这两年，AI 生成图片已经不是什么新鲜事了。

但如果把问题换成：

能不能真的用 AI 做一个完整的视频？

我的答案是：可以。

而且现在的 AI 视频，已经不只是生成几秒钟漂亮的画面。只要把角色、镜头、声音和后期这些环节组织起来，它已经可以进入比较完整的视频生产流程。

最近，我自己实际做了一部大约 40 秒的 AI 短剧《我和AI还有他》。

片子不长，只有三个主要角色，第一集也只是一次 Pilot。但从人物设计、剧情、镜头生成，到连续镜头、对白、字幕、音乐和最后剪辑，我把整个流程完整跑了一遍。

做完以后，我最大的感受反而是：

用 AI 生成一段视频不难。真正有意思的，是怎么把很多 AI 能力组织起来，最后让它变成一个“作品”。

这篇就不讲太多理论，我直接说我是怎么做的，以及第一次真正做完以后踩到了哪些坑。

第一步：先想清楚你要做什么，而不是先打开 AI

这是我觉得最容易被忽略的一步。

很多人第一次尝试 AI 视频，会直接打开视频生成工具，然后输入：

“帮我生成一个男人和一个机器人在办公室吵架的视频。”

AI 当然可以生成。

但问题是，下一段怎么办？

男人还是不是刚才那个男人？机器人长得一样吗？办公室还是同一个办公室吗？人物关系是什么？为什么吵架？下一镜头应该发生什么？

如果这些东西没有提前定义，AI 每生成一次，其实都在重新“猜”。

所以我的第一步并不是生成视频，而是先把故事和角色确定下来。

《我和AI还有他》第一阶段有三个主要角色：

Winston、策策 Cece，以及可蓝 Kelan。

Winston 是故事的核心真人角色；策策是 AI 机器人搭档；可蓝则承担对 AI 持怀疑态度的角色。

当这三个人的关系确定以后，才开始真正进入视觉制作。

第二步：先做 Character Reference

如果视频里有固定人物，我现在会把 Character Reference 放在非常靠前的位置。

简单说，就是先给每一个主要角色建立一份相对稳定的视觉参考。

包括：

人物的脸、发型、身材比例、衣服、整体气质，以及一些非常重要的识别特征。

为什么？

因为 AI 视频最大的挑战之一，就是：

同一个人，生成着生成着可能就不是同一个人了。

尤其是真人角色。

第一镜看起来很像，第二镜脸型稍微变一点，第三镜头发又变一点，到了第四镜，观众虽然说不上哪里不对，但已经会觉得“这个人怎么怪怪的”。

所以固定角色不能每次都只靠文字描述。

我的经验是：

文字告诉 AI“他是谁”，Reference 才真正告诉 AI“他长什么样”。

这也是我们后来整个 AI 短剧生产流程里非常重要的一层。

第三步：不要让 AI 一次生成整部视频，要拆 Shot

接下来是我认为 AI 视频真正进入“制作”阶段的地方：

拆镜头。

我没有要求 AI 一口气生成完整的 40 秒短剧，而是把剧情拆成多个 Shot。

每一个 Shot 都有明确任务：

这一镜谁出现？

谁说话？

人物做什么动作？

情绪是什么？

镜头最后停在哪里？

下一镜准备怎么接？

这跟传统视频制作其实很像。

区别只是以前你需要演员、摄影机和现场，现在其中一部分执行工作交给了生成模型。

这时候我开始明显感觉到：

AI 并没有消灭影视制作的逻辑，它只是换掉了一部分生产工具。

故事还是要设计，人物还是要设计，镜头还是要设计。

第四步：连续镜头，Last Frame 很重要

做完第一个 Shot 后，马上就遇到了另一个问题：

第二个镜头怎么接？

如果第二个 Shot 又重新从 Character Reference 开始生成，人物可能是对的，但上一镜头的环境、姿势、构图很容易断掉。

后来我们采用了一个很实用的方法：

把上一段视频最后一帧提取出来，作为下一段的连续性参考。

也就是：

Last Frame → Next Shot

这样下一段视频就知道：

“我要从这个画面继续。”

场景连续性明显会好很多。

但这里我们又踩到了第二层坑。

如果连续几次只依赖 Last Frame，画面虽然越来越连续，人物却可能一点点发生漂移。

因为每一次生成产生的小误差，又成为下一次生成的参考。

误差会累积。

所以后来我们的规则变成：

Last Frame + Character Reference 同时使用。

Last Frame 负责告诉 AI：

上一个镜头停在哪里。

Character Reference 负责不断提醒 AI：

但是这个人始终应该长这样。

这是我这次制作里非常重要的一条经验。

第五步：Reference 一定要“干净”

这个坑非常有意思，而且我第一次做之前没有特别重视。

AI 很听 Reference 的话。

听话到什么程度？

Reference 里面一些你根本不想让它继承的东西，它也可能一起继承。

比如某些文字、Logo、小装饰，甚至一些只是参考图里偶然存在的视觉元素。

我们第一集制作过程中，就遇到过类似情况：角色参考中的一个视觉标识被后续视频持续继承，最后不得不在后期重新处理。

所以从第二集开始，我会把这一项放到正式 Preflight：

进入视频生成之前，先清洁 Reference。

检查：

有没有不需要的 Logo？

有没有可读文字？

有没有临时标记？

有没有这一集根本不应该出现的配件？

因为一旦这些东西进入连续生成链路，后面再清理，成本会比一开始处理高很多。

第六步：AI 视频里的文字，能后期做就后期做

这也顺带带出了另一条经验：

不要过度依赖视频生成模型制作稳定文字。

字幕、片名、水印、说明文字，这些东西我现在更倾向于全部留到后期。

原因很简单。

文字需要的是：

准确、稳定、位置统一、字体统一。

而视频生成模型擅长的是视觉和运动。

没有必要让一个擅长“生成世界”的模型，去承担一个后期软件几乎可以百分之百准确完成的工作。

《我和AI还有他》EP01 最终就采用了后期双语字幕：

繁体中文在上，English 在下。

整集共有 14 段对白字幕，最后再统一检查时间轴、安全区域和画面遮挡。

这比让每一个 AI Shot 自己生成字幕可靠得多。

第七步：声音最好也分层处理

声音是我第一次完整跑流程以后，觉得特别值得重新设计的一部分。

AI 生成镜头的时候，我认为可以保留这个镜头世界里本来就应该存在的声音：

Dialogue、SFX、Ambience。

比如人物对白、东西掉在地上的声音、开门关门、办公室环境声。

因为这些声音和镜头动作关系很紧。

但 BGM 不一样。

如果四个 Shot 分别让 AI 自己生成音乐，很容易出现：

第一段一种音乐，第二段突然换一种，第三段情绪又重新开始。

整部片子的声音就会碎掉。

所以我的经验是：

镜头生成负责“世界里的声音”，统一 BGM 留给后期。

我们第一集甚至真的在 Final Cut 第一轮漏掉了 BGM。

但也正因为这个失误，后来我们把它正式加入 Final QC。

最终版的音乐不再只是简单铺一条背景音乐，而是跟剧情走：

开始比较轻松；

冲突出现以后逐渐收紧；

人物摔东西、离开的时候，音乐主动退下去，让动作声音成为中心；

最后再留下一个没有完全解决的尾音。

做到这里的时候，我才真正感觉：

AI 视频开始从“几个生成片段”，变成了一部有节奏的短剧。

第八步：最后还是要剪辑，而且不能只“拼接”

这是这次让我印象非常深的一件事。

最开始我们给后期的要求比较技术化：

把几个 Shot 拼起来。

加字幕。

加水印。

检查编码。

输出 Final Cut。

这些工作全部可以做得非常正确。

但是看完以后，我发现一个问题：

技术上什么都没错，但它还是不够像“剧”。

后来我才意识到：

剪辑不是拼接。

人物说完一句话以后，到底停 0.3 秒还是 0.8 秒？

一个表情应该多留多久？

什么时候切到下一个镜头？

冲突从什么时候开始加速？

音乐什么时候进？

什么时候突然退掉？

这些东西才是 Creative Edit。

所以我现在会把一句话直接写进后续 AI 视频生产要求里：

技术正确，不等于剪辑完成。

AI 可以执行剪辑，但你必须告诉它：

你要的不只是一个技术正确的视频文件，而是一段有情绪、有节奏、有观看体验的内容。

第九步：最后一定要有 Final QC

以前自己剪一个普通短视频，我可能看两遍觉得没问题就发了。

但是 AI 视频我现在会多一道 QC。

至少检查：

角色有没有突然变形；

有没有多出来的文字或者 Logo；

字幕有没有错；

声音有没有爆音；

BGM 有没有压住对白；

镜头连接有没有黑帧；

水印有没有挡内容；

画面比例、分辨率、帧率有没有被后期意外改变。

因为 AI 视频很容易出现一种情况：

99% 都很好，但某一秒突然冒出一个奇怪的东西。

最终成片是否专业，往往就取决于有没有把那 1% 找出来。

所以，如何用 AI 做一个完整视频？

如果让我现在重新把整个流程压缩成一条生产线，大概就是：

想法与剧情
→ Character Reference
→ Shot Design
→ AI Video Generation
→ Last Frame + Character Reference 连续生成
→ Dialogue / SFX / Ambience
→ Creative Edit
→ BGM
→ 字幕 / 水印 / 稳定文字
→ Final QC
→ 成片

真正跑完一次以后，我反而没有觉得“以后做视频不需要人了”。

我的感受恰恰相反：

人的工作从“亲手完成所有制作”，变成了“决定什么才是对的”。

AI 可以帮我画角色，可以生成镜头，可以做声音，可以拼接，可以加字幕，甚至可以帮我检查技术参数。

但故事讲什么、人物应该是谁、哪个镜头应该留下、哪里不好看、哪里没有戏、什么才算最终成片——这些判断依然需要人。

第一集只有 40 秒，但它真正留下的是一套方法

《我和AI还有他》第一集只有大约 40 秒。

它当然不是一部完美的作品。

这是我们的 Pilot，也是第一次真正把整条 AI 短剧生产线从头跑到尾。

但做完以后，我觉得最有价值的东西已经不是这 40 秒本身。

而是我们终于知道：

哪里会翻车，为什么会翻车，以及下一次应该怎样避免再翻一次。

第一集，我们做出了一条视频。

第二集开始，我们要做的，就是把这些经验变成标准。

这可能也是我现在使用 AI 最大的一个变化：

我越来越少问“AI 能不能帮我做这件事”，而越来越多地在想——怎么建立一套标准，让 AI 下一次自己把这件事做好。

—— Winston Look