一句话总结
只要给模型一份精准的简报加一个懂结构的 Prompt，从空白页到一条能用的脚本初稿大约 15 分钟。要记住的换算：一条 7 分钟的口播视频，按英文口语约每分钟 150 词算大概是 1050 个词（中文口播约每分钟 240 字，约 1680 字）。真正要死守的数字是前 30 秒留存——YouTube 的数据显示约 55% 的观众在第一分钟内就走了，所以开头那句话的分量，比脚本其余部分加起来还重。正文用 Claude Opus 4.7 或 Sonnet 4.6 出稿，行文最自然，然后亲手用自己的口吻重写 cold open 和收尾。
任务场景
这周要拍一条 5-10 分钟的 YouTube。手写脚本要 2-4 小时，而且最关键的前 30 秒最容易写砸。靠一套靠谱的 AI 流程，大约 15 分钟就能拿到带 Hook、留人节奏、B-roll 提示、明确落点的脚本初稿，把剩下时间花在改稿和拍摄上。
适合个人创作者、教育博主、独立 SaaS 创始人、把 YouTube 当流量入口的所有人。这里讲的是标准 16:9 横版长视频，不是 Shorts（节奏不同，文末有链接）。
你要对标的几个数字
动手写 Prompt 之前，先把目标定清楚。下面是 2026 年长视频（非 Shorts）的基准：
| 指标 | 目标值（截至 2026 年 6 月） | 为什么重要 |
|---|---|---|
| 口播语速 | 中文约每分钟 240 字（英文 130-150 词，技术内容 120-140） | 决定字数：7 分钟 × 240 ≈ 1680 字 |
| 前 30 秒留存 | 保住 70% 以上才算稳；约 55% 的观众在第一分钟流失 | 算法第一波推荐的信号 |
| 平均观看百分比 | 5-15 分钟视频 40-55%；5 分钟以内 60% 以上 | YouTube 判断”值不值得推”的主要依据 |
| 留人节奏频率 | 每 60-90 秒一次节奏切换 | 压平视频中段（约 60 秒、180 秒处）的流失 |
字数就是 目标分钟数 × 你的语速。先按你的语速和内容类型定好，再让模型严格照这个字数来。
先选模型，再写 Prompt
选哪个模型，直接决定你后面要返工多少。截至 2026 年 6 月：
| 模型 | 最擅长 | 上下文 | 备注 |
|---|---|---|---|
| Claude Sonnet 4.6 / Opus 4.7 | 自然的长文，返工最少 | 100 万 token | 出整稿的主力；要细腻就用 Opus |
| GPT-5.5 | 有冲击力的 Hook、紧凑结构、清单体 | Plus 应用内约 320 页 | Cold open 强；写长了会有点套路 |
| Gemini 3.1 Pro | 处理超长输入（整段转写） | 100 万 token | 丢进 60 分钟播客转写，让它来剪 |
一个实用的混搭：正文用 Claude 出稿（Pro 套餐 20 美元/月里的 Sonnet 4.6 就够），再让 GPT-5.5 给你写 5 个备选 cold open，挑最好那句。如果是做二次利用，把整段转写贴进 Gemini 3.1 Pro，先让它抽出 3 个最精彩的点。
哪些情况适合 AI，哪些不适合
当你已经知道目标观众、知道你那句话承诺、需要结构和初版文字时，最适合用 AI。模型确实擅长把内容切成 act1/2/3、提 B-roll 建议、围绕一个具体例子写 cold open。
二次利用也很好用：把一个 60 分钟播客转写丢进去，让模型抽出最精彩的 3 个点写成 7 分钟脚本。
下面这几种别只靠 AI：
- 出镜口播。 永远不要照念 AI 的句子——听起来像谁都不是。每一句都用自己的节奏重写。
- 频道独有的质感。 AI 不懂你频道的梗、你的视角、那些让视频显得独一无二的内行信息。
- 敏感话题。 心理健康、金融、医疗类内容，发布前必须经专家审一遍。
需要先给 AI 的信息
- 主题 + 你具体的切入角度
- 观众：是谁、已经知道什么、还不知道什么
- 承诺：看完能做什么或相信什么
- 时长：目标分钟数，以及按语速换算出的字数
- 你欣赏的 2 个频道、你觉得无聊的 2 件事
“你觉得无聊的事”这一项被严重低估——它是在 AI 套话出现之前就把它掐掉的最快办法。
可直接复制的 Prompt
把方括号里的占位符换成你自己的内容。字数目标自己算好（分钟数乘以语速）再写进去，别让模型自己做这道算术——模型在行内算数上还是会跑偏。
你是 YouTube 脚本作者。请写一条 [target_minutes] 分钟的口播脚本。
主题：[topic]
切入角度：[sharp_angle]
观众：[who_they_are_and_what_they_know]
承诺：[what_they_can_do_after]
口吻参考：[channel_1]、[channel_2]
避免：[what_bores_you]
目标字数：[分钟数 x 语速，例如 7 x 240 = 1680]
结构：
- 0:00-0:15 Cold open：一个具体场景或反直觉断言。不要 "本期视频……"
- 0:15-0:30 Hook：说出承诺 + 暗示落点
- Act 1（约 25%）：用具体例子立靶
- Act 2（约 50%）：核心内容——3 个子点，每个配 1 个具体演示或画面
- Act 3（约 20%）：落点 + 一个可执行下一步
- 收尾：CTA + 推荐下一支视频
每 60-90 秒加一次留人节奏（节奏切换 / 前文回扣 / 提问）。
B-roll 在行内标 [B-ROLL: ...]。
画面字幕标 [TEXT: ...]。
字数控制在目标的 10% 以内，不要注水。好的输出长什么样
一条带时间戳的脚本，行内带 [B-ROLL: ...] 和 [TEXT: ...] 标记。段落要短（1-3 句），方便看提词器不掉行。CTA 和”下一支视频”推荐要清楚标出来，剪辑师扫一眼就能找到。
怎么判断 AI 的结果能不能用
- 带秒表念一遍。 偏离目标时长超过 20% 就增删。按 240 字/分钟算，超 30 秒大约要砍 120 字。
- 死磕前 30 秒。 开篇这句话没有上下文也立得住吗？看到第 15 秒你自己还想继续看吗？这半句话决定了算法推不推你。
- 数留人节奏。 大约每 60-90 秒一次。如果全是提问或全是回扣，就换种方式，免得节奏太机械。
容易踩的坑
- 开头是 “本期视频我要跟大家说……”——前 30 秒留存直接掉
- 没有留人节奏，观众在可预测的约 60 秒、180 秒处大量流失
- 没标 B-roll，剪辑时间可能翻三倍
- 承诺了视频却没兑现（平均观看百分比直接崩）
- 照念 AI 句子，出镜听起来像机器人
用 YouTube Studio 把闭环跑通
视频发布后，打开 YouTube Studio 的观众留存报告。它会标四个时刻：Intro（你的 30 秒留存）、Top moments（几乎没人离开的段落）、Dips（观众跳过或退出的地方）、Spikes（被重看或分享的片段）。前 15-30 秒陡降、之后拉平，说明 Hook 没立住；平缓均匀下滑，问题在节奏而不在开头。
下一条脚本写好后，连同上次曲线在哪里掉的说明一起再喂给模型，让它预测这条会在哪里流失观众——拍之前就把那几个节奏点修掉。各项标签怎么读，可参考 Google 官方的 Measure key moments for audience retention。
FAQ
2026 年 YouTube 脚本用哪个 AI 最好？ 要自然、返工最少的长文口播，用 Claude Sonnet 4.6（要更细腻就 Opus 4.7）。要有冲击力的 Hook 和紧凑结构，用 GPT-5.5。要处理超长转写做二次利用，用 Gemini 3.1 Pro 的 100 万 token 上下文。很多创作者正文用 Claude，再从 GPT-5.5 借一个 cold open。
一条 7 分钟脚本大概多少字？ 英文按 150 词/分钟约 1050 词；中文口播按 240 字/分钟约 1680 字。技术内容语速更慢（120-140 词）字数相应减少。永远自己算好字数，别指望模型做这道算术。
能让 AI 写缩略图文字吗？ 可以，让它出 5 版，挑那条反直觉、或承诺具体收益的。控制在 3-4 个字，手机上才看得清。
怎么保留自己的风格？ 亲手重写 cold open 和收尾。这两段最承载人格，也是观众记得住的部分。
Shorts 呢？ 格式不同节奏也不同——更密（中文更快、英文 140-160 词/分钟），Hook 要在头 1-2 秒就出来。用下方链接的 Shorts 模板。
相关阅读
60 秒格式用 YouTube Shorts 脚本 Prompt。Reels / TikTok 开场可以套 短视频 Hook Prompt，更完整的 Reel 文案 Prompt 合集 也在站内。