AI 竖屏短视频全流程生成工作流 -- 免费效果版本（效果有限）
从选题到成品竖屏视频，全程 AI 驱动，零手工剪辑。五步走通一条完整的内容生产线。
适用场景：知识科普、语言教学、产品展示、绘本故事、旅游导览等任何"静态底图 + 配音讲解"类竖屏短视频。
本文以「宝可梦英语教学」为贯穿示例，框架本身通用。
总览
| 环节 | 做什么 | 用什么 | 耗时 |
| 第一步：选题 & 图片提示词 | 确定主题 → DeepSeek 生成生图提示词（可选喂参考图微调） | DeepSeek | ~5min |
| 第二步：AI 生图 | 用提示词生图，不满意就喂图迭代，直到满意 | Midjourney / SD / DALL·E | ~5min |
| 第三步：音频脚本生成 | 基于画面元素，让 DeepSeek 写带时间轴的配音脚本 | DeepSeek | ~3min |
| 第四步：音频生成 | 脚本 → AI 配音 + BGM + 跟读空档，输出 MP3 | AI 助手（edge-tts + numpy） | ~2min |
| 第五步：视频合成 | 底图 + 音频 + 氛围 BGM → MP4 竖屏视频 | AI 助手（ffmpeg / numpy） | ~1min |
| **最终产出** | — | **1080×1920 竖屏视频** | **~15-20min** |
场景举例
| 选题类型 | 示例选题 | 底图风格 | 脚本类型 |
| 语言教学 | 宝可梦逛商场学英语 | 儿童绘本插画 | 双语跟读 |
| 知识科普 | 太阳系八大行星 | 太空科幻插画 | 中文讲解 |
| 绘本故事 | 三只小猪盖房子 | 手绘水彩风格 | 故事旁白 |
| 产品展示 | 新款咖啡机功能介绍 | 产品摄影/渲染 | 卖点解说 |
| 旅游导览 | 故宫一日游路线 | 地图插画+实景拼贴 | 导游解说 |
本文贯穿示例：**宝可梦英语教学视频**
第一步：选题 & 图片提示词
目标
确定视频主题，用 DeepSeek 生成高质量生图提示词。
操作流程
- 确定选题方向：想好视频主题和画面中需要包含的核心元素
- 撰写 DeepSeek 提示词模板（按需替换
[]内容）： - （可选）喂参考图微调：有参考风格图时，将图片喂给 DeepSeek：
- 迭代精调：根据返回结果补充细节，直到提示词覆盖所有需求
我要生成一张 9:16 竖屏插画海报，主题是[你的选题]，
风格为[目标风格：儿童绘本/扁平矢量/水彩手绘/3D渲染/实拍等]，
画面需要包含[核心元素列表，按场景分区排列]，
画面分区清晰、色彩明快/暗调高级/温暖治愈。
请帮我生成 Midjourney/SD 提示词，中英文各一份。
参考这张图的风格，调整提示词，保留其[色调/线条/人物比例]特点。
示例（宝可梦英语教学）
英文提示词：
A 9:16 vertical children's book illustration poster, Pokemon-style cute creatures
shopping in a colorful mall, information desk with sign, escalator area, elevator
zone with floor buttons, toy store and cafe on the right side, bright pastel
colors, soft lighting, flat vector illustration style --ar 9:16 --niji 6
中文提示词：
9:16竖屏儿童绘本插画海报，宝可梦风格小精灵在商场购物，画面分区包含：
左下角服务台、左侧自动扶梯、中央电梯区(带楼层按钮)、右侧玩具店和咖啡厅、
底部安全小贴士框。明亮粉彩色调，扁平矢量插画风格。
关键原则
- 画面分区与后续脚本场景一一对应（如 4-5 个场景 = 4-5 个画面区域）
- 关键讲解对象必须在提示词中明确写出，避免生图遗漏
- 适当留白，方便后续叠加字幕或标题文字
第二步：AI 生图（多轮迭代）
目标
生成一张满意的 9:16 竖屏底图。
操作流程
- 首次生成：将提示词喂给 Midjourney / DALL·E / SD / 即梦等生图工具
- 评估结果：检查画面元素是否齐全、风格是否符合预期、分区是否清晰
- 多轮迭代（核心技巧）：
- 元素缺失 → 让 DeepSeek 强化提示词中的该元素
- 风格不对 → 追加风格词或提供参考图
- 把上一轮的图喂回 DeepSeek，描述不满意之处，让它修正提示词
- 确认定稿：分辨率建议 ≥ 1080×1920
迭代示例
第一轮 → 画面太拥挤，分区不清晰
第二轮 → 色调偏暗，目标风格不对
第三轮 → 元素齐全、风格正确、分区合理 → 定稿
输出
一张 9:16 竖屏底图（JPG/PNG），用作后续视频的唯一画面。
第三步：音频脚本生成
目标
基于底图的画面元素，让 DeepSeek 生成带时间轴的配音脚本。
操作流程
- 给 DeepSeek 输入（按需替换
[]内容）： - 审核脚本：内容是否与画面元素匹配，时长是否合理，节奏是否紧凑
- 微调：调整语速、增减内容、修改 BGM 指令
我已生成一张插画海报，画面包含以下元素：[复制图片提示词或描述底图画面]。
请帮我写一份 [目标时长] 秒的配音脚本，要求：
- 【0-5秒：开场】活泼引入/悬念式开头
- 按画面分区拆分为 [N] 个讲解场景
- [语言教学类] 每个场景教 2-3 个单词，跟读 2 遍 + 2 秒空档
- [知识科普类] 每个场景讲解 2-3 个知识点，关键信息重复强调
- [故事类] 按画面分区推进剧情
- 【结尾】总结 + 引导互动
- 附带 BGM 指令（朗读时压低音量、空档恢复、结尾 fade out）
- 配音风格：[活泼女声/沉稳男声/童声/温柔旁白]
示例（宝可梦英语教学，片段）
【0-5秒：黄金开场】
配音："哇！皮卡丘和小智来逛商场啦！边逛边学高频英语单词，我们出发吧！"
BGM：音乐起，音量 25%，说完留 1 秒安静
【6-20秒：场景一·服务台】
配音："第一站，找到服务台！Information desk！Information desk！
跟我读：Information desk！（留2秒）..."
...（后续场景按画面分区依次展开）
关键原则
- 脚本与画面一一对应：每个场景/知识点必须在底图中有对应元素
- 时长可控：总时长 90-150 秒，每个场景约 15-30 秒
- 跟读/强调空档明确标注：如"（留2秒）"、"（停顿1秒）"
- BGM 指令要具体：音量百分比、何时压低、何时恢复、何时 fade out
第四步：生成音频
前置准备
第三步产出的完整配音脚本。
直接下指令
将脚本交给 AI 助手，一句话即可：
"根据以下脚本生成 MP3 音频，用 edge-tts [音色] 配音，[BGM 风格] 背景音乐，按脚本动态调节音量，每个跟读空档插入精确静音，结尾 fade out。"
技术原理（自动完成）
| 步骤 | 方案 |
| 配音 | edge-tts，可选音色（`Xiaoxiao`/`Yunxi`/`Xiaoyi` 等），支持语速调节 |
| 静音空档 | numpy 精确生成指定时长静音片段 |
| BGM | numpy 合成（八音盒/钢琴/吉他等风格），支持动态音量包络 |
| 混音 | numpy 多轨混音，BGM 按时间轴分段调节 |
| 编码 | lameenc 编码 MP3（44100Hz / 立体声 / 128kbps） |
输出
MP3 音频文件，时长约等于脚本估算时长。
第五步：合成竖屏视频
前置准备
- 第二步定稿的 9:16 竖屏底图
- 第四步生成的 MP3 音频
- （可选）额外氛围 BGM 需求
直接下指令
"用这张图作为底图，用刚才的音频，合成 1080×1920 竖屏 MP4。再加一层淡淡的[风格]BGM，音量 [X]%。"
技术原理（自动完成）
| 步骤 | 方案 |
| 视频画面 | 图片缩放至 1080×1920，作为静态帧循环 |
| 氛围 BGM | numpy 合成（卡农/钢琴/吉他等），音量 10%-15% |
| 音频混合 | 主音轨 100% + 氛围 BGM 低音量叠加 |
| 编码 | H.264 / 30fps / AAC 128kbps |
可选氛围 BGM 推荐
| 风格 | 适用场景 | 推荐音量 |
| 钢琴卡农 | 温馨/治愈/教学 | 10% |
| 吉他分解和弦 | 轻松/日常/Vlog | 12% |
| 钢琴独奏 | 知识科普/纪录片感 | 8%-10% |
| 八音盒 | 儿童/童话/绘本 | 15% |
输出成果
[你的视频名].mp4
├── 时长：约 2-3 分钟
├── 分辨率：1080 × 1920（9:16 竖屏）
├── 编码：H.264 + AAC
├── 音轨1：AI 配音 + 动态 BGM
└── 音轨2：氛围 BGM（可选，低音量底层铺垫）
完整复刻指南
一句话启动
"选题 [XXX]，DeepSeek 生图提示词 → AI 生图（喂图迭代）→ DeepSeek 写脚本 → AI 生成音频 → AI 合成视频"
五步检查清单
- [ ] 第一步：提示词中的画面分区是否对应后续脚本场景？
- [ ] 第二步：生图 → 元素齐全？风格对？分辨率够？不满意喂图迭代
- [ ] 第三步：脚本 → 每个讲解点与画面元素一一对应？
- [ ] 第四步：音频 → 跟读/停顿空档精确？BGM 起伏自然？
- [ ] 第五步：视频 → 画面比例正确？音量平衡合适？
可调参数一览
| 参数 | 默认值 | 说明 |
| 生图工具 | Midjourney / SD / DALL·E | 按个人习惯 |
| 画面比例 | 9:16 | 竖屏短视频标准 |
| 视频时长 | 90-150 秒 | 根据场景数量调整 |
| TTS 音色 | `zh-CN-XiaoxiaoNeural` | 可换 Yunxi / Xiaoyi 等 |
| 配音语速 | rate +10%~+20% | 越快越活泼 |
| 主 BGM 音量范围 | 15%~30% | 朗读压低 / 空档恢复 |
| 氛围 BGM 音量 | 8%~12% | 底层不抢戏 |
| 视频分辨率 | 1080×1920 | 标准竖屏尺寸 |
常见问题
| 问题 | 解决方案 |
| 生图元素不全 | 把图喂回 DeepSeek，指出缺失项，重写提示词 |
| 脚本与画面不对应 | 让 DeepSeek 严格对照图片提示词元素列表写脚本 |
| 音频时长超预期 | 控制场景数量（建议 4-5 个），或加快语速 |
| BGM 与配音打架 | 朗读段 BGM 压到 12%-15%，空档再恢复 |
| 迭代多轮仍不满意 | 换一个生图工具交叉验证，可能是工具风格不匹配 |
相关笔记
- [[2026-05-08 MOC AI工具入门系列]] — 系列总目录
- [[2026-06-17 DESIGN.md 让AI一次写对UI风格]] — AI 生图与设计一致性方法论
- [[2026-05-27 AI应用技术串讲 Agent到Harness]] — 底层技术概念参考
- [[2026-06-08 本地大模型部署方案 PPT]] — 本地 AI 能力部署方案
- [[2026-06-08 ToG 行业视频智能体 项目文档]] — AI Agent 实战项目参考
*整理日期: 2026-06-24 | 工具链: DeepSeek + Midjourney + edge-tts + ffmpeg*