📋 完整步骤

1. 1

   脚本与分镜表

   让 ChatGPT 按"3 秒钩子 + 3 个论点 + 1 个 CTA"的结构生成 60 秒口播脚本，并把每句话拆成一个分镜（含画面描述、镜头语言、停留秒数）。

   使用工具： ChatGPT

   💡 把"目标人群 + 平台（抖音/小红书/B 站）"写进系统提示，脚本节奏会显著贴合该平台。
2. 2

   分镜画面生成

   把每个分镜的画面描述翻译成英文 prompt，交给 DALL-E 3 出图。保持人物、色调、构图三个维度的一致性。

   使用工具： DALL-E 3

   💡 在 prompt 末尾加上 "consistent character, same outfit, same lighting" 帮助跨镜头保持一致。
3. 3

   静帧转视频片段

   把每张静帧上传到 Runway 的 Image-to-Video，生成 4-6 秒动态片段。复杂运镜可以多生成几次挑最稳的一版。

   使用工具： Runway

   💡 Runway 的相机控制比文字描述更可靠 —— 平移/拉远/环绕用 UI 而不是 prompt。
4. 4

   背景音乐生成

   用 Suno AI 按"风格 + 时长 + 情绪"生成两版背景乐，挑一版接下来在 Descript 里压低做底。

   使用工具： Suno AI

   💡 60 秒视频建议生成 90 秒的乐曲，留出片头/片尾淡入淡出空间。
5. 5

   剪辑、配音与字幕

   在 Descript 里把视频片段串起来，让它自动生成字幕；不满意的口播段直接在文本上删字、AI 自动补帧。

   使用工具： Descript

   💡 Descript 的 "Studio Sound" 一键去除环境噪音，省去单独跑降噪插件。