做自媒体，你可能一直在用错误的方式拆对标（附 AI 工作流和提示词）

Adam也叫吉米·约 6 分钟阅读

2026年10月30日10月30日

部分视频或图片暂未收录，已在正文保留提示；需要时可查看原文。查看原文 ↗

做自媒体的都知道要拆对标，可大多数人只拆文案。

一条爆款视频，有一半功力藏在声音里。哪句突然放慢，哪个字重读，哪里停了半拍，哪个词后面跟了一声音效，这些看字幕都看不出来。

我把自己拆对标的方法整理成五层，再交给一个能直接听音频的 AI 模型来做。拿小Lin说讲 DeepSeek 融资的 6 分 26 秒视频试了一遍，5 分钟拆完，剪辑师埋的音效卡点也被找了出来。

方法和提示词都在下面，复制就能用。

一、方法论：对标视频五层拆解法

前两层，大部分 AI 工具都能做。拉开差距的是第 ③ 和第 ④ 层，这两层得靠耳朵。

这次用的是蚂蚁百灵刚开源的 Ming-3.0-audio-flash。它直接听音频，中间不用先转成文字，语气、停顿、音效和配乐都在。

二、准备：2 分钟拿到音频

1. 保存对标视频

把要拆的视频存到本地，仅作个人学习。

2. 用剪映导出音频

把视频拖进剪映，点右上角「导出」，取消勾选视频，只勾「音频导出」，格式选 MP3。

3. 上传给模型

打开 chat.ant-ling.com ，选 Ming-3.0-audio-flash，点「+」上传 MP3。

temperature 建议调到 0.2，输出更稳。做逐字稿时关掉「思考」，后面几步分析再打开。

三、实操：五层逐一拆解

下面是完整录屏，一次上传，问了 5 个问题，中间没剪。

媒体暂未收录，可在原文中查看

① 内容层 · 先拿一份带音效标注的逐字稿

这一层只看说了什么、信息点在哪、每段在讲什么。提示词这样写。

请逐字转写这段音频，保留原话，不要总结或改写。按话题自然分段，每段开头标注该段的开始时间（mm:ss），不要按固定时长切分。

6 分 26 秒的音频，3 秒出第一个字，18 秒出完整逐字稿。梁文锋、腾讯 100 亿、宁德时代 50 亿、Bloomberg、CUDA、AGI，人名、金额和英文词都对。

让我意外的是，我没提要求，它自己把背景音乐和音效也标了出来，比如开头这句。

"但偏偏就在这个时候，一向低调的 DeepSeek 惊动了市场。"与此同时，一声尖锐的电影感"呼啸"音效扫过立体声场，紧接着是一声深沉、共鸣感强的打击乐重音，精准落在"市场"一词上。

普通转写工具只给你字，它连声音里的情绪一起给你。

② 结构层 · 开头怎么留人，全片怎么排

这一层看前 30 秒怎么留人、全片分几段、结尾怎么收。让它站在编导的角度来拆。

以自媒体编导的视角拆解这条视频：
开头用了什么钩子？前 30 秒如何留住观众？
整体分几个部分，每部分的作用是什么？
结尾怎么收束？有没有引导互动？
每部分引用一句原话作为定位。

它把开头钩子归为反差悬念加利益承诺。先说 DeepSeek 最近动静小多了，紧接一句「但偏偏」，话锋转到惊动市场。

前 30 秒放了 3 个音效，差不多每 5 到 8 秒就有一个刺激点，观众很难划走。

全片被拆成 5 段，逻辑链是为什么融资、做什么、凭什么。最后它还提了条建议，中段音效变少了，可以补一两个悬念停顿。

这份输出，拿去开复盘会都够用。

③ 表达层 · 听她哪里加速，哪里重读

这一层听语速、重读、停顿、反问和情绪转折。③ 和 ④ 可以合成一次问，记得打开「思考」。

请仔细听这段音频，从"声音表达"和"剪辑包装"两个角度拆解：
一、说话人的语气和节奏变化（5 处）：语速明显加快或放慢、重读强调、刻意停顿、反问、情绪转折。
二、音效或配乐卡点（3 处）：音效出现的位置、配乐切换或推高的时刻。
每处给出：时间点（mm:ss）、原话（一字不差）、变化类型、这样处理的表达效果。最后用表格汇总。

它找出了 5 处语气变化，基本都落在全片的关键节点上。

最让我服气的是「核心就一个字，人。」这句。它听出前面在快速报融资数据，到这里突然放慢，「人」字后面还停了大约半秒。这半秒，字幕上看不到。

④ 包装层 · 找出剪辑师埋的卡点

这一层看音效落在哪个词上，配乐在哪里切换、推高或停下。下面三处和上一层出自同一个回答。

开头说到「惊动了市场」，一声呼啸接一记低频重音，正好砸在「市场」两个字上。
说到「核心就一个字，人。」，「人」字落下时有一声低沉的鼓点，配乐跟着停了半秒左右。
说完「踏踏实实搞这干吧」，跟了一声欢呼，配乐转向昂扬。

这是我觉得最值钱的一层。以前想学别人的剪辑节奏，只能拖着进度条一帧帧扒。现在问一次，整条片子的卡点就全出来了。

⑤ 转化层 · 拆完别人，写自己的

拆完要能用上。先让它总结能复用的句式。

总结这条视频能成为爆款的 3 个关键表达技巧，每个技巧给出可直接模仿的句式模板。

它总结的爆款公式很简单，反差钩子拉人进来，数字对比把人留住，一句话锚点让人记住，口语化反问引人互动。

还配了三个模板，填空就能用。

钩子句："你有没有感觉，最近__？但偏偏就在这个时候，__。"
锚点句："说到底就一个字/两个字：__。"
反问句："是不是在那__呢？__了吗？"

再让它借这套结构给我出选题。

我是 AI 工具博主。借鉴这条视频的结构和节奏，给我 3 个选题，并为其中最有爆款潜力的一个写 30 秒开头口播稿，标注哪里该加速、重读和停顿。

它给了 3 个选题，最推荐扣子（Coze）那个，还顺手写好了 30 秒口播稿，哪里加速、哪里重读、哪里停顿都标好了，拿去就能录。

从拆到写，一个对话里就走完了。

四、五层拆解法速查卡

一次上传，5 个问题，一条对标视频就拆透了。（素材来源：@小Lin说公开视频，仅作学习拆解）

五、注意事项

1. 提示词写清楚逐字、不改写、按话题分段。不写的话，模型会顺手帮你总结，逐字稿就不干净了。

2. 多人对话先告诉它谁在说话。拆访谈、圆桌、播客时，把嘉宾名字写进提示词，观点才能对上人。

3. 分析类问题打开「思考」，语气和音效会拆得更细。

4. 要引用的原话，回原片听一遍。

5. 口播稿里的数字要自己查。模板可以用，数据换成你核实过的。

6. 拆解是为了学方法。结构和节奏可以借，选题和表达要用自己的。

以前拆一条爆款，我得反复听、手动记，2 小时打底。现在 5 分钟拆完，省下的时间全拿来写自己的东西。

拆对标，别只用眼睛，也要用耳朵。

提示词都在上面，复制就能用。你拆对标时最头疼哪一层？评论区聊聊 👇

这次实验用的是蚂蚁百灵新一代音频模型Ming-3.0-audio-flash，Ming-3.0 音频模型家族包括发布三个模型。

Ming-3.0-asr-tiny：语音识别
Ming-3.0-audio-flash：音频理解与交互
Ming-3.0-tts：语音合成

趁现在可以免费体验，在线体验入口：https://chat.ant-ling.com

在线体验：访问 Ling Studio Chat，选择 Ming-3.0-audio-flash，体验音频理解与对话能力。
API 调用：Ling Studio 提供 Ming-3.0-tts-0.5B、Ming-3.0-audio-flash 和 Ming-3.0-asr-tiny 的 API 服务，开发者可将语音识别与语音生成接入自己的业务工作流。

模型与部署资源入口：