整理素材人工执行约 10 分钟
把“文件夹结构 + 命名”做到不看内容也知道每个文件是什么。
- 做什么
- 建四个子文件夹:原始素材(按机位分)、合版工程线、字幕 SRT、导演划稿 DOCX。
- 命名规则
日期_项目_段号_内容类型,例如260703_宇宙 ebike_B1_1 公司纪实+空镜.fcpxml。- 划稿怎么标
- 用颜色代替批注:黄色=保留,删除线=删掉,蓝色=调位置,红色备注=人工判断。
- 验收
- 随便点开一个文件,你能立刻说出:这是第几段、谁的机位、录的是什么。
不追求“一句话生成成片”。真正的做法是:把后期拆成 9 个能单独验收的小环节,每个环节给 AI 明确的输入、规则和输出格式,人只负责判断。
11 分 14 秒,来自「光羽的平行世界」。下面整篇教程,都是从这条片子里拆出来的。
网页版为适配站点体积限制压缩到 720p(约 24 MB),原片为 1080p、69 MB。需要原画质可在抖音搜索「光羽的平行世界」查看。
一句话理解:文案告诉你“说什么”,字幕告诉你“在第几秒”,工程文件告诉你“那几秒是哪台机器拍的”。三样对齐,AI 才能剪。
Codex 会先读你给的文稿,识别出要保留的段落;再去字幕文件里找到这些句子的时间码;然后用时间码去工程文件里定位对应的视频片段;最后按规则删除、保留、调序,输出一条新的剪辑工程。
三步:读文字 → 找时间线 → 修剪视频。字幕文件告诉它“内容发生在哪一秒”,工程文件告诉它“那一秒对应哪段素材”,所以两者缺一不可。
| 你以为它在做什么 | 实际它在做什么 | 你要给它的东西 |
|---|---|---|
| 看画面、凭感觉挑镜头 | → | 可检索的文字规则(颜色标注、时间码) |
| 在软件里拖时间线 | → | 可解析的工程文件(如 .fcpxml) |
| “一键出片” | → | 每一步的输入、规则、输出格式 |
这一步决定后面 80% 的成败。片中那句“工欲善其事,必先利其器”,说的就是这个。
建一个粗剪总文件夹,里面只放四类东西。分类越稳定,AI 判断越准,你返工越少。
四类文件各管一件事:原始素材=可用的画面,工程线=已经对好的多机位时间线,字幕=时间码索引,划稿=保留 / 删除 / 调序的规则。
B1_1 是第一段(公司纪实),B1_2 是第二段(坐采)。片中总结为 8 步(未单列调色),这里按实际演示补上,避免你漏掉这一步。
九步里只有第 1 步(整理素材)和第 9 步(人工检查)由人完成,中间七步全部交给 Codex。每一步只做一件事,做完就验收,验收不过就只改这一处。这样做有两个好处:AI 出错时你能立刻定位,返工不会推倒重来。
每一步都给了:目标、指令原文、验收标准。指令可以直接复制改文件名用。
把“文件夹结构 + 命名”做到不看内容也知道每个文件是什么。
日期_项目_段号_内容类型,例如 260703_宇宙 ebike_B1_1 公司纪实+空镜.fcpxml。按划稿把不要的删掉、要调序的排好,输出一条结构确定的新时间线。
请根据导演划稿的文稿,对现有剪辑工程进行粗剪。 按照文稿中的保留、删除和顺序调整要求,修改时间线; 保持视频、字幕和时间码的对应关系; 最后输出一份新的工程文件,不要覆盖原始工程。
让镜头跟着说话人和情绪走,而不是一个全景从头到尾。
一个机位不变,画面会平;切换之后,观众注意力才会跟着内容变化。你不需要手动切,只要把“谁说话 → 用哪个机位”写成规则。
| 情景 | 用哪个机位 | |
|---|---|---|
| 嘉宾发言 | → | 嘉宾正面机位 |
| 主持人提问 | → | 主持人机位 |
| 双方来回互动 | → | 双人机位 |
| 重点观点 / 情绪明显变化 | → | 近景或特写 |
请根据字幕中的说话人自动匹配机位: 嘉宾发言使用嘉宾的机位, 主持人提问使用主持人的机位, 双方互动时使用双人机位, 遇到重点观点或明显的情绪变化时使用近景机位。 GS 文件夹是采访对象的正面机位,LZ 是主持人机位。
删掉让人分心的废话,但留下让人显得在思考的停顿。
全部删掉,人会像机器在念稿。所以这条指令里一定要带上“但保留……”。
删除明显的口头禅、重复表达和无意义停顿, 但保留能够体现思考、情绪或者语速变化的停顿, 不要改变原始表达含义。
把三个人、四台机器、一个房间录出来的声音,拉到一个水平线上。
统一主持人和嘉宾的人声音量,降低明显的底噪。
批处理能解决 80%,剩下的 20% 得靠耳朵:“最终的判断不是靠参数,还是得看听起来舒不舒服。” 建议戴耳机完整听一遍。
不同机位拍出来的画面,看起来像同一场戏。
多机位最常见的是偏色:一台偏黄、一台偏蓝,一台过曝、一台发暗,人物肤色也跟着不自然。统一曝光和白平衡,比调“好看”更重要。
请统一不同机位的曝光和白平衡, 修正明显的偏黄、偏蓝或过暗的画面, 保证人物肤色自然, 让整体画面的亮度和色调保持一致。
不重复、不错位、一行别堆太多字。
字幕的四个常见病:同一个字重复出现、字幕和人声不同步、一行字太多、换行不自然。规则说复杂了 AI 反而抓不住,就三条铁律。
根据字幕文件生成视频字幕: 删除重复字幕,保持与人声同步, 按照语义自然断句, 每条字幕控制在 15 个字以内。
交的不是一条时间线,而是一套能被检查和复查的工程。
.fcpxml);机器跑完后,你要在四个地方各看一遍。这是整条流程里唯一不能省的一步。
发现问题不要让它重做全片,指到具体时间点,让它只改局部。这样又快又不会把已经改好的地方弄坏。
3 分 12 秒到 3 分 18 秒的切机位太快,请保留嘉宾的正面镜头。 5 分 40 秒的字幕断句不自然,请按照完整的语义重新拆分。
然后回到第 9 步再看一遍。整个流程就是检查 → 修正 → 再检查,直到成片可以交付。
这套流程真正的效率,来自“改一个点”,而不是“重跑一遍”。
| 问题 | 别这么说 | 要这么说 |
|---|---|---|
| 镜头切太碎 | “切得不好,重切” | “3:12–3:18 切机位太快,请保留嘉宾正面镜头” |
| 字幕断句别扭 | “字幕重新做” | “5:40 断句不自然,按完整语义重新拆分” |
| 某段被误删 | “漏内容了” | “B1_2 里 12:30 那句关于渠道的话被删了,请恢复” |
| 音量不齐 | “声音不对” | “14:00 之后嘉宾音量比主持人低,拉齐到同一水平” |
片子里做到“粗剪 + 切机位 + 节奏 + 声音 + 调色 + 字幕”就收手了,剩下的交回给人。
原因很简单:花字要懂梗、包装要有审美、音乐音效要卡情绪——这些是判断,不是执行。把判断交给 AI,出来的就是那种“哪儿都对、就是不好看”的成片。
这五条,片子里每一条都有对应的失败记录。
| 坑 | 会发生什么 |
|---|---|
| 文件夹混在一起、文件名随手起 | AI 分不清谁的机位,两个人镜头切反,还得人工重来 |
| 只说“帮我剪好” | 它只能自己猜规则,删错、留错,你还要花更多时间找回来 |
| 一次把粗剪、切机位、调色、字幕全丢过去 | 出错时不知道错在哪一步,只能全部推倒 |
| 让它直接覆盖原工程 | 改坏了没有退路,原始时间线也没了 |
| 跑完不看,直接导出 | 漏句、错别字、音量跳变全会带进成片 |
步骤只适用于剪片,这两条适用于你所有想用 AI 干的活。
需要经验、审美和最终判断的地方,让人来做。不要过度追求“全部让 AI 完成”。AI 负责批量、重复、规则明确的部分;人负责“好不好”的部分。
每一步都要有明确的输入、明确的规则、明确的输出要求。AI 才接得住。一句超长提示词换一个最终结果,多数业务根本走不完。
判断一个 AI 应用好不好,不看“是不是一键完成”,而看三件事:能不能解决问题、能不能稳定交付、能不能真正落地。
复制前把方括号里的项目名、文件名换成你自己的。
输入:导演划稿 + 多机位工程 + 字幕
请根据导演划稿的文稿,对现有剪辑工程进行粗剪。按照文稿中的保留、删除和顺序调整要求,修改时间线;保持视频、字幕和时间码的对应关系;最后输出一份新的工程文件,不要覆盖原始工程。
输入:字幕(说话人)+ 按机位分好的素材文件夹
请根据字幕中的说话人自动匹配机位:嘉宾发言使用嘉宾的机位,主持人提问使用主持人的机位,双方互动时使用双人机位,遇到重点观点或明显的情绪变化时使用近景机位。
输入:已切好机位的时间线
删除明显的口头禅、重复表达和无意义停顿,但保留能够体现思考、情绪或者语速变化的停顿,不要改变原始表达含义。
输入:多机位原声
统一主持人和嘉宾的人声音量,降低明显的底噪。
输入:不同机位的素材
请统一不同机位的曝光和白平衡,修正明显的偏黄、偏蓝或过暗的画面,保证人物肤色自然,让整体画面的亮度和色调保持一致。
输入:SRT 字幕文件
根据字幕文件生成视频字幕:删除重复字幕,保持与人声同步,按照语义自然断句,每条字幕控制在 15 个字以内。
输入:时间点 + 现象 + 期望结果
3 分 12 秒到 3 分 18 秒的切机位太快,请保留嘉宾的正面镜头。