如何用 AI 生成视频：完整指南

AI 视频模型能把一段描述变成一段短小的动态片段。你无需拍摄、布光或制作动画：模型会根据它对场景外观和运动方式的理解，绘制出每一帧。驱动它主要有两种方式。

voclalabs.com/ai-video

键盘：空格键播放或暂停，M 键开关声音，F 键全屏，左右方向键快退或快进 5 秒。

由 Vocla Video 制作 · 现代标准语配音点按开启声音

0:00 / 0:16

• 提示词片段

  文本生成视频

  你写一段提示词（主体、发生了什么、在哪里、镜头如何运动），模型就会从零生成片段。非常适合手头完全没有素材的情况。

• 图片 + 提示词片段

  图片生成视频

  你给模型一张静态图作为首帧，例如产品照片或已确认的分镜画面，模型会从这一帧开始让画面动起来。结果会更贴近你选定的风格。

每次生成都只是一段几秒钟的短片段。一条完整的视频由多个片段拼接而成，再叠加配音、字幕，通常还有音乐：这个合成环节正是大多数人低估的部分。

每个模型都有取舍。选择之前，先从会影响成片效果和费用的方面进行比较。

Vocla 的画质档位

• Lite150 积分/秒快速、经济，片段时长为 4、6 或 8 秒。适合社交短片和验证创意。所有含视频的套餐均可使用。
• Standard400 积分/秒更丰富的动态和细节，片段时长可在 3 到 15 秒之间灵活选择，支持全部画面比例。Professional 及以上。
• Pro1,000 积分/秒最高细节，适合营销活动和展示作品：Business 为 1080p，Enterprise 最高可达 4K。

Vocla 会把每个档位对接到当前的 AI 视频模型，并可能在出现更好的模型时更换档位背后的模型；档位本身、其积分费率和你的套餐限额保持不变。

在短视频中，人们能容忍简单的画面，却不能容忍听起来不对的声音、不属于自己的方言，或静音时读不到的文字。这就是 Vocla 围绕声音构建视频、而不是反过来的原因。

• 声音承载信息

  措辞、语气和口音决定了观众是否觉得这是在对自己说话。对利雅得用沙特口音、对开罗用埃及口音，比更漂亮的镜头更有效。

• 静音时靠字幕传达

  很多人关着声音看视频。样式易读的内嵌字幕，能为他们完整保留信息。

• 时间节奏来自语音

  场景应随句子切换。Vocla 先为脚本配音，再让每个场景与语音同步，使画面紧跟所说的内容。

• 画面中的文字是弱点

  视频模型会把文字弄得面目全非，阿拉伯文尤甚。让所有文字都远离画面，放在一条能正确从右到左显示阿拉伯文的独立字幕轨道上。

好的场景提示词读起来就像导演的备注：画面中是谁或什么、发生了什么、在哪里、镜头如何运动、如何布光，以及应该营造怎样的感觉。即使你的脚本是阿拉伯语，也请用英语来写，因为视频模型对英语的理解最好。

十二条遵循六要素公式的场景提示词。复制一条，把主体换成你自己的，保留镜头、光线和风格词即可。

• 美食倒阿拉伯咖啡复制提示词

  提示词

  Close-up of Arabic coffee being poured from a brass dallah into a small handleless cup, steam rising, warm morning window light, shallow depth of field, slow push-in, cinematic, rich golden tones

  一个主体、一个动作、一个舒缓的运镜：沉静而高级的开场。

• 餐厅夜间炭火烧烤复制提示词

  提示词

  Close-up of skewers of grilled meat and vegetables over glowing charcoal, flames flickering, smoke curling upward, night market atmosphere, warm firelight, slow motion

  火焰、烟雾和慢动作带来质感，完全不需要文字。

• 房地产客厅亮相复制提示词

  提示词

  Slow dolly forward into a bright modern living room with floor-to-ceiling windows overlooking a city skyline at golden hour, minimalist furniture, soft natural light, wide lens, calm and airy, photorealistic

  向前推进的镜头给人“走进去”的感觉，这正是导览应有的感受。

• 电商香水产品主图复制提示词

  提示词

  A glass perfume bottle without a label on a dark marble pedestal, slow orbit around the bottle, soft rim light, fine mist drifting in the air, black background, luxury commercial style, sharp focus

  无标签的瓶子可避免品牌文字变形；你的品牌由配音来传达。

• 美妆护肤品质地复制提示词

  提示词

  Macro shot of a creamy skincare texture swirling slowly on a pastel pink surface, soft diffused light, glossy highlights, clean and fresh aesthetic

  微距质地在竖长画面中显得丰富，而且完全不需要人脸。

• 旅行日落沙丘复制提示词

  提示词

  Aerial drone shot gliding over rippled sand dunes at sunset, long shadows, warm orange and pink sky, a single tyre track across the sand, epic and peaceful, cinematic color grade

  风景、光线和一条引导线：轻松又醒目的开场全景。

• 酒店餐旅蓝调时刻的老城小巷复制提示词

  提示词

  Slow walk-through of a narrow old-town alley with stone walls and hanging lanterns at blue hour, warm light spilling from doorways, gentle handheld camera, nostalgic, cinematic

  手持镜头的感觉更有亲切感，就像一位创作者带你边走边看。

• 健身日出时的天台拉伸复制提示词

  提示词

  A person in plain sports clothes stretching on a yoga mat on a rooftop at sunrise, seen from behind, city in the soft distance, gentle handheld feel, warm light, calm and motivating

  背影让人物保持普通化，把氛围放在最突出的位置。

• 教育积木复制提示词

  提示词

  Top-down view of colorful wooden blocks being stacked into a tower on a light desk, soft daylight, playful and clear, stop-motion feel

  用视觉比喻表达“循序渐进”，没有任何会被模型弄乱的文字。

• 科技发光的手机复制提示词

  提示词

  Close-up of a smartphone lying on a dark desk, its blank screen emitting a soft blue glow that lights the surroundings, subtle floating particles, slow push-in, futuristic, moody lighting

  空白而发光的屏幕暗示了应用，却没有虚假的界面文字。

• 汽车海岸自驾复制提示词

  提示词

  Tracking shot of an unbranded white SUV driving along a coastal highway beside a calm turquoise sea, bright midday sun, smooth gimbal movement, clean commercial look

  “无品牌”可避免模型编造车标；跟拍镜头突出了行驶的动感。

• 任意品牌抽象循环背景复制提示词

  提示词

  Slow-moving abstract waves of teal and purple light flowing across a dark background, soft glow, smooth seamless motion, calm and premium

  一个稳妥的背景，适合由配音说出的宣言、优惠或引语。

渲染视频是最昂贵的环节，所以要在此之前做好所有决定。每个场景一张静帧组成的分镜，只需渲染成本的一小部分，就能呈现整条视频的样貌。

1. 01脚本先写钩子，每个要点一句
2. 02配音最先生成，使用你选择的方言
3. 03场景规划3–8 秒的场景，与语音同步
4. 04静帧每个场景一帧，供你确认
5. 05渲染只渲染你确认过的场景
6. 06合成叠加配音、字幕和音乐

• 先定好钩子画面：如果第一张静帧都不能让你停下滑动，视频也不能。
• 检查一致性：每张静帧的光线、色调和风格都应相同。
• 修改一条提示词并重新生成那张静帧，而不是全部重做。
• 确认的静帧会成为每个片段的首帧，让视频与你看到的效果保持接近。

从空白页面到下载 MP4 的完整流程。

1. 1

   撰写脚本并计时

   写一句两秒左右能说完的钩子，之后每个要点一句短句。用 TikTok 脚本规划工具检查时长。

2. 2

   选择声音和成片设置

   在 Vocla 中打开 Video，粘贴脚本，然后选择声音和方言、画面比例（9:16、16:9 或 1:1）、画质档位、字幕样式，以及是否添加音乐。

3. 3

   让 Vocla 配音并规划

   Vocla 生成配音，按语音拆分成三到八秒的场景，并为每个场景撰写英文画面提示词。

4. 4

   修改场景提示词

   对照六要素公式检查每条提示词。让主体更具体，写明镜头运动，并保持风格词一致。

5. 5

   确认分镜

   为每个场景生成一张静帧。修改不理想的提示词并重新生成那张静帧，直到每个场景都满意。

6. 6

   渲染、检查并下载

   查看报价并渲染，然后在手机上观看视频。如有需要，单独重新生成某个场景，再下载包含你的配音、字幕和音乐的 MP4。

Vocla 按每秒渲染时长以积分计费，费率取决于画质档位。每个场景都会向上取整到该档位模型可渲染的片段时长，因此场景时长与总时长同样重要。

以上为按撰写时默认费率得出的估算。费率可能变化，渲染前应用内显示的报价才是准确数值。失败的场景会退还积分。

大多数令人失望的 AI 视频，都败在同样几个原因上。而这些原因都与模型无关。

1. 01

   从画面开始

   先写好脚本并配音。与完整配音同步的场景显得有意为之；先有画面、后加声音则显得随意。

2. 02

   让模型生成文字

   价格、标题和阿拉伯文字都会变得面目全非。把所有文字都交给字幕轨道。

3. 03

   标志和真实人物

   要求生成无品牌的物品和普通人物，并在配音中说出品牌名称。

4. 04

   每个场景换一种风格

   在每条提示词结尾重复同一段风格描述，使用相同的光线和色调词。

5. 05

   一个镜头塞太多内容

   每个场景一个主体、一个动作。如果需要表达两个要点，就需要两个场景。

6. 06

   没看静帧就渲染

   先确认分镜；修改一张静帧的成本只是重新渲染一个片段的一小部分。

7. 07

   脚本与时长不匹配

   字数超出时长会让配音显得仓促。先给脚本计时，然后删减字词，而不是加快语速。

8. 08

   忽略画面边缘

   各平台会在竖屏视频的两侧和底部叠加按钮。让主体和字幕远离这些区域。