一句话总结
你有一份写得满意的剧本，整段塞进 AI 视频工具，回来却是一串字面、stock 素材感的镜头，潜台词全丢了。修法不在换更强的模型，而在把剧本拆成镜头级 prompt，逐镜头决定要字面视觉（这句说啥就拍啥）还是意象视觉（这句的意思）。目标大约 60% 字面 + 40% 意象，每段都比需要的略长生一点，然后先把音频剪好，再把画面叠上去。这样一份 60 秒剧本约 90 分钟就能变成 8-12 个节奏对的镜头，含生成时间。
而且当前所有模型单次生成都只有几秒——Google Veo 3.1 上限 8 秒、Runway Gen-4.5 是 5-10 秒、Sora 2 标准版 4-12 秒——“一条片子一次生成”本来就不可能。镜头清单才是真正的工作。
这篇适合谁看
先写后画的作家和内容创作者：杂文型 essayist、视频播客主、独立影像人、做产品故事旁白的品牌营销、做解释型内容的教育者。剧本的声音或主题比制作质感更重要时，这套最有用。“字面 vs 意象”这套节制，正是把声音带进画面的关键。
什么时候适合用
- 剧本（旁白、独白、配音、对白）已成稿，需要配画面。
- 修改已交付的视频：在现有剧本上重新做镜头映射，可以只换弱画面、不重剪音频。
- 把播客或演讲片段二次包装成短视频。音频已剪好，只需 30-60 秒画面。
什么时候不建议用
纯即兴视觉、边写边构图的工作。视觉本身就是剧本的项目（先分镜再写的动画、MV）。画面必须是真实事件素材的纪录片。以及 AI 生成画面有版权或编辑伦理问题的项目——部分出版物仍拒收 AI 视觉，且各家主流模型的商用条款也不一样（下文细说）。
写 prompt 前先选模型
单次生成的时长上限决定了整份镜头清单的形态，所以先选工具。以下数据更新至 2026 年 6 月；定预算前请以厂商官方价格页为准。
| 工具 / 模型 | 单段最长 | 原生音频 | 消费端入口 | API 参考价 |
|---|---|---|---|---|
| Google Veo 3.1（Fast/Quality） | 8 秒 | 有（对白 + 音效） | Google AI Pro $19.99/月（Gemini app + Flow，约 1,000 Flow credit） | 约 $0.10-0.40 / 秒 |
| Runway Gen-4.5 | 5-10 秒（可延长至约 16 秒） | 无（后期加） | Standard 起 $12/月（约 625 credit）、Pro $35/月 | 25 credit/秒（约 $1.50/段） |
| Kling 3.0 | 较长，Extend 可达约 3 分钟 | 无 | credit 包 / 订阅 | 约 $0.10/秒 |
| Sora 2（标准版） | 4 / 8 / 12 秒 | 有 | 经 ChatGPT Plus $20 / Pro $200 | $0.10/秒（Pro 档更高） |
实用解读：要旁白驱动的解释型内容、希望口播和声音直接生进画面，Veo 3.1（在 Gemini app 或 Flow 里）路径最简单。要最大导演控制权、要一块干净的无声底片自己配乐，Runway Gen-4.5 是主力，而且它的面板里同时挂着 Veo 3.1 和 Kling 3.0 Pro，可以一镜一引擎挑最合适的。要最长的单段镜头和强角色参考，Kling 3.0 占优。想在一次生成里就带声音和口型、又本来就在付 ChatGPT，Sora 2 也不错，但注意 OpenAI 现在只对 Plus 和 Pro 开放。
具体步骤
- 大声读剧本并计时。 标出适合切画面的时刻——通常 4-8 秒一处。标上时间戳，后面对齐时长用。
- 每个标记点标”字面”或”意象”。 具体名词适合字面；抽象论点和情绪 beat 适合意象。
- 校配比。 目标大约 60% 字面 + 40% 意象。太字面像幻灯片，太意象观众跟不上。把标好的剧本读一遍重新数。
- 每镜写一条 prompt。 请求的镜头长 = 剧本段长 + 0.5-1 秒剪辑缓冲。6 秒的句子配 7 秒生成——并且每段都要卡在所选模型的上限内（Veo 8 秒、Runway 5-10 秒）。
- 所有镜头略长一点生。 一遍生成接受 30-50% 重做率，抽象 beat 常要 2-3 次。在 Runway 这是真金白银（每生成秒 25 credit），所以批量提交、有意识地重做，别条件反射式重生。
- 先剪音频，再叠画面。 音频驱动切点，画面服务音频。这与剪实拍素材的顺序相反。
- 关声音过一遍。 视觉单独能讲出可辨识的故事，就够了；讲不清，说明 2-3 个镜头需要更强或换掉。
怎么保角色、场景跨镜头一致
跨镜头不一致，是”这片子是分段拼出来的”最大的破绽。三个具体杠杆，按可靠度排序：
- 参考图优于文字。 在 Kling 3.0 里，把角色 3-4 个不同角度（正、侧、侧脸）的图传进 Element Library，在 image-to-video 模式用 Bind Subject。视觉锚点比在十条 prompt 里用文字反复描述同一张脸稳得多。
- 每条 prompt 固定一句风格句。 把同一句子句——光线、镜头、调色、颗粒——逐字放在每条镜头 prompt 末尾。模型对一致措辞很敏感。
- 工具暴露 seed 时复用 seed。 复用 seed 会把连续生成推向同一观感。不是保证，但能收窄方差。
更深入的处理见 AI 视频风格一致性。
旁白：什么时候用 AI 够、什么时候不够
AI 旁白对多数解释型和社媒内容已经够用。ElevenLabs Starter $5/月就解锁商用权和即时声音克隆；Creator 档 $22/月给 10 万字符（约一小时多语种语音），超量按约每 1,000 字符 $0.30 计（2026 年 6 月数据）。OpenAI 内置的语音是另一个低门槛选项。重要品牌项目、或声音本身就是产品的场景，留给真人配音演员。
完成后检查
- 镜头数和你的标记密度对得上。60 秒剧本是 8-12 个镜头，不是 30，也不是 4。
- 字面 / 意象配比约 60/40。生成完再数一次——有些字面 prompt 生出来反而很意象。
- 每个镜头首尾各留 0.5-1 秒缓冲。没有帧边界上的硬切紧贴。
- 音频切和视觉切对齐误差在 100ms 以内。漂移了，大脑会读成”不同步”，哪怕你还说不出哪里不对。
- 关声测试能看出剧本主旨。如果非看字幕才懂，画面太意象了。
- 没有一个镜头横跨两个无关句子。每条 prompt 只服务一个 beat。
怎么复用这套流程
- 把”大声读 + 标点”这一步做成模板文档，两列：时间戳加文本、字面/意象加种子 prompt。
- 为你常做的主题（远程办公、AI 疲劳、创造力）建一个小型”已验证意象镜头” prompt 库。复用种子，调具体细节。
- 记录每类镜头的重做率。意象镜头要 3 次以上，说明 prompt 太虚——补具体视觉锚点。
- 做多集系列时，维护一份视觉词汇文档：角色、调色、重复母题。每条 prompt 都引用它，AI 镜头一致性更好。
- 每几周用当前模型版本重生一条已成功镜头。新版本持平或更好就迁移。
容易踩的坑
- 一句话一个画面。 句子作单位太小，一分钟 30 个切点，显得慌乱。
- 全字面。 视频像名词清单幻灯片。旁白已经在传字面信息，画面该干别的。
- 全意象。 观众丢线索。每 8-12 秒锚一个字面 beat。
- 不读出来就开始生。 错过自己写作的天然节奏，切点常落在短语中间。
- 让画面驱动切点而不是音频。 AI 镜头时长任意，跟着它切会把剧本剁碎。
- prompt 写得超过模型能渲染的长度。 向 8 秒模型要 20 秒镜头只会被截断；把这个 beat 拆开。
- 跳过关声测试。 声音掩盖大量画面问题，关声立刻浮出来。
进阶技巧
- 对白多的剧本：特写（角色情绪）和全景（环境）交替。连续两个特写显得重复。
- 旁白偏意象——音轨已经在传字面。旁白用 50/50 甚至 40/60 字面/意象常常更稳。
- 访谈或播客片段：画面的工作是维持注意力，不是解释。偏氛围或抽象镜头。
- 带 CTA 的广告：结尾用字面产品镜头。意象结尾在点击率上明显更差。
- 发布前查商用条款：Veo 经 Google AI 付费档的消费端产出、Runway 付费档都覆盖商用，而免费档和带水印产出常常不行。
FAQ
- 做配脚本的解释型视频，先从哪个 AI 视频工具上手？ 想要口播和声音直接生进画面，Google Veo 3.1（在 Gemini app 里，Google AI Pro，$19.99/月）最省事。想要导演控制权、声音自己配，Runway Gen-4.5（$12/月起）是主力，而且一个面板里就能调 Veo 和 Kling 3.0。
- 2026 年 6 月单段 AI 镜头能多长？ Veo 3.1 单次上限 8 秒，Runway Gen-4.5 是 5-10 秒（可延长到约 16 秒），Sora 2 标准版是 4、8 或 12 秒。Kling 3.0 最长，Extend 功能可达约 3 分钟。再长就是在剪辑里把多次生成拼起来——这正是要建镜头清单的原因。
- 剧本里有 4 分钟独白，也用这套？ 用，但分成 30-60 秒的段落，逐段套流程。一个 4 分钟 master 太笨重，而且没有模型能一次生出来。
- 怎么让角色跨镜头长得一样？ 参考图胜过文字。在 Kling 3.0 里把 3-4 个角度图绑进 Element Library；其他工具就重复同一句风格句、复用 seed。见 AI 视频风格一致性。
- 字幕怎么处理？ 后期加。把字幕烤进生成会锁死时序；在编辑器里叠加可以不重渲染就改时间。
- 能用来做动画短片吗？ 能，但配比要偏意象——动画本身就是现实之上的风格层，字面镜头分量更轻。