一条视频的解剖
在谈好不好看之前，先把一条视频拆开，看看它由哪些零件组成。这一章全是最基础的名词，但后面每一句对 AI 说的话都要用到它们。
时间：从一帧到一条片
视频是一串静止的图片快速播放。每一张图叫一帧frame。一秒钟放多少张，叫帧率fps。
| 帧率 | 看起来 | 常见在哪 |
|---|---|---|
| 24 | 略带一点“不连贯”，动得快的地方有拖影。我们从小在电影院里习惯了，于是把它认作“电影感” | 电影、剧集、追求质感的广告和短片 |
| 25 / 30 | 比 24 顺一点，更像“现场” | 电视、新闻、大多数短视频和口播 |
| 50 / 60 | 非常顺滑，像透过窗户看真的东西 | 游戏录屏、体育、界面演示；也用来拍慢动作的原始素材 |
帧率还是你说话的尺子。在 24 帧的片子里，“12 帧”就是半秒，“3 帧”是八分之一秒。动效和转场太短，用秒说不方便，行内习惯直接说帧数。你对 AI 说“闪白 4 帧”“标题提前 6 帧进”，它完全听得懂。拿不准的时候说毫秒也行，40 毫秒大约是一帧。
往上数，时间的单位是这样一层套一层的：
| 单位 | 是什么 | 大概多长 |
|---|---|---|
| 镜头shot | 两次剪切之间连续的一段画面。剪辑的最小积木 | 短视频 1–4 秒，电影平均 3–8 秒，长的可以几分钟 |
| 场scene | 同一个时间、同一个地点发生的一件事，由若干镜头组成 | 几十秒到几分钟 |
| 段落sequence | 完成一个意思的一组场或一组镜头。讲解片里相当于“一个小节” | 15 秒到几分钟 |
| 全片 | 若干段落 | — |
两个镜头之间的那个接缝叫剪切点cut，口语里就说“切”或“一刀”。一条一分钟的短视频通常有 20 到 40 刀。“这里切早了”“这一刀往后挪半秒”，说的都是它。
要指出片子里的某个位置，用时间码timecode：00:01:23 是 1 分 23 秒，后面再跟一段的话（00:01:23:12）是那一秒里的第 12 帧。给 AI 反馈时带上时间码，是最省事的一个习惯。
空间：画面有多大，什么形状
分辨率resolution是画面的像素数。现在的底线是 1080p（1920×1080），讲究一点做 4K（3840×2160）。它只决定清不清楚，不决定好不好看。
画幅比aspect ratio是宽和高的比例。这是开工前必须定下来的第一件事，因为它决定了所有构图。点一下看同一个画面被不同的框裁成什么样：
竖屏平台还有一个坑叫安全区safe area。抖音、视频号这些 App 会在画面上盖一层界面：顶上是搜索栏，底下是标题和文案，右边是点赞评论一列按钮。大致来说，顶部约 12%、底部约 25%、右侧约 15% 的区域，别放必须被看到的字和脸。很多 AI 做的竖屏片子，字幕贴着底边放，发出去正好被文案盖住。
层：时间线长什么样
所有剪辑软件的核心都是同一个东西：一条从左到右的时间线timeline，上面叠着若干条轨道track。画面轨道像一摞透明胶片，上面的盖住下面的；声音轨道是同时响的。AI 写代码做片子时没有这个界面，但脑子里的结构是一样的。
A-roll 和 B-roll
这是口播和讲解类视频里最重要的一对概念，新手几乎都不知道。
A-rollA-roll 是主线：通常是一个人对着镜头说话，或者一条旁白。它负责把话讲完，单独拿出来，这条视频的内容是完整的。
B-rollB-roll 是盖在主线上面的补充画面：讲到产品时切到产品的录屏，讲到一条新闻时贴出新闻截图，讲到“很多人”时放一段街头空镜。声音还是 A-roll 的，画面换成了别的。
为什么要有 B-roll？三个原因。第一，同一张脸看十秒以上人就开始走神，B-roll 给眼睛换东西看。第二，它是证据：你说“这个功能很快”，不如直接放一段它很快的录屏。第三，它能盖住 A-roll 上的剪切痕迹，口播里删掉一句废话，人会突然跳一下，上面盖一段 B-roll 就看不出来了。
一条“只有人在讲”的视频和一条“有人讲、画面跟着换”的视频，差别就在 B-roll。你觉得别人的口播“信息量大”“不无聊”，多半是因为每隔三五秒就有一段 B-roll。
素材的种类
B-roll 可以是什么？下面这张清单值得记一下，因为“画面丰富”本质上就是这些东西换着用。
| 素材 | 说明 | AI 怎么弄到 |
|---|---|---|
| 实拍 | 你自己拍的人、物、环境 | 你提供 |
| 录屏 | 软件操作、网页浏览、手机界面 | 你提供，或它用浏览器自动录 |
| 截图与档案 | 新闻标题、推文、论文页、老照片、历史影像。统称“实证素材” | 它去搜、去截 |
| 素材库 stock | 别人拍好的通用镜头：城市、自然、办公、手部特写 | 从免费或付费素材站下载 |
| 图形动效 motion graphics | 画出来并让它动的东西：图表、图标、示意图、流程 | 它写代码生成，这是它最拿手的 |
| 文字卡 | 整屏只有一句话或一个数字 | 它生成 |
| AI 生成的图和视频 | 插画、概念图、一段几秒的生成视频 | 它调生图、生视频模型 |
关键帧：所有动画的原子
画面里任何东西要动，底层只有一种描述方式：关键帧keyframe。意思是“在这个时刻，它是这个样子；在那个时刻，它是那个样子”。中间怎么变过去，由软件或代码自动算出来。
一个标题从屏幕下方滑上来，就是两个关键帧：第 0 帧，位置在下面 40 像素、透明度 0；第 12 帧，位置归位、透明度 100%。能打关键帧的东西叫属性property，常用的就这几个：
| 属性 | 变化起来是什么效果 |
|---|---|
| 位置 position | 移动、滑入滑出 |
| 缩放 scale | 放大缩小、弹出、推近 |
| 旋转 rotation | 转动、摆动、翻转 |
| 不透明度 opacity | 淡入淡出 |
| 遮罩 / 裁切 mask | 被一条边逐渐“揭开”或“擦掉” |
| 路径 path | 线条被画出来，形状变成另一个形状 |
| 模糊、颜色等效果参数 | 由虚到实、变色、发光 |
两个关键帧之间“怎么变过去”有讲究：匀速地变，还是先快后慢地变，观感差别极大。这叫缓动easing，是动效好不好看的头号因素，第 8 章专门讲。
你描述任何一个动效，其实就是在口述关键帧：谁，哪个属性，从多少到多少，用多久，怎么变。记住这个句式，后面会反复用。
一条片子是怎么做完的
行业里做片子有固定的几道工序。你不需要会做，但需要知道名字，因为跟 AI 协作时最好也按这个顺序一道一道验收，而不是让它一口气做完再整体推翻。
- 脚本与分镜写清楚说什么（文案），以及每一句话对应什么画面（分镜storyboard）。分镜可以是画出来的草图，也可以只是一张表。
- 定调先做一两张静态的风格帧style frame：颜色、字体、版式长什么样。这一步过了再往下，不然后面全要返工。
- 粗剪（rough cutrough cut）把素材按顺序排到时间线上，对上旁白，不加任何效果。只看两件事：结构顺不顺，总时长对不对。
- 精剪（fine cutfine cut）逐个打磨剪切点，调整每个镜头的长短，加上转场和动效。
- 包装加字幕、标题、图形、片头片尾。
- 调色与混音统一全片的颜色；把人声、音乐、音效的音量摆平。
- 导出按平台要求的规格输出文件。
改得越早越便宜。分镜阶段换一个镜头是改一行字，成片阶段换一个镜头可能要重做十几秒的动效和声音。所以让 AI 先给你分镜表，你点头了再让它做。
导出的那些参数
这些词你迟早会在导出界面或 AI 的回复里碰到，知道是什么就行。
| 词 | 意思 | 不知道选什么就选 |
|---|---|---|
| 封装格式 container | 文件的“盒子”，就是扩展名 | MP4 |
| 编码 codec | 压缩画面的算法 | H.264，所有平台都认。H.265 文件更小但兼容性差一点 |
| 码率 bitrate | 每秒用多少数据来存画面。太低会糊、会出色块 | 1080p 给 8–12 Mbps，4K 给 35–45 Mbps |
| 音频 | — | AAC，48 kHz，立体声，192 kbps 以上 |
| 响度 loudness | 整条片听起来有多响。单位 LUFS，数字越接近 0 越响 | 网络平台大多按 −14 LUFS 左右归一，照这个做 |
开工前要交代的硬信息
把这一章的东西攒起来，就是每次开工前该告诉 AI 的那几行。它们不涉及任何审美，但少一项就可能整条重做。
平台与画幅：抖音 / 9:16 / 1080×1920 / 30fps 目标时长：60 秒以内（可以短，不要超） 安全区：顶部 12%、底部 25%、右侧 15% 不放关键内容 素材：/素材 文件夹里有 1 段口播原片、6 张产品截图、2 段录屏 缺的素材：可以自己画图形动效；需要实拍空镜就去免费素材站找，找不到告诉我 声音：口播原声保留；配一首不抢戏的音乐；关键动作配音效 字幕：全程要，逐句出，中文，一行不超过 14 个字 交付：先给分镜表让我确认，再做粗剪，最后出成片 MP4
片例截图与片段仅用于学习与评述，版权归原作者与出品方所有，出处见片单与出处。