第 9 章　准备一条商品短视频，从脚本做到配音和字幕

做商品短视频常从手头的单张实拍图开始。本章你将使用随书提供的杯子照片，先沿着一段二十四秒照片剪辑学习时间线与分镜组织，再使用已有的十五秒参考片练习合成配音与中英字幕，后文的真人口播部分属于选做内容。由于原素材仅为静态照片，画面与脚本紧扣可见外观展开，练习重点在于组织素材并核对成片细节，不追求直接投放的广告效果。

先看手上有什么

练习素材是 assets/photos/white-cup-original.jpg。照片中，一只浅米色外观的杯子放在石台上，右侧有近似矩形的把手，后面是有雾的山谷。这个杯子与全书文字案例的 ORG-01 收纳架无关，不能把收纳架的规格带过来。

原始页面名为 White Ceramic Cup，许可栏标为 CC0。资料包保留来源与许可记录，便于回查。页面名称并不能保证实物纯白，照片也没有提供容量、耐热、食品接触或洗碗机适用性。这次字幕只描述画面能看见的内容。杯子照片与许可页面

只有一张照片，也可以剪视频。画面可以先完整出现，再轻微放大，最后回到整体。观众看到的是照片的不同取景，并没有真的拍到杯子转动、被人拿起或倒入热水。把素材类型写清楚，后面的脚本就不容易越界。

本练习暂不放音乐和配音，只保留四段英文字幕。这样你可以先把画面与字幕对齐，减少同时处理的事情。有了自己的实拍片段以后，再沿用同样方法增加声音。

一条分镜对应一段可找到的素材

分镜表是把脚本拆成能执行的小段。一段看什么、持续多久、说什么、从哪个文件取素材，都应写进表里。读者不需要会画画，填一张表即可。

将原照片交给能看图的 AI，复制下面的请求。若工具没有看图能力，先换成能读取这张图片的入口，不能把文件名当成图像内容。

请根据这张杯子实拍照片写24秒照片剪辑分镜，4段，每段6秒，目标为9:16竖屏。
只用原图已有内容，允许保比例缩放、平移和裁切。保留杯口、杯身、杯底和右侧把手，不生成倒水、蒸汽、背面或未拍到的细节。
这张照片与ORG-01收纳架无关。不要写容量、耐热、微波炉、洗碗机、认证、价格或销售效果。无音乐，无配音。
列镜头编号、开始结束时间、画面、取景变化、英文短字幕、中文释义、素材文件与检查点。字幕不要挡住杯子。
另给时间一致的SRT字幕。指出一种可能错误及修正办法，但不要编造剪映运行经历。

整理出的参考分镜如下。完整表在 ch09-storyboard.csv，指令在 practice/prompts/ch09-photo-storyboard.txt。

四句分别表达安静的景色、近一点看、杯口把手与外形、照片剪辑练习。它们没有说这只杯子容量大、保温好，也没有从照片推测品牌。英文表达越简单，越容易确认每一句到底在说什么。

如果你有真实商品材料，可以把最后一句换成经过核实的商品名称或使用提示。本例没有销售页面和产品规格，练习先停在展示外形，不为凑一个卖点添加性能。

将画面排到时间线上

时间线是一排按播放顺序放置的片段。片段放得越靠左，越早出现；片段越长，停留越久。先把这件事弄明白，再看软件里的更多按钮。

剪映专业版官方页面说明它是桌面剪辑软件，并提供 AI 识别字幕功能。下面按剪辑动作讲跟做方法，具体按钮与保存方式需对照你所用版本。剪映专业版官方介绍

由你在剪映中完成以下操作，AI 写好的分镜可放在旁边对照。

1. 创建空白剪辑项目，导入原照，确认能在素材区看到它。
2. 将原照加入时间线，选择竖屏 9∶16 画布，把照片安排成连续四段，每段 6 秒。
3. 确认结束位置为 24 秒，并能从头播放四段画面，再继续调整取景和字幕。

原照片比竖屏画布宽，直接填满画布可能裁掉两侧内容。第一段可以让完整照片按比例缩小，用纯色填补空白。后两段再适度放大，观察杯口、杯底和右侧把手是否完整。不要分别拖动宽高把照片拉长，杯子的外形会随之改变。

放大以后细节可能变糊，因为照片原本没有更多像素。此时减小放大程度就可以，不必让 AI 补出新的纹理。商品展示里，保留原来的形状比把局部放得很大更有用。

字幕既要对字，也要对时间

资料包的 ch09-captions.srt 已按四个片段准备好。SRT 是一种文字字幕文件，每一条包含编号、开始和结束时间、字幕正文。打开文件，你会看到第一句在 0 秒出现，6 秒结束；第二句接着出现。

1
00:00:00,000 --> 00:00:06,000
A quiet view, a simple cup.

2
00:00:06,000 --> 00:00:12,000
A closer look.

如果你的剪映版本提供本地字幕导入，选择这个文件后检查四条字幕是否落在正确位置。若当前版本没有这个入口，直接复制四句文字，为每句设置对应起止时间，也能完成相同练习。不必为四句话安装额外工具。

这条照片练习没有音轨，自动识别字幕没有可以听的内容。以后录制口播时，才需要先导入录音、执行识别，再逐句回听。识别出来的商品名、数字和外语尤其要检查，软件把一句话分成两条以后，还要看后半句有没有被裁掉。

字幕放在不遮住杯子的区域。源图中的杯子靠下，不能把文字固定压在画面最底部。先播放一遍，再用接近手机大小的窗口看一次。文字看不清，就减少每行字数、调整位置或延长停留，不要让读者暂停才能读完。

留下一次能解释的修正

本例可以主动做一个小对照。将第二段按画布中心放大，观察右侧把手是否被截掉。这是特意设置的裁切错例练习。

发现裁切不合适时，先移动取景中心，或降低放大比例，再与原图比较。不要让生成工具重新补一个把手，补出来的轮廓可能已经换了形状。你也可以把问题截图和原图一起交给 AI，让它指出被裁掉的是哪一部分。

第二段右侧把手不完整。请根据截图和原图，指出该怎样调整这段的取景位置或缩放程度，我会回到剪映中操作。目标是保留整个杯子，不拉伸、不补画；其余三段和四句字幕不变。请列出调整后要重新检查的地方。

收到建议后，回到剪映的第二段，按需调整取景位置或缩放程度，再与原照比较。画面改过以后，检查字幕是否挡住主体，并连着播放修改前后几秒。字幕出现太早、停留太短或画面突然跳动，都在这里比较容易发现。

生成镜头留到有必要的时候

文生视频是用文字描述生成画面，图生视频是以图片为参考生成动态。它们可以尝试氛围和运动，但一张杯子照片不能因此变成耐热测试、倒水实验或真实使用记录。

在本例里，原照取景已经能完成学习任务，所以没有加入生成镜头。换成自己的商品时，可以先用真实素材说明功能，再判断是否需要补充氛围画面。生成部分和实拍部分保留来源标记，后面做发布检查时才找得到。

如准备发布到 TikTok，需要按当前官方说明核查 AI 内容标识。本书于 2026 年 10 月 2 日核对了该帮助页的官方搜索内容。平台要求为含逼真图像、声音或视频的 AI 生成内容作标识，并鼓励对完全生成或显著编辑的内容说明来源。判断要看实际发布的画面与声音，不能仅凭「脚本用过 AI」作结论。此处是普通发布说明，店铺内容与广告还要核对对应要求。TikTok AI 内容帮助页

导出以后再看一遍

选择适合练习的竖屏尺寸，例如 1080×1920，检查总时长和保存位置，导出一个新文件。导出后从文件夹打开播放，确认四段画面与字幕都在。播放器里看到的最终文件，才是别人收到的样子。

工程或草稿保留片段顺序与可修改字幕，MP4 则是已经合成的视频。保留原图、分镜、SRT 和软件草稿，重新打开草稿确认仍能修改，再把导出文件放进同一个成果文件夹。

配套参考成片 ch09-photo-study.mp4 时长 24 秒，画布为 720×1280，30 帧每秒，没有音轨，画面中显示四句英文字幕，也保留了字幕轨。读者打开视频可以核对第 9 秒和第 15 秒的抽帧画面，杯口、杯底及把手完整，字幕没有遮住主体。

换自己的材料时，也按这个顺序完成一次，从素材到脚本，从脚本到片段，再从成片回查素材。文字描述、字幕文件和播放器里的结果对应起来，才便于继续修改。

加上旁白，做一条15秒商品展示短片

如果需要制作轻量展示短片，可以先下载15 秒参考短片 观看。这段视频是同一张实拍照片的2D剪辑与合成配音，画面中无真人出镜，也无生成运动镜头，不能当产品功能演示。

动手制作前准备好现有的几项素材，包括杯子原照、15 秒完整旁白、中英字幕，以及分镜表。

说明 剪辑步骤沿用基础功能，尚未在剪映客户端完成实测，界面选项请以你的软件实际显示为准。

文案必须对照原图事实，画面中仅有浅色杯、石台与远山，未知性能坚决不写。你可以复制完整三句英文请AI整理成3镜分镜。 首句 A pale cup rests calmly on the stone ledge. 次句 Its gentle outline reveals a simple and balanced form. 末句 Take a closer look against the distant misty valley.

沿用本章操作在剪映专业版中新建9比16竖屏项目，把原图、音频和字幕素材导入。 在音频轨中，将 narration-en.mp3 作为整轨直接从0秒放入。这段音频自带静音，三句英文的起点分别在0.4秒、5.4秒与10.4秒。整轨从头对齐即可，不要再移动整轨加偏移。

在图像轨中，把原照切分为三段各5秒的画面，总长正好15秒。画面从全图开始，轻微推近，再回到全图。调整画面构图时原图等比例缩放，杯口、杯底与把手别裁。

15秒短片的时间分配表。

在文字轨中，支持导入SRT则导入 captions-bilingual.srt，否则按照上表手动添加三组双语字幕。SRT时段覆盖0.4至2.867秒、5.4至8.467秒、10.4至13.1秒，不能把5秒段等同语音满5秒。你可以换成自己授权声音或真人录制。随书提供视频与素材文件，没有配套的剪映工程。

最后实际从头播放检查一遍。确认音轨有声音正常播报、双语字幕未出画、15秒整结束。本次只练旁白与字幕，不需要添加背景音乐。确认画面与声音节奏一致后，使用基础导出功能导出视频。

选做，把方法用到真人口播和商品视频

本练习的目标是用DeepSeek把已知的商品外观事实整理成一份15秒三镜头拍摄表，这里的时长与镜头数量属于本书的教学练习设计。

短视频制作通常包含三种素材形式，口播是指由出镜人员或配音朗读台词；本练习中的空镜是指展示商品外观或细节的商品空镜；叠图是指在画面上方叠加展示静态图片或文字提示。制作这类短视频，常见有三条素材路线。

1. 真人实拍路线，由团队成员本人出镜录制口播，搭配实拍的商品细节空镜，并在对应节点叠加辅助画面。真人实拍指的是素材的物理拍摄来源，出镜人员面孔与声音须经本人合法授权。
2. 商品素材视频路线，围绕商品实物展开，组合商品空镜与实拍剪辑或生成片段，不出现人物出镜。
3. AI口播路线，准备人物手持商品的画面，再输入动作描述与台词生成短片。画面看起来逼真仅代表生成效果接近真人，画面中的人物并非真实购买者，不能作为用户使用心得。

1. 编写15秒三镜头拍摄表

本练习以日常办公中常见的「白色无Logo水杯」为例。此道具仅为通用教学示意，与前文练习使用的CC0水杯不同，不代表经过产品测试。我们只以肉眼可见的白色杯身、杯口和把手为已知事实，不包含材质、容量、功能或使用感受等未经验证的内容。初学者不必急于生成成片，可以先用DeepSeek提炼出一份可执行的拍摄表。

可用请求

将以下提示词复制到DeepSeek中。

请根据以下商品已知信息，编写一份15秒的短视频拍摄表，分为3个连续镜头，每个镜头时长约5秒。
【已知商品信息】
- 外观：纯白杯身，带侧边把手，敞开杯口，表面无Logo。
- 未核实属性：容量、材质及功能均未核验，须在对应位置注明“待核验”，严禁自行虚构。
【输出要求】
输出为表格，包含4列：镜头序号与时长、画面描述（区分空镜与人物）、口播台词、叠图提示。
台词须依据可见外观客观描述，客观陈述事实，不得写成购买者心得或夸大功效。

生成成果

下表为参考拍摄表，实际填写内容需按自己的素材核对。

（教学脚本，尚未拍摄或生成成片）

结果核对

拿到表格后，重点核对三个具体位置。

1. 素材分工明确，表格清楚区分了空镜、口播和叠图。空镜展示画面细节，口播负责语音台词，叠图负责静态辅助信息。
2. 严格贴合已知事实，台词仅涉及纯白杯身、杯口和把手等可见事实，没有出现容量数字、材质推测或使用感受，未核实内容也在叠图提示中如实注明。
3. 镜头逻辑与试读，镜头1由本人介绍外形，镜头2展示商品空镜，镜头3呈现人物画面叠商品图。需先试读台词，若5秒说不完就缩短台词或调整时长，不预设时长天然可执行。

2. 工具衔接与历史界面观察

如果需要将上述分镜表进一步制作为动态视频，创作者通常会衔接不同的工具。

第一类是商品素材视频流。小红书作者「白石AI实战笔记」（X01）分享过一种操作，先由DeepSeek生成分镜脚本与绘图提示词，再用即梦生成各分镜图，接着在视频3.0中使用首尾帧功能生成视频片段，最后导入剪辑软件合成。这是原帖发布时的界面操作步骤观察，图像AI生成的画面细节可能存在偏差，并非每次生成都完全稳定。

第二类是AI口播流。小红书作者「刘量AI」（X03）在教程中展示的操作包含两个前后衔接的步骤，原帖的操作顺序是先在可灵「图片2.1」中使用多图参考功能，把人物图与商品图合成一张人物持物图，再把生成的人物持物图导入可灵「视频2.6」的图生视频功能，填入动作描述与台词，并开启音画同步开关生成片段。准备好持物图则无须重做。

上述对可灵视频2.6界面的记录，仅作为原帖发布时的历史功能分布参考。本书未在客户端测试该版本的实际音频清晰度与唇形对齐效果，生成画面中的手部细节或商品边缘也需要人工复核。

3. 数据核验与替换自身材料

完成练习后，保留这份15秒三镜头拍摄表可换为自己的商品制作脚本，但须先核对素材与台词再开拍。参考公开线索时，例如抖音作者「光羽的平行世界」发布的视频（原链接 https://www.douyin.com/video/7682700068809493794 ），本书仅作为公开检索线索记录，未获取原视频转写文本。

4. 核心参考来源

本节引用的公开笔记与核验范围记录如下。

1. X01，白石AI实战笔记 / AI制作产品大片视频，全流程揭秘，你也能做，发布于2025-06-30（北京时间2025-07-01），采集于2026-10-03。核验范围包括发帖正文及视频关键帧，未实测当前工具能力，未验证商业收益。
2. X03，刘量AI / 不用拍摄请模特，2步搞定带货视频🔥附教程，发布于2025-12-22，采集于2026-10-03。核验范围包括正文及视频01:00处界面静帧，未在客户端复现测试音频与口型质量，未验证商业收益。
3. X04，不发脾气只发财 / 拿到品怎么拍，发布于2025-11-11，采集于2026-10-03。核验范围仅限正文笔记文本，未下载原视频，未验证商业收益。