AI 影片量產心法：建一次模板，之後換劇本 10 分鐘就出片

這週我用 AI 做了一卡車影片：給外語家教品牌做的英語教學短片、給行動電源品牌做的新聞快報式短影音，還有把一支橫式 podcast 訪談剪成直版 Reels。做完發現一件事——一旦把流程跑順、建好「模板」，之後要產新片其實換個劇本，10〜15 分鐘就能出一支。

這篇就把我整套心法攤開來講，盡量讓沒碰過的人也看得懂。先講最重要的觀念：

一支 AI 影片，拆成兩個階段——「生成」（無中生有把畫面跟聲音做出來）和**「剪輯」**（把素材修乾淨、串成成品）。兩段用的工具完全不同，分開想會清楚很多。

我們先講生成。

第一階段：生成——三個步驟的心法

Step 1：先用 gpt image 2 把「素材」建出來

很多人一上來就想直接生影片，結果畫面忽大忽小、人臉每支都不一樣。我的做法是先停在「圖片」這一步，把場景、人物、道具一張一張定下來，再讓它動。

我用的是 gpt image 2（OpenAI 的生圖模型）。它最大的優點有兩個：

• 中文字渲染超準。 影片裡要出現中文（黑板標題、新聞下標、字卡），用一般生圖模型常常糊掉變亂碼，gpt image 2 幾乎都對。
• 可以「改圖」，不只生圖。 你可以丟一張真實的產品照、真實的店面照進去，叫它「只換背景、產品本身不要動」，或是把某個人放進某個場景。比起讓它從零亂畫，這樣保真度高很多（產品的厚薄、側邊很容易被它腦補錯）。

更關鍵的一招是鎖臉、鎖場景。我在 Higgsfield 裡把固定角色（例如教學片的男女主角）跟固定場景，各自存成一張「角色卡 / 場景卡」，之後每張圖都叫同一張卡——這樣跨好幾支影片，人臉跟店景都不會跑掉。系列感就是這樣來的。

實務上我的順序是：先決定整體「長相」（look），再把它鎖成卡。例如教學片我刻意做成「iPhone 隨手拍」的生活感——越想做得「漂亮、電影感」反而越假，要反向加一點不完美（單邊窗光、一點陰影、桌上有生活雜物），看起來才像真人拍的。

Step 2：用 Kling 或 Seedance 讓圖動起來

圖定好之後，把那張圖當成「第一格」，餵給影片模型，叫它動起來。我主要用兩個：

• Kling 3.0
• Seedance 2.0

兩個都能「在生成時直接配上人聲」——也就是你在指令裡寫好台詞，它生出來的影片就自帶對嘴的講話聲，不用事後另外配音對嘴。這一點省掉超多工。

這邊有個鐵則：單一場景、一鏡到底，每段抓 5〜8 秒就好，別貪心做 15 秒。 太長有兩個壞處——前面要硬填會拖戲（沒重點觀眾秒滑），後面對嘴一定崩。要切場景？不要在同一段 AI 影片裡切（最容易露餡），用前面講的「卡」跨段保持一致，最後再用剪輯軟體把幾段接起來。

Step 3：語音——這是最容易翻車的環節，要花最多心思

這次我繞了最多路、也最有心得的就是語音。先講清楚：這關沒有標準答案，你一定要拿自己的內容去試——同一個模型，講中文跟講英文、男聲跟女聲、長句跟短句，表現都會差很多。我只能分享「以我這幾支片的情境，最後是怎麼選的」：

• 我的英文片（咖啡廳教學）→ 我用了 Kling 的內建英文配音。 對我這種「英文短句、對嘴要自然」的情境，它就很夠用了。
• 我的中文片（新聞主播）→ 我最後選了 Seedance 2.0 的內建語音。 我要的是「台灣女主播」那種口音跟語氣，它的內建聲音在我試過的幾個方案裡最合用。我也繞過遠路——先用別的工具配好音、再事後對嘴，結果反而更怪；也試過幾家 TTS，有的口音很重，我就直接放棄。

所以與其把它當成「中文就一定用 A、英文就一定用 B」的鐵則，不如記住一句：語音是整支片最容易翻車的地方，多花點時間、多試幾家，挑出最適合你這支片語氣的那個。

語音這關還有兩個一定會踩的坑，先講給你聽：

1. 同音字會唸錯——用「諧音」騙它，畫面字維持正確。 這些內建配音沒辦法精細控制發音，遇到某些詞會唸錯（例如「北捷」會被唸成「北店」、「P630」會亂唸）。我的解法是：餵給它配音的稿子，把地雷字換成諧音（北捷→北傑、P630→P 六三零），但畫面上顯示的字維持正確。開拍前先把稿子過一遍換掉地雷字，省下大把重生的成本。
2. 它會自己亂加背景音、開頭還會頓一拍。 這些模型生的是「整個聲音場景」，常常自己加笑聲、路人聲、配樂，開頭也常先停約 1 秒才開口（白白浪費了最寶貴的前 1 秒）。指令裡要明確寫「只要這個人的聲音，不要背景笑聲／音樂」「第一格就立刻開口」，不夠乾淨就重生一次，或留到剪輯時把開頭那一拍切掉。

模板的威力：建一次，之後只換劇本

把上面三步跑順之後，真正的省時關鍵是——把「不變的東西」固定下來，變成模板。

什麼是不變的？卡司（誰出場）、場景、影片的格式結構（開場怎麼勾、中間幾段、結尾怎麼帶行動呼籲）。這些定案一次之後存起來，之後要做新一集，我只需要寫新的劇本，其他全部沿用。

我目前手上就有兩個成形的模板：

• 教學片模板：固定一對男女主角＋固定的開場（主角手拿小黑板寫今天主題）＋固定的結尾（大黑板複習＋引導留言）。每集只換主題跟台詞。
• 新聞快報模板：固定一位主播＋「新聞鉤子 → 重點 → 行動呼籲」的結構。每支只換新聞內容跟稿子。

模板建好之後，產一支新片真的就是換劇本 → 重生那幾張圖跟幾段影片 → 串起來，順的時候 10〜15 分鐘。而且這套是可以橫向複製的——新聞快報那套，我打算原封不動拿去做「政府採購標案快報」，只要換稿就好。

成本怎麼算（白話版）

講錢。影片生成主要花在 Higgsfield 的點數（credits）上，我用白話幫你抓個量級：

• 教學短片（4 小段、每段含英文配音）：一支大約台幣 100 元上下。
• 新聞快報片（主播說中文）：一支主播片大約 36 點，避開前面講的發音地雷後，整支落在合理範圍；不避雷、一直重生，成本會翻好幾倍——所以**「開拍前把稿子的地雷字換掉」其實是最省錢的一招**。
• 訂閱方案：Higgsfield 創作者方案約 每月 29 美金，照上面的單價，一個月大概能做十幾支教學短片。
• gpt image 2 的圖：很便宜，一張幾分到幾毛美金；只有需要中文字的圖（黑板、下標）才用高解析度，純動作的圖用低解析度就好，省點數。

省錢心法一句話：短秒數先測、確定方向了再拉長；純畫面不需要講話的段落關掉配音；地雷字先換掉避免重生。

第二階段：剪輯——用我自製的 Claude 剪片引擎

生成講完，來講剪輯。這次我特別拿那支 podcast 訪談（橫式雙人對談）來測試我之前做的剪片引擎——它用 Whisper（語音轉文字）＋ FFmpeg（剪輯） 當底，由 Claude 主導決策。引擎本身怎麼做的，我寫過一篇完整的：用 Claude 自動剪影片：Whisper + FFmpeg 實作筆記，這篇就接著講「實際拿訪談來用」的部分。

核心做法：我寫「乾淨版文字稿」，引擎照著剪

這次最想驗證的是——能不能照我給的文字稿來剪，順便去掉贅字、結巴、停頓？

做法比想像中直覺：

1. 先把整段訪談轉成逐字稿，每個字都標上精準的時間點（Whisper 轉完，再用一個叫 wav2vec2 的工具把時間校到很準）。
2. 我把每一句重寫成「乾淨版」——把「嗯、那個、就是…」這種贅字、結巴、重複的字拿掉，只留我要保留的字。
3. 引擎就照我這份乾淨版，把沒寫進去的字從聲音裡剪掉；字幕直接等於「留下來的聲音」。

這樣做的好處是：聽到的、看到的、跟我寫的乾淨版，三者天生一致。最常見的剪輯災難「字幕清了、但聲音沒清乾淨」就不會發生。

不過這裡有個容易忽略的眉角：贅字不是剪越多越好。剪太乾淨，整支會變得很「碎」、節奏怪怪的，反而不像真人在講話。我的做法是先定一個「鬆緊基準」——開頭的鋪陳廢話狠狠剪，句子中間的語助詞（「那個」「就是」）反而留著保流暢——之後每一支都照同一個基準，整個系列的風格才會一致。

訪談還多一個難題：逐字稿不會告訴你「這句是誰講的」。這支我用「聲紋分群」解決——讓程式聽每一句的聲音特徵，自動把兩個人分成兩群，再切到正在講話的那個人、推近成好看的中景（橫式訪談要切成直式、還要推近，所以我都從原始的**高畫質檔（4K）**去切，放大才不會糊）。

怎麼檢測有沒有剪壞——這段其實是我最得意的地方

老實說，整套工具我自己覺得做得最好的，不是「會剪」，而是設計了一套檢測邏輯。因為 AI 一定會出錯，所以**「怎麼確認它沒剪壞」比「剪」本身更重要**。我的原則是**「掃兩次 + 用耳朵終審」**：

• 剪之前掃一次：把整段逐字稿讀過，規劃主線、標出要跳掉的離題、找到完整的故事收尾點（對方給的秒數通常是成品的秒數、不準，要靠內容找）。
• 剪完每一句再掃一次：每句都檢查——時間對齊有沒有跑掉、字幕是不是真的等於聲音、有沒有切錯講話的人、句尾的字音有沒有被砍掉、兩段接起來有沒有「啵」的爆音、結尾凍結的那張臉好不好看。
• 最後戴耳機，整支從頭聽一遍：殘留的贅字、節奏太趕、講者切錯邊，還有 AI 轉文字偶爾會漏一兩個字、或把同音字聽錯（例如把 scale 聽成 skill）——這些只有耳朵抓得到。機器再準，最後拍板的還是人的耳朵。

但這裡有個血淋淋的教訓，講出來你可能會笑：我明明設計了檢測流程，AI 自己卻不遵守。 它常常剪完就急著回我「好了」，根本沒先確認對齊有沒有跑掉，害我好幾次漏看了壞掉的句子才往下做。後來我學乖了——與其每次拜託它記得檢查，不如把檢查「焊」進流程裡：我讓引擎每剪一句就強制印出一張「對齊 OK / XX」的清單，只要有一句 XX 就不准往下、跳不掉。

這大概是這整件事最重要的一課：跟 AI 合作，不能只靠它自律；你要把「檢測」設計成流程裡躲不掉的一關，品質才穩得住。

順帶一提，這次也加了自動調色調光（類似 CapCut 的「自動調節」，但純用 FFmpeg 跑、不花錢），讓直版畫面更通透；位置要排在字幕之前，不然標題顏色會被一起調掉。

小結 & 如果你也想試

整套濃縮成幾句：

1. 先建素材再生成——用 gpt image 2 把場景、人物、道具定下來，鎖臉鎖景。
2. 讓圖動起來——Kling 或 Seedance，單場景一鏡到底、5〜8 秒。
3. 語音最容易翻車——一定要拿自己的內容多試幾家（我這次中文選了 Seedance 2.0、英文選了 Kling，但你的情境不一定一樣）；遇到會唸錯的地雷字，用諧音騙、畫面字維持正確。
4. 建模板——卡司／場景／格式固定下來，之後換劇本 10〜15 分鐘出片。
5. 剪輯交給引擎、把關交給耳朵——照乾淨文字稿自動去贅字；但 AI 不會自律，要把「檢測」做成流程裡跳不掉的一關，再自己掃兩次、親耳聽過。

跟之前那篇一樣，最快的入門方法，就是把這篇貼給 Claude，請它一步一步帶你做。沒有什麼神奇咒語，就是邊做邊搞懂每一步在幹嘛——這過程真的很好玩，很推薦你試試 XDD

---

關於作者

我是 Rand，一位有 1500 小時以上經驗的 Life Coach，也是 AI 工具的打造者。助人者要同時服務個案、做行銷內容，還要處理預約、帳務、系統等各種行政事務，壓力山大。所以我開始自己做工具，讓自己能更輕鬆地完成各種個人品牌必備的任務，像自動產出輪播貼文、自動剪影片、自動產出 SEO 文章、AI 友善的網站架構，還有各種好玩的互動測驗用來導流跟引導人思考——這些對我來說，都是真的很好玩的事情！

想看用 AI 讓生活過得更輕省，追蹤 AI 生活實驗室 👉 @life.coach.mtcity，我們一起玩 AI！