16 秒的 AI 短片：4 个镜头，从豆包到成片

一次 16 秒的实验：目标不是做长片，而是验证「豆包生成 + 本地后期」这条线，能不能稳定产出一支可以直接发出去的竖屏短片。 成片规格：1080×1920 / 24fps / 16.2 秒 / 4 个镜头 + 2 张字卡 ｜ 额外成本：￥0（豆包会员内）

图 1｜成片封面：「雨夜 · 异变 / AI SHORT FILM 001」

先说结论

• 短片成败不在「生成」那一下，而在镜头管理：4 个镜头各干一件事，比一条 20 秒的长镜头可控得多。
• 消费级视频模型的单条时长（5 秒左右）决定了工作方式：先多抽几版，再剪短用。
• 水印不是小事：豆包的水印在每条结尾淡入，规划镜头长度时就要先把它扣掉。
• 一致性是当前最大的短板：没有参考图，人物脸和服装会在镜头之间漂移。

一、这支片子长什么样

四个镜头不是随机拼的，是一条最小的叙事链：环境 → 异常出现 → 威胁靠近 → 主角觉醒。

图 2｜镜 1：雨巷走入——纸袋、积水和霓虹灯，先把"日常"立起来

图 3｜镜 2：手臂上的红色裂纹，第一个"异常"信号

二、分镜：一镜一动作

写分镜时只写三件事：谁、做什么、镜头怎么动。一个镜头只允许一个主要动作——两个动作叠在一起，生成结果通常会糊。

这一支的四个镜头分别是：

1. 人从雨巷深处走向镜头（单一动作：走）
2. 手臂特写，红色纹路亮起（单一动作：亮）
3. 远景，三个雨衣人静止站立（单一动作：站）
4. 抬手，雨滴悬停（单一动作：抬 + 一个环境反应）

经验：动作越简单，模型越稳。想让画面"有戏"，靠剪辑和声音，不靠提示词堆料。

三、生成：豆包 Seedance 2.0

• 参数：720×1280 / 24fps / 每条 5.06 秒
• 每条提示词都带固定的风格句（雨夜、霓虹、电影感、浅景深）
• 每个镜头抽 2–3 版，挑最好的一版；同一提示词换 seed，结果差别很大
• 已知短板：各镜头独立生成，脸和服装会漂移——没有参考图就锁不住

图 4｜镜 4：红眼与红纹——同一角色，脸和衣服已经开始"漂"了

四、后期：ffmpeg 做的五件事

01｜裁切

crop=690:1230:15:30

上下左右各留一点余量，顺手避开角落的水印区。

02｜去水印

豆包的水印在每条结尾约 1 秒淡入（左下 / 左上），处理分两层：

• 生成时就按 4 秒规划镜头，把结尾那 1 秒直接剪掉；
• 边缘残留的部分，用 delogo 抹掉（坐标按素材实测）。

03｜拼接

用 trim + concat，不用 overlay 时间窗：

[0:v]trim=0:3.4,setpts=PTS-STARTPTS[v0];
[1:v]trim=0:2.5,setpts=PTS-STARTPTS[v1];
concat=n=6:v=1:a=0[v]

帧精确、一次重编码，也不会出现"素材全堆在开头"的经典翻车。

04｜字卡

标题卡和结尾卡用 ASS 字幕：字体 Microsoft YaHei，白字 + 细描边，居中偏下。

05｜混音

loudnorm=I=-16:TP=-1.5:LRA=11

原声 + BGM（Lightless Dawn，4–21 秒，音量 0.32），整体压到 -16 LUFS——发布平台比较安全的响度。

五、交付规格

六、和长视频线有什么不同

我的长视频线（3–5 分钟的 AI 科普）走的是另一套：

图 5｜长视频一期封面：《AI 为什么数不清数？从 strawberry 说起》——封面文字同样是后期叠上去的

图 6｜长视频用本地生成的镜头 + 逐句字幕（Whisper 词级对齐）

七、这一支学到的四件事

1. 一致性靠参考图：下一步用首尾帧 / 参考图锁人物，而不是靠提示词"描述得更细"。
2. 5 秒是硬约束：所有叙事节奏都按"5 秒一段"设计，再剪到 2.5–3.5 秒用。
3. 水印要提前算：生成时就知道结尾 1 秒不能用，镜头长度按 4 秒规划。
4. 声音决定"片感"：同样的画面，加上 BGM 和响度处理后，观感差别非常大。

小结

这支 16 秒的片子证明了一件事：能刷到的"AI 短片感"，一半来自生成，一半来自剪辑和声音。模型给的是素材，节奏、字卡、混音才是作品。

下一步：用参考图锁住人物，再拍一支 30 秒、有对白的版本。