分镜：先写 12 个镜头，别写剧本
三分钟视频按每镜 8 到 15 秒算，需要 12 到 22 个镜头。新手直接写剧本会卡在“画面怎么来”，所以第一步只做分镜表：四列，镜号、画面内容、台词或旁白、时长。画面内容用一句话写清主体加动作加环境，例如“穿灰卫衣的男生在便利店门口低头看手机，雨夜”。不要写“氛围感”“高级感”这类词，AI 无法执行。12 个镜头控制在 40 分钟内写完，写完立刻停，不要反复改。分镜表存成表格，后面出图、配音、剪辑都按这张表推进，避免边做边想。
出图与图生视频：一镜 4 张，选 1 张再动
出图用即梦、可灵或 Midjourney 都行，关键是固定风格词。每个镜头生成 4 张，挑 1 张构图清楚、主体完整的，不要挑最好看但手部畸形的。提示词结构固定为：主体加动作加环境加光线加镜头类型，例如“中景，男生低头看手机，便利店门口，雨夜，冷白灯光”。图生视频时，运动幅度调低，镜头运动选推或轻微横移，单段生成 5 秒，不要一次生成 10 秒以上，失败率会明显上升。12 个镜头按每镜 4 张图加 2 次视频生成算，大约 1.5 到 2 小时能跑完第一轮。生成失败的镜头先标记，不要死磕。
配音与剪辑：先出声，再对画面
配音用剪映或 ElevenLabs，三分钟旁白约 450 到 550 字，语速调 1.0 到 1.1 倍。先导出完整音频，再按音频波形把视频片段贴上去，这样口型不用对，节奏也不会乱。剪辑只做三件事：删掉每段视频的头尾各 0.3 秒不稳定部分，镜头之间加 0.2 秒叠化或硬切，背景音乐音量压到人声的 20% 到 30%。字幕用自动识别后手动改错字，不要逐句调样式。三分钟成片导出 1080p，剪辑环节控制在 1 小时内。
新手卡点与真实耗时
最容易卡住的是图生视频，不是分镜也不是剪辑。表现是人物一动就变形、背景闪烁，于是反复重生成，一上午只出两个镜头。解决办法是降低运动幅度、缩短单段时长、优先用中景和固定机位，接受“轻微动”而不是“大动作”。第二个卡点是出图风格不统一，建议第一镜定稿后把提示词和参考图存成模板，后面 11 镜直接套。一条三分钟视频的实际耗时：分镜 40 分钟，出图加图生视频 2 小时，配音 20 分钟，剪辑 1 小时，合计约 4 小时；新手第一条约 6 到 8 小时，做到第三条能压到 3 小时以内。
