分钟。整体预算大约两小时。
- AI 旁白够用吗？ —— 工具向内容够用，ElevenLabs 声音克隆（Starter 5 美元/月）读干净文案没问题。品牌和情绪向内容请真人，5 秒之内就能听出差别。
- 横竖屏怎么选？ —— 9:16 给短视频、16:9 给嵌入。Veo 3.1 原生出 9:16，省得尴尬裁切。同一份脚本两种导出，几乎不用改文案。
相关阅读
标签: #sora #veo #explainer #教程