ClipPilot 如何把一个想法变成完整视频

传统的 AI 视频制作在一个非常具体的层面上很繁琐。你写一个提示，生成一个片段，得到五秒的视频。再写一个提示，生成，再五秒。重复八次，然后打开编辑器，把这八个片段放到时间线上，裁剪它们、加转场，录制或生成配音，对齐剪辑，添加字幕，导出。

ClipPilot 把这些步骤合并成一步。你写一个脚本，或只是一个想法，就能得到一个完成的多场景视频。使这成为可能的部分是场景拆分，值得了解，因为你写的方式会影响最终结果。

点击生成时到底发生了什么

你的文字首先会发送到一个规划模型，然后才开始生成任何帧。该模型把整段文本作为一个整体来阅读并拆分成场景。对于每个场景，它会生成最多三样东西：

• 该场景的旁白文本，取自你的脚本。
• 考虑动作的影片提示。这是对主体、动作、镜头运动、场景设置以及常见环境声的完整导演式描述。模型会代表你为每个场景写出类似 提示结构指南 中描述的提示。
• 该场景的预计时长。

只有在那之后才开始生成。每个场景的提示变成一个生成的视频片段，配音在一次流程中生成，所有内容被合成到一个 MP4 文件里。

关键在于规划器一次性看到你的完整脚本。它不会只按句子边界拆分。它在决定叙事节拍在哪里，并为每个节拍构建一个能顺畅衔接到下一个的视觉画面。

一个场景多长

动画视频片段大约 5 到 8 秒，基于图片的视频大约 3 到 6 秒。无论哪种方式，最多 30 个场景。

两者的差别并非随意。基于图片的场景是对静态图像做缓慢的 Ken Burns 推镜，超过大约六秒会让人觉得乏味。动画场景是有真实运动的生成视频，更容易长时间吸引注意力。片段时长也按秒计费，所以规划器偏好更少但更长的场景，而不是快速切换的非常短的蒙太奇。

两种进入方式：脚本模式和想法模式

对于自定义动画视频，创建页面上有一个 脚本 开关，它会改变你写的内容和你得到的结果。

打开脚本

你写旁白，最多 1,200 字符，至少 80 字符。这个脚本有双重用途。它既是配音要读的内容，也是场景规划的依据。视频长度由脚本长度决定，所以你不需要选择时长。写作决定时长。

这是适合任何有故事或论点内容的模式：解释类、清单类、有高潮的钩子、叙述性微纪录片等。

关闭脚本

你改为写一个简短的想法，最多 500 字符，并选择一个目标时长，12 到 60 秒。没有旁白，规划器可以自由构建一个纯视觉序列，包含开端、发展和高潮，并调整到你选择的时长。

这是适合营造氛围的作品、B-roll、ASMR 片段、延时摄影和其他任何以环境声为主的视频。片段自带生成的音频，当没有配音竞争时会以全音量播放。

如何写才能让拆分准确落点

最有用的习惯：按节拍写。每句表达一个想法，按你想看到的顺序写。

把所有内容塞进一句话：

一个赛博朋克的黑客在电脑前打字，一边吃披萨，一边望向窗外的飞行汽车。

那是把三种画面融合成一个，策划者必须在单个镜头里选一个或尝试把三者都拍进来。可以拆成节拍：

一个赛博朋克风的黑客在发光的霓虹键盘上飞快敲击。桌上堆着几块硬盘，旁边搁着一片冷掉的意式腊肠披萨被忘在一边。窗外雨水划过玻璃，飞行汽车在塔楼间掠过。

三句话，三处清晰的场景，按你写的顺序排列。

两点小提示有帮助：

• 反复出现的主体要用同样的描述。 如果第一场景里黑客是“剃发、穿红夹克的女人”，在第四场也用同样说法，不要改成“那个黑客”。如果某个角色必须在每个场景里完全一致，给他附上一个角色参考。策划者会按场景决定这个角色是否出现在该镜头，只有需要时才会使用参考。
• 不要把镜头指示写进旁白里。 在脚本模式下，你写的每个字都会被读出来。“切到全景”这类话也会被配音说出来。描述正在发生的事，让策划者来加入镜头语言。

为什么切换会落在字句上

如果有配音，音频就是主控。ClipPilot 生成旁白时会附带逐词的时序数据，然后从它推导出其他所有内容：每个场景从哪里开始、在哪里结束，以及每个字幕词何时点亮。场景边界是根据音频拟合的，而不是把音频拉长去配合预定场景。

这就是为什么切换会落在所属句子上，而不是到视频结束时晚一拍。它也意味着策划者给出的时长只是参考而非承诺。如果配音读某场景花了 7 秒，而策划估了 6 秒，那场景就按 7 秒走，剪辑会循环或停帧来覆盖它。

没有配音时就没有可同步的音轨，所以会直接使用计划时长，视频时长按你选择的落点。

相关设置

有几个创建页面的选项会影响这些流程。简要说明，针对自定义动画视频：

• 配音和字幕。配音需要脚本，字幕需要配音。字幕时序来自旁白音频，所以没有旁白就没有可用于时序的音轨。
• 剪辑声音。生成的剪辑会带上自己的音频。有配音时你可以选择静音或将其压低到配音下面。没有配音时音频会以正常音量播放。
• 质量。标准（480p）、HD（720p）或全高清（1080p），按完成视频的每秒计费。标准是你还在反复试验概念时的合理默认。全高清会先以 720p 生成再放大，所以最贵，适合你准备发布的视频保存使用。
• 画面比例。动画视频可选 9:16、16:9 或 1:1。
• 交叉淡入淡出。在高级选项下。默认开启，会把每次切换混合到下一个镜头。关闭则为硬切，更适合快节奏、有力的剪辑。

生成前要知道的一点：动画视频在失败后不能像图像视频那样重试，不过失败的任务会自动退还你的点数。两种类型都可以在事后编辑。动画视频可以重写某个场景的提示并只重新生成该剪辑；图像视频还可以重写旁白。无论哪种，你都可以在不从头开始的情况下重新编译，详情见编辑器指南。

简短总结

写节拍，不写大块。每句表达一个想法，按顺序。描述发生了什么，让策划者处理镜头运动、场景边界和时序。这是它擅长的，也是你原本要在时间线上手动做的部分。