一个程序员为什么要做短视频
说起来有点讽刺。一个写了八年代码的人，今年被老板安排了一个新任务：每周产出两条技术科普短视频，发布在团队的社交媒体账号上。
理由很“充分”：你技术好，你来讲最合适。
问题是我连剪映都没打开过，更别说写脚本、找配图、控制节奏这些事了。第一条视频花了整整一天，从写文案到找素材到剪辑，产出一个两分钟的成片，播放量37。其中15次是自己和同事点的。
后来摸索出一套用GPT-5.5写脚本+AI生图工具做配图的工作流，把单条视频的前期制作时间从一天压缩到两小时以内。这篇文章把整个流程拆开讲清楚，适合和我一样没有影视制作背景但需要批量产出短视频内容的人。
第一步：用GPT-5.5做选题拆解
做短视频最难的不是拍和剪，是“今天讲什么”。
试过最笨的方法是自己想选题，结果就是：想了两小时，写了三个标题，全不满意。后来换了个思路——不自己想，让GPT-5.5帮忙拆。
那怎么跟它聊？下面这个指令模板可以参考一下：
> 我是一个做技术科普的短视频创作者，目标受众是1-3年经验的程序员和刚接触AI工具的职场人。请帮我列出10个短视频选题，要求：每个选题一句话标题+两句话说明为什么这个选题值得讲+预估适合的视频时长（30秒/60秒/90秒）。选题方向覆盖：AI工具使用技巧、编程效率提升、职场办公自动化。
它给出的选题质量比自己想得要高出一截。不是那种“聊聊AI的未来”大而空的东西，而是“用ChatGPT三分钟生成一份周报的正确姿势”这种一看标题就知道在讲什么、看完能得到什么的选题。
关键在于：**给它足够的上下文**。你的受众是谁、内容定位是什么、希望覆盖哪些方向——这些信息越具体，它给出的选题越精准。
第二步：让GPT-5.5写分镜脚本
选题定了，接下来是写脚本。这里有一个关键认知：短视频脚本和写文章完全不同。短视频需要的是**分镜脚本**——每一句话对应一个画面，每一秒都有明确的信息密度。
这个环节可以这样跟它沟通：
> 基于选题“用AI三分钟搞定一份周报”，写一个60秒短视频分镜脚本。要求：
> - 分成“开头钩子（0-5秒）—痛点共鸣（5-15秒）—方法演示（15-45秒）—结尾引导（45-60秒）”四段
> - 每个镜头标注：时间区间、画面描述、旁白文字、字幕关键词
> - 画面描述要具体，方便后续用AI生图工具生成配图
> - 语气口语化，不要书面语
GPT-5.5输出的分镜脚本大概长这样（节选）：
> **镜头 1 | 0-3秒 | 钩子**
> 画面：俯拍办公桌，一杯咖啡旁放着一台亮着Excel的笔记本电脑，手在键盘上犹豫不决。
> 旁白：“每周五下午最头疼的事是什么？”
> 字幕关键词：周五下午 / 写周报
>
> **镜头 2 | 3-8秒 | 痛点**
> 画面：屏幕录制，Excel里密密麻麻的数据，光标无目的地滑动。
> 旁白：“翻聊天记录、翻邮件、翻日报，凑一份周报要花一个小时。”
> 字幕关键词：翻记录 / 凑周报 / 一小时
注意看它的画面描述——**每一帧都是可以拿去生图的独立prompt**。这是写短视频脚本和写文章最本质的区别：文字是给耳朵听的，画面是给眼睛看的，两者必须同步设计。
第三步：用AI生图工具把画面描述变成配图
脚本里每个镜头的画面描述，本质上就是AI生图的prompt。这一步的工作流是：
**1. 从脚本中提取画面描述**
把分镜脚本里“画面描述”那一栏单独摘出来，逐条喂给AI生图工具。
**2. 根据工具特性调整prompt风格**
不同的生图工具对prompt的偏好不同。Midjourney偏好英文关键词堆叠风格，Stable Diffusion支持正反prompt分离控制，国产工具如通义万相、文心一格对中文prompt的理解更准确。
如果你用的是GPT-5.5本身（它支持DALL-E生图），可以直接在同一段对话里完成从脚本到配图的全流程，不需要跨工具切换。
举个例子：
> 根据刚才脚本的镜头1，生成一张配图：俯拍视角，暖色调办公桌面，一台银色笔记本电脑亮着Excel表格，旁边放着一杯拿铁咖啡，画面左侧露出一双手悬在键盘上方，风格偏日系生活感，16:9比例。
**3. 批量生成+筛选**
每个镜头建议生成3-4张备选，挑最符合脚本氛围的一张。不要指望一次就出完美结果——AI生图的命中率大概在30%左右，多生成几张再筛选是正常流程。
第四步：把分镜脚本和配图组装成视频
这一步有两条路径，看你对视频质量的要求。
**路径一：剪映/CapCut自动图文成片**
把旁白文字和AI配图导入剪映，用“图文成片”功能自动生成视频。优点是快，缺点是模板化痕迹重，画面和文字的节奏匹配需要手动微调。
**路径二：手动剪辑**
把配图按分镜顺序排列在时间轴上，每张图对应脚本里标注的时间区间。然后录制旁白音频（或者用TTS工具生成语音），对齐画面和声音。再加上字幕、背景音乐、转场效果。
对于技术科普类内容，路径一已经够用了。如果你追求更高的完成度，路径二多花半小时，效果会好一个档次。
第五步：迭代优化
第一版成片出来之后，先自己看两遍，检查这几个问题：
- **前3秒够不够吸引人**。短视频的生死线就在前3秒，如果开头不够直接，用户直接划走。
- **信息密度是否均匀**。每5秒应该有一个新信息点或画面变化，不要出现连续10秒同一个画面配一段长旁白的情况。
- **结尾有没有引导动作**。关注、点赞、评论，至少引导一个。
如果某个环节不满意，回到GPT-5.5重新调整脚本。比如“开头钩子不够吸引人，帮我换一个更有冲突感的开场”，它会在保留整体结构的前提下只修改开头部分。这种迭代式的协作，比从零重写高效得多。
实操中踩过的坑
**1. 画面描述太抽象，生图效果离谱**
“一个人在用电脑”——AI会给你一个面目模糊的人坐在一台模糊的电脑前。正确的做法是描述具体的细节：人物姿态、屏幕内容、桌面物品、色调氛围、拍摄角度。
**2. 脚本节奏和配图节奏脱节**
脚本写的是60秒，但配图只有4张，每张要撑15秒——观众早就划走了。建议每3-5秒切换一个画面，60秒的视频至少准备12-15张配图。
**3. 旁白太书面化**
GPT-5.5默认输出的文字偏书面语。如果你的目标平台是抖音、B站这类偏口语化的场景，一定要在指令里强调“语气口语化，像和朋友聊天一样”，或者让它把写好的脚本再改一版口语化表达。
**4. 忽略了字幕设计**
短视频里很多人是静音观看的，字幕不是锦上添花，是刚需。让GPT-5.5在分镜脚本里直接标注字幕关键词，后期制作时直接用。
写在最后
短视频制作这件事，对于没有影视背景的开发者来说，最大的门槛不是技术，而是“从零到一”的认知转换。你需要习惯用画面思维而不是文字思维来组织信息，需要理解前3秒的钩子逻辑，需要接受“80分发出去”而不是“100分再发布”的心态。
GPT-5.5在这套工作流里扮演的角色，不是替你做视频，而是帮你把脑子里模糊的想法变成结构化的可执行方案。选题它帮你拆，脚本它帮你写，画面描述它帮你细化，你只需要做最后的筛选和组装。
从实际体验来看，用这套流程做的前五条视频，播放量从37涨到了2000多。不算爆款，但至少不再是自娱自乐了。对于需要在技术社区或团队内部做内容传播的开发者，这套方法论值得花一个周末试一下。
