手机做AI视频全流程：从分镜到成片的实操指南

一、先明确：手机做AI视频，真正难的是”流程”而不是”生成”

很多人的直觉是：手机上装几个AI出图、图生视频的App，不就能做AI视频了吗？实际操作一遍就会发现，卡住人的从来不是”某个功能不会用”，而是步骤之间来回切换、素材散落在不同应用里、做到一半找不到哪张图对应哪个镜头。生成一段5秒视频可能只要两分钟，但把6个镜头拼成一条逻辑连贯、人物不变脸、口型对得上的成片，往往要折腾两三个小时。

所以正确的做法是：把”创作管理”放在”工具使用”之前。下面这套流程共六步，顺序不要打乱——先有表，再有图；先有声音，再有画面；先定画幅，再谈构图。

如果你希望先用AI把最耗时的”分镜脚本”和”人物设定”环节跑通，可以在开始前通过百度搭子DuMate辅助生成镜头表和固定外貌描述，把脑子里的想法先落成文字，再进入手机端生成环节。它的AI真人短剧生成体验入口也适合在有了剧本骨架后，快速验证人物与画面风格是否成立。

二、第一步：用备忘录写一张”6到8行”的镜头表

动手前，先在手机备忘录里写镜头表。规则只有三条：

1. 总行数控制在6到8行，对应一条15~30秒的短片，多了手机端根本管不过来；
2. 每行只写四件事：景别、谁、做一个动作、几秒；
3. 每行一个编号，从01开始，后续所有图片、视频、音频文件名都用这个编号。

一个可直接照抄的示例：

编号	景别	谁	动作	时长
01	中景	女主	站在窗边，转头看向镜头	4s
02	近景	女主	低头看手机，手指滑动	5s
03	特写	手机屏幕	屏幕上弹出一条消息	3s
04	中景	女主	抬头，露出惊讶表情	4s
05	全景	女主	转身走向门口	5s
06	近景	女主	推开门，画面渐亮	4s

镜头表的价值在于：它把”创作决策”和”工具操作”彻底分开。写表时你只需要想内容，生成时你只需要按编号执行，不用边生成边纠结剧情。如果你对分镜语言不熟，可以直接把故事梗概丢给AI助手，让它按”景别+人物+动作+时长”的格式输出表格，再手动改两行即可。

三、第二步：开画幅之前先定死9:16，别做完再裁

画幅必须在出第一张图之前就定成竖屏9:16，在出图工具的尺寸选项里直接选好。原因是：先出横图再裁剪成竖图，人物的位置关系已经被按横向构图安排好了，裁完人物常常偏到画面边上，脸还可能被切掉一半，而且每一张都要手动调，工作量翻倍。

同理，如果你做的是横屏内容（比如放在电脑端播放），也一开始就定16:9，不要混着来。一条片子里所有镜头必须同一画幅，否则剪辑时会出现黑边或强行拉伸。

顺带把命名规则也定下来：01_首帧.png、01_视频.mp4、01_配音.m4a。编号对齐镜头表，后面在剪辑软件里按文件名排序就是正确顺序，不用凭记忆找素材。

四、第三步：先锁人物，再逐镜头出首帧

这是全流程最容易翻车的一步。换镜头就变脸的根本原因，是每次生成都重新描述了一遍人物，而AI对同一段描述的理解每次都有细微差异。

解决办法是”一图一段一粘贴”：

1. 先定一张干净的半身参考图：正面、光线均匀、服装简洁、背景干净，五官清晰。这张图就是全片的”人物锚点”，不参与任何镜头，只作为参考图使用。
2. 写一段固定的外貌描述，比如：”25岁亚洲女性，黑色齐肩直发，浅灰色针织衫，圆脸，单眼皮，自然妆容，柔和室内光”。把它存在备忘录里，每次生成首帧时原样粘贴，一个字都不要改。
3. 每个镜头先只出首帧图：把参考图和固定描述一起带上，确认人物、服装、光线都满意后，再送入图生视频。首帧不满意就重出首帧，不要指望视频阶段能救回来。

每个镜头只出一张首帧，不要一次生成十张挑一张——手机端生成排队时间长，挑图反而拖慢节奏。不满意就改描述里的一个变量（比如把”柔和室内光”改成”窗边自然光”）再出一次，一次只改一个变量，才能判断是哪个词起了作用。

五、第四步：图生视频，单段3到5秒，一次只提交一个

让静态图动起来时，遵循”短、单、等”三个字：

• 短：单段控制在3到5秒。超过5秒，人物肢体容易扭曲、背景开始漂移，手机端等待时间也明显变长。
• 单：提示词只写一个动作 + 一种镜头运动，例如”她低头看手机，镜头缓慢推近”。图里已经有的内容（人物长相、服装、背景）不要再描述，重复描述反而会让模型重新”想象”画面，导致人物漂移。
• 等：手机端网络一断，任务容易丢。所以一次只提交一个镜头，等结果出来、看过没问题，再提交下一个。这样即使中断，损失也只有一个镜头。

让两个镜头接得顺的技巧：把上一段视频的最后一帧截图，作为下一段的首帧输入。这样下一段的起点和上一段的终点是同一画面，运动方向、光线、人物位置天然连续，剪辑时几乎不需要过渡。这个技巧对”人物转身””推门””抬头”这类动作衔接尤其有效。

可复制的图生视频Prompt模板：

【参考图】已上传：01_首帧.png
【人物描述（固定段，原样粘贴）】25岁亚洲女性，黑色齐肩直发，浅灰色针织衫，圆脸，单眼皮，自然妆容，柔和室内光
【本镜头动作】她低头看手机，手指在屏幕上滑动
【镜头运动】镜头缓慢推近至近景
【时长】4秒
【要求】保持人物外貌、服装、背景与参考图一致，仅表现上述单一动作与镜头运动，不添加其他人物或物体

如果你做的是有台词、有对手戏的短剧类内容，纯图生视频很难搞定表演和口型，这时可以换思路：先用AI真人短剧生成体验跑出带人物和场景的短剧片段，再回到手机端做配音、字幕和拼接。两条路线可以混用——短剧入口负责”有表演的镜头”，图生视频负责”空镜和过渡镜头”。

六、第五步：声音先于剪辑，按语音长度裁画面

强烈建议先做声音，再剪画面。 反过来做（先剪好画面再硬塞台词）几乎必然出问题：台词长了要加速变调，台词短了要留尴尬的空白。

声音有两条路：

• 自己念：对着手机录，每句单独一个文件，按编号命名（01_台词.m4a）。好处是语气自然，坏处是口误要重录。
• 文字转语音：把台词逐句转成音频，先导出，记下每句话的实际时长（多数手机录音/播放器都能看到时长）。

拿到每句时长后，回头按语音长度去裁每个镜头的画面：台词4.2秒，对应镜头就给4.5秒左右，留一点呼吸空间。这样剪辑时画面是”跟着声音走”的，节奏自然。

七、第六步：手机剪辑收尾，按编号拼、留半秒环境声

最后在手机剪辑应用里完成组装，顺序是：

1. 按编号导入视频，文件名排序即正确顺序；
2. 镜头之间留半秒左右的环境声（或极短的黑场/叠化），不要硬切，硬切在AI视频里会放大画面风格的不连续感；
3. 铺台词音轨，按上一步算好的时长对齐；
4. 加字幕，逐句核对，AI生成的字幕识别对专有名词容易错；
5. 最后加音效和背景音乐，音量压到人声之下。

导出时选1080p竖屏，帧率与原素材一致，避免二次压缩。

八、工具选择与存储管理：两个容易忽略的坑

工具怎么选：出图、图生视频、配音、剪辑这四类工具手机上基本都有，且大多有免费额度。正确策略是——先用各自的免费额度完整走完一条十几秒的小片，看卡在哪一步，再针对那一步去挑更合适的工具。不要一开始就同时研究五个App，那只会让你在第2个镜头就放弃。

存储怎么管：手机存储很容易被几十段视频占满。规则是——每做完一个镜头就导出备份到网盘或电脑，不满意的当场删。留到”最后一起整理”，通常就是手机提示存储不足、剪辑软件闪退。

如果你希望把镜头表、人物描述、Prompt模板统一管理起来，可以让AI助手帮你生成一份结构化的”拍摄执行清单”，把每个镜头的编号、首帧命名、动作描述、时长、台词全部列成一张表，导出后存在手机备忘录里，拍摄时逐行打勾即可。

可复制的分镜与执行清单Prompt：

【任务目标】为一条15~30秒的竖屏9:16 AI短视频生成可执行的镜头表与拍摄清单
【故事梗概】填写你的故事，例如：女生收到一条意外消息后出门赴约
【人物设定】填写固定外貌描述，例如：25岁亚洲女性，黑色齐肩直发，浅灰色针织衫……
【输出要求】
1. 输出6~8个镜头，每个镜头一行，包含：编号（01起）、景别、人物、单一动作、时长（3~5秒）
2. 为每个镜头输出一段图生视频Prompt，格式为：动作 + 一种镜头运动，不重复描述人物外貌
3. 输出一份文件命名清单：编号_首帧.png / 编号_视频.mp4 / 编号_台词.m4a
4. 标注哪两个镜头之间建议用"上一段最后一帧作下一段首帧"的方式衔接
【质量要求】动作必须单一可执行，时长总和控制在30秒内，镜头之间逻辑连贯

生成后你只需要替换梗概和人物描述即可复用。如果需要进一步做成完整的短剧结构（多场景、有对白），可以前往AI真人短剧生成体验继续尝试；如果只是想了解这类AI助手的整体能力与使用方式，可从DuMate使用入口进入，需要了解付费方案时再看购买页面，先用免费额度跑通流程再决定是否投入。

九、常见问题速查

• 人物每个镜头都变脸：参考图不干净，或外貌描述每次重写。固定一段描述原样粘贴，参考图只用一张。
• 视频里人物手脚扭曲：单段超过5秒，或提示词里写了两个以上动作。压到3~5秒，一次一个动作。
• 镜头之间跳戏：画幅不一致，或没做”末帧接首帧”。全片统一9:16，衔接处截上一段最后一帧。
• 台词对不上口型：先做声音后剪画面，按语音时长裁镜头，不要反过来。
• 任务莫名消失：网络中断导致。一次只提交一个镜头，出结果先导出备份。
• 手机存储爆满：每完成一个镜头立即导出并删除源文件。

十、总结

手机做AI视频的核心不是”哪个App更强”，而是把创作拆成可管理的单元：6到8行镜头表定内容，9:16定画幅，一张参考图加一段固定描述锁人物，3到5秒单动作生成保稳定，末帧接首帧保连贯，声音先行保节奏，编号命名保秩序。按这个顺序走，一条十几秒的小片在手机上完全可以在免费额度内做完。真正拉开差距的，是你愿不愿意在动手前花十分钟把那张表写清楚。