AI 视频基础（下册）：剪辑、声音、字幕与成片

今天我们通过《功夫》等五部熟悉的电影，来学 AI 视频基础下册：把生成好的素材，剪成一条看得懂、听得清的视频。你可能已经遇到过：每个镜头单看都很漂亮，拼在一起却不知道在讲什么；音乐一加，人物说话又听不清。这一册就解决这些问题。

先看《功夫》里扔飞刀的这一小段。观众先看见人物准备出手，接着发现意外，最后看到他的反应。如果只留下挥刀的动作，后面的结果和表情都剪掉，这个笑点还能成立吗？

剪辑要决定：下一秒让观众看什么，以及给他们多少时间看懂、感受到。 一个镜头再漂亮，也要放在合适的位置、留到合适的长度。声音和字幕同样参与这件事。

上册讲内容结构、素材和分镜；中册讲景别、机位、运镜与画面连续性。这一册按“摆好画面 → 调整节奏 → 处理声音 → 加字幕 → 导出”往下走，目标是让你能完成一条15到30秒的小视频。每部电影各讲一个重点。本文的视频均为电影正片中的连续节选，保留原声和原有镜头顺序。

1. 先把素材摆成一件能看懂的事

1.1 时间线：决定什么先出现、什么后出现

打开剪辑软件，你会看到一条从左往右走的时间线：左边先播放，右边后播放。上下叠放的画面、字幕和声音，可以在同一时刻出现。剪辑就是在这里选择内容、安排顺序、调整长短。

比如，AI 生成了一段10秒的视频，你只想用中间3秒。那段完整文件叫“素材”，选出来放进时间线的3秒叫“片段”；它结束、下一段开始的位置，就是“切点”。拖短时间线里的片段，通常只是改变成片采用的范围，原始文件仍然保留。

第一遍先做粗剪：把需要的片段按顺序接起来，看看事情能不能讲清楚。片段之间的停顿、声音和字幕，后面再逐步调整。这样发现缺少一个结果镜头时，你可以及时补素材。

1.2 先会直接切换，再认识其他剪辑方法

前一个画面结束，后一个画面立刻出现，这叫硬切。第一次剪视频，大部分连接用硬切就够了；需要让人感觉时间过去了，或一个段落结束了，再考虑叠化、淡出等处理。

下面七个词会经常遇到，但它们讨论的问题不同：硬切、叠化、淡入淡出讲画面怎样过渡；动作衔接、匹配剪辑讲前后画面怎样呼应；跳切和蒙太奇还涉及怎样省略、组织时间。同一段视频里，可以同时用到几种方法。

动作衔接适合把同一个动作从不同角度接起来。比如一个人正在转身，画面从正面切到侧面，转身动作继续，观众会感觉这是同一次动作。如果侧面镜头又从转身之前开始，就像同一个动作做了两遍；接得太靠后，又可能像突然跳了一下。

应用场景： 同一个人拿起东西、开门、起身，想换个角度继续看时，可以用动作衔接。剪完连着播放，确认动作既没有明显重做，也没有漏掉关键一步。人物出手后切到另一个人的反应，主要是在交代结果和感受，不必都叫动作衔接。

1.3 《功夫》：动作之后，为什么还要给反应

飞刀段落先让观众知道人物想做什么，再让意外打破这个预期。事情发生之后，人物的表情和回应把笑点继续往下推。只看到动作，我们知道“出了事”；看到他的反应，我们才更能体会这件事有多疼、多尴尬或多荒唐。

呈现人物对一句话、一件事作出反应的画面，常叫反应镜头。对话时，镜头不必一直对着正在说话的人；听话的人皱眉、忍笑或愣住，也可能是这一刻更值得让观众看到的内容。

“准备、动作、结果、反应”可以帮新手检查信息有没有缺漏，不要求每次都拍四个镜头，也不要求永远按这个顺序剪。一个镜头可以同时交代动作和结果；观众已经知道的准备过程，也可以省略。

应用场景： 做产品演示，要让人看清“做了什么操作、出现什么结果”；做人物短片，还要考虑结果让人物有什么感受。AI 只生成了一个漂亮的出手动作，却没有结果和反应，后期就可能缺少能把事情讲完的镜头。

2. 镜头留多久，看观众正在等什么

2.1 找到切换的理由，再决定切在哪

剪辑时先问自己：观众现在最想看什么？人物向旁边看，观众会想知道他看见了什么；一件事出了意外，观众会想看当事人的反应。顺着这种好奇切换画面，前后镜头就容易接起来。

找切点时，可以先从三种情况入手：

• 信息已经看清。 结果展示完了，就接着讲下一步，不必继续停在同一个画面。

• 动作正在连接。 转身、抬手等动作进行中，可以换个角度接着看，但前后状态要接得上。

• 情绪正在变化。 一句话说完，对方还在消化，可以多留一点；表情已经传达出来，再切到回应。

“前三秒抓住观众”是常见的开头建议，电影剪辑没有“每个镜头三秒就必须换”的统一规则。一个简单表情可能很快就看懂，一张信息多的图表需要更久；需要观众体会的犹豫、紧张，也有它自己的时间。

试剪时，把切点前后各多看一小段。如果你还在找重点，画面就换了，通常切早了；如果该明白的已经明白，人物、信息和情绪都没有继续变化，就可以试着剪短。两版连着比较，比盯着一个固定秒数更有用。

2.2 快节奏、加速、慢动作，分别改了什么

删掉重复表达、减少无用等待、把镜头接得更紧，通常能让节奏变快。播放速度仍然可以保持正常。把视频调成两倍速，则是让里面的动作和声音都更快，这两种做法带来的感受不同。

一个镜头留得久，也不等于用了慢动作。慢动作是把动作放慢播放；长一点的镜头可以照常播放，只是给观众更多时间观察。是否需要放慢，要看某个动作或情绪有没有值得细看的部分。

应用场景： 科普口播先删掉重复句和无用停顿，同时保留完整意思与自然换气；产品展示可以在关键结果上多停一会儿；人物短片则要留意表情有没有变化。不要为了追求快，把“因为”和“所以”之间最重要的一步剪没了。

2.3 《疯狂动物城》：有些等待，正是笑点

车管所里，朱迪急着办事，尼克却在给树懒闪电讲笑话。朱迪越急，闪电越慢，两个人的状态放在一起，等待就有了喜剧效果。

如果把闪电慢慢露出笑容的过程删掉，只留下最后那张笑脸，观众仍然知道他笑了，却少了“怎么还没反应过来”的等待。这个例子提醒我们：表情还在发展，人物关系还在变化，这段时间就可能值得保留。

应用场景： 喜剧里的迟钝、意外后的发愣、悬念里的等待，都可能需要停顿。判断时问一句：这几秒是在重复已经知道的事，还是让观众的情绪继续往前走？再决定删多少。

3. 蒙太奇：几个画面合起来，讲出更长的过程

3.1 《飞屋环游记》：几次整理领带，很多年就过去了

蒙太奇涉及镜头怎样组合起来表达意思，适用范围很广，既能交代过程，也能让不同画面形成对比或联想。这里先学其中一种常见用法：选出几个有代表性的时刻，用很短的篇幅交代一段很长的时间。

《飞屋环游记》里，艾莉帮卡尔整理领带，领带的样式接连变化，随后我们看见他们已经老了。观众不用看他们每天出门，也能从反复出现的动作和最后的年龄变化中，感到很多年过去了。

这组画面还让我们感到：他们一起过了许多年，这个替对方整理衣服的习惯一直在。重复的动作交代关系，变化的领带和容貌交代时间，几个镜头共同完成了这段叙述。

3.2 做 AI 视频时，先列变化，再生成镜头

应用场景： 表现训练进步，可以选刚开始、遇到困难、熟练完成几个阶段；交代旅行，可以选出发、途中、抵达。先写清楚事情怎样变化，再挑能代表这些阶段的画面，观众才知道这组镜头要讲什么。

同一个动作或相近的构图，可以让两个镜头互相呼应，这涉及匹配剪辑；把整组镜头安排成一段“时间过去了”的过程，则是这里在讲的蒙太奇段落。两种方法可以一起用，蒙太奇也不要求一定快切或配音乐。

生成 AI 镜头时，提前约定哪些东西保持一致，哪些东西随时间改变。比如《飞屋环游记》这一类段落，领带和年龄的变化有叙事作用；如果同一个动作还没结束，人物的衣服就突然变了，观众更可能觉得画面接错了。

4. J-cut、L-cut：声音可以先来，也可以多留一会儿

4.1 先理解声音和画面可以分开切

剪两个人的对话，不必等一个人说完、再同时切换画面和声音。可以先让观众听见下一句话，再看见说话的人；也可以让上一句话继续响着，画面先给到听话人的表情。这样，声音传递内容，画面同时交代反应。

下一段的声音提前出现，叫 J-cut；画面已经换了，上一段的声音还在继续，叫 L-cut。名字来自时间线上声画片段错开后的轮廓，记住“下一段声音先到是 J，上一段声音留后是 L”就够了。

4.2 应用场景：提前引入信息，或留住人物反应

做场景转换时，可以先听到下一场的雨声或人声，再切到那里，让声音把观众带过去，这是 J-cut 的常见用法。剪采访时，人物还在说话，画面切到他提到的地点，保留他的讲话，则是 L-cut 的常见用法。

操作时，先找到想换画面的位置，再单独调整相应声音的起点或终点。多数剪辑软件支持把画面和声音分开修剪；检查时，要确认声音来自哪一段，以及它是否提前进入或延后结束。

这里改变的是切换时间。 同一个人仍在画面里说话时，他的声音和口型依然要对得上。单纯让一首背景音乐从头放到尾，也不能把每次换画面都叫作 J-cut 或 L-cut。

5. 处理声音，先决定这一刻最需要听见什么

5.1 人声、环境声、音效、音乐怎样分工

同一秒里可能同时有讲话、脚步、风声和音乐。每一层都开得很大，观众反而抓不住重点。讲解片先让人听清话，音乐片可能要突出旋律，惊吓或喜剧段落则可能让某个声音突然成为重点。

把这些声音分开放在不同轨道，就能单独调大小。比如人物说话时压低音乐，停顿时再适当恢复；相邻镜头都发生在同一个房间，可以保留连贯的房间底声，避免每换一次画面，背景就突然安静或变吵。

“同期声”说的是拍摄时一起录下来的现场声音，包括对白和环境等。“旁白”则是在说声音的用途：向观众讲解或叙述。人物暂时没出现在画框里，却仍在场景中和别人说话，也可能只是画外对白；判断时看他是在参与这场交流，还是在向观众讲故事。

5.2 《爆裂鼓手》：该对齐的声音，要跟动作对上

《爆裂鼓手》的排练室里，学生正在击鼓，导师打断演奏，拍手示范节奏，然后让他重新开始。下面约21秒，连续截自这场排练。留意鼓槌、拍手这些动作与声音的对应，也听听：演奏停下来以后，导师的声音怎样接管观众的注意力。

声画同步，是让画面里的动作与对应声音对上。做近处敲鼓、关门、拍手这类动作时，观众通常期待碰到东西的那一刻听见声音；人物开口说话时，也期待口型和话语能对应起来。明显早了或晚了，就会产生脱节感。

这不要求所有声音的来源都出现在画面里。配乐可以一直响，画外的人也可以继续说话；重点是辨认哪些声音正在对应画面里的具体动作。敲击之后留下的余音，也不必随着动作结束立刻切断。

应用场景： AI 人物说话先检查口型，产品点击和物件碰撞先检查声音落点。如果整段声音统一早了或晚了，可以移动音频；如果口型一直在乱变，挪动整条声音也很难修好，需要重新生成或修正口型。

5.3 《爱乐之城》：音乐怎样把不同画面连成一段

《爱乐之城》里，米娅和塞巴斯蒂安开始约会。下面约24秒，连续截自电影的夏日蒙太奇：两个人白天牵手散步，晚上一起逛街，经过爵士酒吧，又来到海边。时间和地点在变，同一段音乐仍然向前，让这些画面共同组成一段轻快的恋爱时光。

声音跨过画面的切换，帮助观众把前后内容联系起来，常被称为声音桥接。音乐、对白、环境声都可以起到这种作用。这里先抓住一个用途：画面在变，声音帮助这一段保持连贯。

应用场景： 做 AI 宣传片、旅行片、情绪短片，可以先选音乐，听清它哪里平缓、哪里变强、哪里收住，再安排画面和重要动作。做科普口播，则先把讲解剪顺，再配合适的音乐。音乐能连接气氛，仍然需要画面交代清楚事情的先后。

“卡点”是让画面切换或重要动作落在音乐的节拍上。它适合某些节奏鲜明的展示段落，但不需要每个鼓点都换镜头；如果观众还没看清，或一句话还没讲完，可以让这个镜头跨过几个节拍。

5.4 新手调声音，先做这五步

下面的顺序适合有对白或讲解的视频。先暂时关掉音乐和音效，再逐项加回来，你会更容易听出是谁盖住了谁。

1. 先调人声。 每句话听得清楚，相邻两句不要忽大忽小；已经失真的原始录音，单纯调小也不能恢复。

2. 再接环境声。 同一场景的底声尽量自然连贯，需要时让两段声音短暂重叠、此消彼长。

3. 补必要音效。 先对齐关键动作，音效多到抢走台词注意力时，就减小或删掉。

4. 加入音乐。 讲话时适当压低，停顿时按需要恢复；这种处理常叫“闪避”。

5. 检查突然出现和结束的声音。 无意产生的“啪”声或截断可以用短淡入、淡出处理；有意的突然叫停则按表达需要保留。

音量表如果出现过载提示、经常冲到顶，就要检查并降低相应音轨或总输出。最后戴耳机听一遍，再用手机小音量外放听一遍；能靠正常音量听清讲话，配乐又不过分抢注意力，才算完成了这一步。

6. 字幕：让观众读得完，又不抢先剧透

6.1 字幕、关键词、人物信息各有任务

字幕帮助观众看清说了什么，关键词提醒这句话的重点，人物信息条交代谁在说话。这几类文字可以同时出现，但要分清主次，避免同一句话在画面上重复三遍。

动态图形还可以包含会变化的箭头、数字和图表，用来解释步骤或关系，范围比文字更广。只有这些变化能帮观众理解时，才值得加进去。自动识别出的字幕，也要核对人名、数字、单位和“不”“没”等词，错一个字就可能改掉整句意思。

6.2 一次呈现一个完整意思

先按讲话的意思分句，让字幕随着对应声音出现，留出正常阅读的时间。新手可以从一到两行开始：太长就按意思拆开，来不及读就减少同屏文字或调整停留。不要为了塞进一屏，把字号越缩越小。

《疯狂动物城》里，观众要等闪电慢慢作出反应。如果人物还没说到后半句，字幕就把整个回答或笑点提前亮出来，观众会先知道结果。遇到笑话、悬念或重要揭晓，字幕出现的时机也要配合这段等待。

应用场景： 口播和科普以清楚、好读为先；剧情对白还要顾及说话的节奏与揭晓信息的时机。检查时把画面缩到手机大小，确认字能看清、没有挡住表情和关键动作，再在发布预览里看有没有被平台按钮遮住。

7. AI 素材拼不顺，先找出缺的是哪一块

7.1 每个阶段，只检查当前要完成的事

做一条视频通常要经历规划、生成、整理、组装和导出。不同 AI 工具能协助其中一些步骤，但支持范围不同。把任务拆开，你才知道是脚本没讲清楚、素材生成出了问题，还是剪辑位置需要调整。

生成前，给每个镜头写清楚“开始时是什么状态、发生什么动作、结束时停在哪里”。需要连续衔接时，下一镜头从能接上的状态开始；模型支持参考图或首尾帧时，可以用它们约束画面，生成后仍要检查中间的动作。

前后稍微多留一点可用的动作和停顿，也能给后期选择切点的余地。不要每条素材都刚好从动作开始录到动作结束，剪辑时容易没有调整空间。

7.2 三种常见问题，分别怎么处理

• 单段好看，连起来看不懂。 先用一句话写出每段讲什么，检查是否缺少起因、结果或反应。缺的镜头要补，重复的镜头再删。

• 同一个动作接不上。 对照前一段末尾和后一段开头，检查手、道具、方向和动作进度。能换切点解决就调整；关键过程缺失，就重新生成对应片段。

• 人物、衣服或道具突然变化。 先判断是否为故事里有意的变化。如果同一时刻、同一地点本应一致，就回到素材环节修正，转场特效无法修复这些内容。

AI 生成片段里的瑕疵如果只出现在不需要的开头或结尾，可以剪掉。瑕疵就在必须保留的动作里，继续堆音乐、字幕或特效，通常只会让检查更困难。

8. 导出：把时间线做成可以播放的视频文件

8.1 先分清画面形状、像素和播放速度

导出就是把时间线里的画面、声音、字幕，按设置做成一个视频文件。画面比例说的是画框宽和高的比例：16:9偏宽，9:16偏竖。分辨率说的是画面横向、纵向各有多少像素，通常写成“宽×高”，所以1920×1080和1080×1920的方向不同。

帧是视频中的一幅画面，帧率就是每秒播放多少帧。例如30 fps，就是每秒30帧。码率则是每秒视频使用多少数据；在相同编码、分辨率等条件下，给的数据太少，细节更容易被压糊，给得更多则通常会增加文件大小。

编码决定视频数据怎样压缩和还原，容器把视频、音频等装进一个文件。你会常见到 H.264 编码和 MP4 文件；先知道它们负责不同的事，就不用把这两个名字混在一起。

8.2 第一次导出，可以从这组设置开始

没有特殊交付要求时，可以先用下面这组常见设置：

• 文件与编码： MP4 文件，H.264 视频编码，AAC 音频编码。

• 画面尺寸： 横版1920×1080，竖版1080×1920；原素材较小时，不必为了参数好看强行放大。

• 帧率： 通常跟随主要素材建立项目，再按项目帧率导出；平台有要求时按要求调整。

• 码率： 先选软件中与尺寸、帧率对应的推荐或高质量预设，再检查画面和文件大小。

横版、竖版最好在开始制作时确定。最后才把横版裁成竖版，人物可能被截掉，字幕也可能挤到边缘，需要重新调整构图和文字位置。导出窗口里的尺寸变化，不能替你完成这些调整。

把24 fps素材导出成60 fps，也不会自动补回没有拍到的动作。软件可能重复已有画面，或用插帧估算中间画面；后者在快速动作和遮挡处可能出错。同样，提高码率也不能把失焦、低清或生成错误的素材直接变好。

8.3 检查实际文件，再检查上传后的预览

导出后，打开那个视频文件，从头到尾播放一次。时间线里看起来正常，不代表文件一定导出完整。

• 看画面： 方向正确，没有意外黑屏、漏镜头或人物被裁掉。

• 听声音： 人声清楚，没有突然过响、破音或被配乐盖住。

• 看字幕： 内容准确，出现时间合适，正常速度能读完。

• 看结尾： 最后一句话、音乐和画面按预期结束。

• 看上传预览： 平台重新压缩后是否明显变糊，字幕是否被按钮挡住。

9. 第一次练习，剪出一件完整的小事

9.1 先完成粗剪，再补声音和文字

第一次练习做15到30秒就够了，用三到五个镜头讲清一件小事。先让第一次看的人知道发生了什么，再逐步调整到看着顺、听着清楚。

1. 写一句目标。 这条视频要让观众知道什么，或感受到什么？

2. 选出必要素材。 看完整片段，挑出能交代动作、信息、结果或反应的部分。

3. 按顺序粗剪。 先用硬切接起来，缺信息就补镜头，重复内容先删掉。

4. 调整长短。 从前一个镜头连着看过切点，保留关键动作和有用停顿。

5. 处理声音和字幕。 确定主要声音，调整其他声音大小，再校正文字与出现时间。

6. 导出并复看。 用实际文件检查画面、声音、字幕和结尾。

9.2 任务单示例：有人敲门，人物起身开门

下面是一份约20秒 AI 短片的练习安排。秒数只是方便起步，生成的动作快慢、人物表情不同，就跟着实际效果调整。

这条视频要讲清楚：
一个人听到敲门，起身去开门，看见来访者后露出笑容。

发布画面：横版16:9。

镜头顺序：
1. 人物坐着，听到敲门声后转头。约4秒。
2. 人物起身走向门口。约5秒。
3. 门打开，看见来访者。约5秒。
4. 主人露出笑容，说一句欢迎的话。约6秒。

必须保留：
听到敲门后的转头、开门结果、见到来访者后的反应。

声音：
保留房间底声、敲门声、开门声和欢迎的话。
第一版先不加配乐，先确认这些声音能听清、接得上。

字幕：
给欢迎的话配字幕，核对文字和时间。

导出：
1920×1080，MP4，H.264，AAC，帧率与项目一致。

完成后检查：
敲门后人物才回应；走向门口的方向连贯；
同一段动作中衣服和门保持一致；欢迎的话与口型对得上。

这个练习里，敲门的人还没出现，也可以先有敲门声，因为门在画面之外。仅凭“先听见、后看见”还不能判断用了 J-cut；还要看它是否是下一段的声音提前跨过了画面切点。

把任务单里的内容换成你想拍的事，再给一个没有看过脚本的人播放。他能说清发生了什么、人物为什么作出反应，也能听清重要声音，这条练习就达到了目的。接下来再增加镜头和长度。

系列阅读：上册：结构、素材与分镜 · 中册：景别、机位、运镜与画面连续性。

关于作者

Punk｜中科大管理学硕士｜AI提示词、AI小白教程｜Punk系列Skills作者｜3个月赚了8位数｜Learn in Public｜FDE文章浏览量240w｜@AdrianPunk115