全网独一份:最深度 AI 剪辑全流程教程
上期 30 万人看过,并且在评论区催爆的 AI 剪辑教程,它来了。
上期视频我们用同一个脚本,1 个人工剪辑、1 个 AI 剪辑,完整制作只用了 3 天。
换以前,单条视频人工剪辑至少也需要 1 周的时间。
今天这期,我将毫无保留,把我们内部完整的 AI 剪辑工作流公开给大家。
跟前两期一样,这条视频也只有口播是我自己人工录制的,其他全部工作,都由 AI 完成。
视频版在这里,下面是按视频口播整理的文字版,文中的提示词都可以直接复制。
[!quote] 11 月 17 日
毫不夸张地说,这是全网最深度且独一份的 AI 剪辑教程。距离上次分享 AI 做剪辑的经验不到一个月,我们团队剪了快十条视频了,都拿到了很好的数据。
这条视频集合了我们团队内容、技术、剪辑所有经验,毫无保留,全部分享出来。
[!abstract] 一句话概括
把剪辑拆成「准备 → 画面 → 配音配乐 → 反馈收尾」四段,每一段都交给 Claude 执行、由人只做两个判断:参考长什么样(给一张调好色的图、给一首 BGM)和哪里不对(飞书表格里按时间码列问题)。真正省下来的不是某一步的手速,而是把返修从「等 AI 改完」变成「和 AI 并行」。
[!info] 阅读导览
一、准备工作 脚本文档 + 口播视频,两份内容怎么备;
二、视频制作 调色、分镜、配乐、音效四件事,收敛成一段提示词;
三、反馈与收尾 用飞书表格提意见,让 AI 每 10 分钟自查一次;
四、One more thing 没有拍摄条件时的数字人方案,以及「气口」提示词全文。
| 环节 | 谁来做 | 关键动作 |
|---|---|---|
| 1 准备 | 人 + Claude | 脚本文档(口播词 / 画面 / 参考资料)+ 一条口播视频 |
| 2 调色 | Claude | 给一张调好色的参考图,让它把全片复刻成同一影调 |
| 3 分镜 | dashi-animationstyle skill | 8 种精选分镜风格,一次出足够精致的画面 |
| 4 配乐 / 音效 | Claude + 曲多多 / Openverse | 自动找 BGM 并按片长二次处理;音效走 Openverse |
| 5 反馈收尾 | Claude + 飞书文档 | 按「时间、问题、截图」列表返修,两到三轮收敛 |
一、准备工作
一条视频开始制作前,我们至少要准备 2 份内容:一份是脚本的文档,一份是口播视频。
拿我们这期视频举例,下面就是这期视频我们内部的脚本文档。
最左侧是本期视频的口播词,中间一列与右侧可以按需要补充相关资料或参考。
如果你不写,后续剪辑的时候,Claude 就会按照自己的理解来设计分镜。
有了文档,还需要有一个对应的口播录制视频。
虽然现在数字人很方便,但我建议你从观众喜好和平台算法的角度考虑,还是自己录制的效果更加自然。
如果你社恐或者镜头表现不佳,那么你可以试试用 Seedance 来生成,或者用可灵的数字人来替代出镜。
如果你完全不想露脸,那你可以选择 Gemini 3.8 Flash 或者阿里的 CosyVoice3 这种声音生成模型来制作旁白配音,这也是最近 AI 科普视频最常用的形式。
我最近也在尝试用 Opus 5.5 来制作 AI 科普视频,怎么说呢?取得了还不错的成绩。如果你对这方面更感兴趣,我也可以单开一期来聊聊。
数字人和数字配音的使用方法、操作步骤,我都整理到了视频配套的文档当中:【AI 剪辑】Opus 5.5 全自动剪辑工作流
另外,如果你想快速上手,试试用 AI 剪辑一条视频究竟是什么感觉,这个脚本文档和口播视频全片,我也放进了文档中:练习资料:分镜设计(口播全片在第 11 行)
你可以直接拿着这两份文档,照着下面的教程一起操作,2 个小时内,就能剪辑出一版可以看的片子。
二、视频制作
准备工作完成后,我们接下来进入到正式的画面和配音制作。画面包含口播调色和分镜设计。
调色
Opus 5.5 对于中国人的调色方法学习得不够好,所以如果你把原片交给 Claude 来处理美颜、调色,效果往往会比较差。
我们多轮尝试下来,发现最简单的方式,是给到它一张调好色的图片,让它按照这个图片效果,来将全片复刻成相同的效果。
那么你就能一步到位地得到一个调好颜色的全片。
分镜
至于怎么做出一个比较符合当前主题,且画面足够好看的分镜——
你可以直接使用我们团队剪辑大神制作的 dashi-animationstyle 这个 skill。它里面浓缩了我们探索的 8 种精选的分镜风格,你只需要调用它,就可以一次性制作出足够精致的视频效果。
![]()
GitHub 地址:github.com/chuspeeism/dashi-animationstyle
嗯?怎么视频还没发就已经 100 多个 Stars 了?
配乐
那么调色和分镜都处理好了,接下来要考虑的就是配乐的部分。
我们实测下来,Claude 自身的配乐能力还比较基础和局限,目前只能生成类似这种「电子音效 BGM」,AI 味非常重。
![]()
所以我的建议是直接提供一个配乐给它。
如果你的 BGM 和影片实际的长度不一致,也没关系。Claude 可以自主地对 BGM 做二次的处理,将 BGM 处理成一个和影片一样长度的音频,并且完全没有拼接感。
当然,如果你自己手动找 BGM 给到它,也不算是让 AI 自动化剪辑对吧?
那么我现在的做法是,在浏览器里登录好音乐网站的会员,然后让 Claude 通过浏览器控制,自己去下载和当前主题相关的 BGM。
实测下来,效果还不错,比如这条视频的 BGM 就是 Claude 自己配的。
音效
视频制作中的配乐除了背景音乐,还有一部分音效。
还是同样的问题,Claude 的配乐能力非常基础。这部分直接告诉 Claude 通过 Openverse 这个项目来优化就可以,能非常显著地提升视频中的音效效果。
一段提示词
整个第二部分的视频制作看起来复杂,但总结一下,其实靠一段提示词就能达到对应的效果:
帮我制作一个视频,脚本与相关资源通过飞书 CLI 来阅读该飞书文档链接。
画面上,根据文档中的内容,通过 dashi-animationstyle skill 帮我制作视频。
人物画面调色对照附件图片中的色调来调整。
配音上,BGM 使用附件中我给到你的音乐,音效通过 Openverse 项目来匹配合适的音效。
如果是通过网站配乐,可以换成:
通过浏览器控制,在我电脑浏览器上已经登录好的"曲多多"里去寻找合适的BGM。
模型选择 Opus 5.5 Medium 即可,再往上并不会有更好的效果提升。
小技巧:先只做开头 30 秒
那么,这里我会有个小 Tips。在刚刚的提示词的基础上,我会增加一段话:
先只帮我制作视频开头30s的部分。开头部分最关键的是视觉效果和叙事趣味性,
所以要尽量把每个视觉细节都打磨好,动画效果也一定要有吸引力,效果细腻。
我会优先让 Claude 制作开头的部分,等细节调整得差不多,再延展成完整的部分。
这样做的好处是,能够让 AI 在一次的任务上,把算力集中花在开头精华上。这样,模型的注意力更加集中,从而减少后期的质量返工。
对于平台算法来说,一个好的开头,也是视频数据最关键的指标。
我们通过一个小号来验证过这件事:一个制作精良的开头和普通开头,数据会有非常大的差距。
数据好的:开头 6 秒,1755 赞。
![]()
数据不好的:开头 6 秒,4 赞。
![]()
三、反馈与收尾
那么经历了上述的步骤,你应该已经获得了一版完整剪辑的初版视频,这时候还会有一些小细节层面的问题。
我会单独引入一个反馈优化的收尾环节。
具体来说,我会整理一个飞书文档,通过表格的方式,把所有问题通过「时间、问题、截图」的方式整理进去。
这样做可以让 AI 更准确地找到问题所在位置,也能帮你节省大量的 token。
如果问题有普遍性,可以打个全局问题的标签。
反馈内容可以是视频节奏、信息表达、气口、敏感信息打码等等,这些都是 AI 可以直接理解的内容。
但你也会发现一个新的问题。
我在提意见的时候,Claude 只能干等着,而 Claude 修改和渲染视频,动辄也要几个小时,这样来来回回几轮修改,几天时间就过去了。
那么这里有个小 Tips,你可以跟 Claude 说:
每10分钟Check一下飞书文档中修改意见的更新,如果有新的修改意见,就持续优化直到全部修改完成。
这样就可以达到你和 AI 并行完成任务的效果。
当然,这个飞书文档的链接也可以分享出去,让你的同事一起来提修改意见,而不需要每个人都装一个 Claude。
还有个方案是通过我制作的审片工作台来完成,能让你把这个流程压缩到更极致、更简单高效。如果大家感兴趣,我最近也会整理开放出来。
这个过程持续两到三轮,就能得到一个高度可用的版本了。
四、One more thing
当然,并不是所有朋友的视频制作流程都是一样的。
如果你不具备拍摄条件,或者干脆是想全自动地生产视频,那么现在的数字人确实可以替代一部分工作。
经过我们多轮测试,因为你的个人形象会被作为数字人视频生成的第一帧,所以需要避免使用摆拍感过重的图片,也要避免手出现在画面中,否则会有很长一段时间双手都会保持在画面内,非常尴尬。
![]()
以及,图片中最好露出牙齿,否则数字人模型自动生成的牙齿,观感非常差。
![]()
没有露出牙齿:可以关注 00:03 附近的牙齿。
![]()
露出牙齿:00:07 附近牙齿完整。
又或者你完全不想有个人形象的露出,那你可以完全使用 dashi-animationstyle skill 来生成画面,再加上拥有你自己声音的 AI 配音,就可以制作一条视频。
![]()
我们目前通过这种方法,全自动地生产视频,脚本、配音、分镜、剪辑、甚至发布,全自动地让 Claude 去执行,最高获得了 1600 赞的好成绩(现在已经 1755 了)。
虽然不高,但你要知道这全都是在一个 Claude 对话里完成的。
如果你感兴趣,我们后续将会分享更多类似的经验。
另外,要分享的是,如果你用了自己的声纹来生成 AI 配音,那么就尽量避免加太多额外的语气提示词,否则就会生成像这样奇怪的配音效果:
![]()
前 4 秒只传文本;后面加了语气提示词,就成了这样。
最后,很多重复的工作尝试直接交给 AI 做能提效,但是它的理解往往不到位。
例如「气口」就是个比较关键的点,我们在上一条 AI 全自动剪辑的视频中,也出现了类似的问题,当时还没有办法解决这件事。
在经过 1 个多月的探索,现在你可以把这段我们优化过的提示词发给它,AI 就能在剪气口方面获得非常好的效果:
【流程】先出只有人物口播的粗剪视频(60 帧),确认后再导剪映工程。工程使用整条素材加入出点引用,片段可拖回;调色与粗剪共用同一张参数表。
【依据】以脚本为准判断漏说、多说和重复;脚本里本来就重复的内容不算重复。脚本有但没录的句子列入交付说明。
【留白与停顿】开口和说完按实测的有声起音、收音计算,不按转写时间。
- 开口前留 0.15 秒,说完后留 0.2 秒。
- 0.35 秒以内的自然停顿保留。
- 超过 0.35 秒的停顿:句内犹豫缩到约 0.4 秒;逗号 0.35~0.45 秒;句号 0.55 秒;换段 0.7 秒。
- 剪掉口癖后的句内拼接处只留 0.04 秒。
- 切点保留尾音余韵,但吸气、咳嗽等杂音不因此保留;句间呼吸静音在整片环节处理,不改变节奏。
【重复与重说】同一段内容录了两遍及以上时只留一遍,其余从时间线剔除。说一半重来的半截也要剔除,只留说完整的那次。句内超过 0.35 秒的停顿前后要单独转写,且不带提示词,防止重说被转写吞掉。
【挑 Take】按整句块比较,不按短停顿切开比较。
1. 准确且画面可用:无口误、卡壳、吞音、颠倒词序;人物景别和位置一致;开口时已坐稳,说完前没有起身。
2. 语调饱满、重音准确、情绪有感染力。差距不明显时列出候选,由人工选择。
3. 前后气口连贯。
4. 条件相同时,优先选能整段使用的一遍;仍分不出时用后录的一遍。
【跨 Take 拼接】整段能用同一遍就不拼。确实需要拼接时:
- 只在实测有静音的逗号、句号处拼接,不在词中间或气流未断处切。
- 切点留白按【留白与停顿】执行。
- 人物姿势或位置差异明显时不拼。
- 每处拼接都列入交付说明。
【衔接】口播片段之间一律硬切。
【声音】音频只做剪辑必需的操作,不额外加压缩、EQ、降噪或去混响。
【无法解决的瑕疵】所有版本都有瑕疵且拼接无法解决,或只录了一遍且有瑕疵时,时间线放瑕疵最轻的一遍。脚本有但没录的句子,在对应位置标明。粗剪交付说明列出时间码和问题。
【交付】附上每段使用的 Take 及原因、拼接位置、语速和需复查清单。
再举一个例子:AI 对于玩梗、表情包、幽默感的理解也非常差,即使反复提意见,它目前也难以理解这种纯跟「人性」挂钩的东西。
这个时候你就可以要求它导出剪映的工程文件,它会把分段的视频、字幕、配音都单独做好整理和处理,修改起来也会非常方便。
最后
以上,就是我们完整的 AI 剪辑视频工作流。
AI 目前能做到非常好的视频制作与剪辑能力,但中间还是需要比较多人力的投入。
作为创作者,我认为最关键的还是要区分哪些是可以放心交给 AI 来做,而哪些需要自己独立完成。这才是提效的本质。
我是大师,我们下期再见。
相关资料
- 视频版:x.com/dashiAIxz/status/2122492466490433678
- 脚本文档和口播全片:练习资料:分镜设计
- 配套文档(数字人和数字配音的操作步骤):【AI 剪辑】Opus 5.5 全自动剪辑工作流
- dashi-animationstyle skill:github.com/chuspeeism/dashi-animationstyle
- 更多往期教程(电脑打开):dsxzai.com