做 AI 短视频，最容易让人兴奋的是“画面出来了”。但真正把一条内容做完，远不止生成几张图、配上一段声音。文案有没有说清楚，画面有没有把关系讲明白，动作是不是跟着声音发生，最后导出的视频能不能让人看懂——每一步都可能改变观众对内容的理解。

这篇文章复盘的是我正在推进的一套短视频制作流程。它还没有走到“整期成片完成”的终点，我也不打算把局部成果包装成已经成功的自动化方案。更准确地说，这是一次边做、边验、边修正的项目记录：我们怎样把原本容易凭感觉推进的工作，拆成可以交接、检查和退回的步骤。

先说结论：AI 视频协作最难的部分，不只是生成内容，而是把人的表达意图准确交给每一步，再用真实观看和聆听检查结果。文件齐了、动画播放了、程序没有报错，都不能代替“观众看懂了没有”。

一、为什么要把创作拆成工作流

短视频包含很多彼此相连的事情：先写出要讲的话，再录制或合成声音；随后决定每句话出现什么画面、画面里的对象怎样变化；最后把素材、动画、字幕和声音合成为视频。任何一环理解错了，后面都可能跟着返工。

如果所有要求只写在一大段对话里，下一位执行者容易漏掉条件：这张卡片从哪里来、哪个对象是原件、箭头什么时候出现、字幕要停留多久。于是项目开始尝试给每个阶段明确输入、输出和检查人。这样做不保证一次成功，但至少能发现问题发生在哪个交接点。

我们当前集中制作的是第四期“认知灵活性”，用电商商品破损后的售后处理做例子，解释人怎样根据新信息修正判断。这个主题不是单纯把抽象词做成字幕就够了：观众需要看见信息如何变化、不同资料是什么关系，以及人物为什么改变原先的判断。

图 1：当前短视频制作流程与关键验收关口。流程图根据项目记录整理；阶段通过只代表该阶段的具体范围通过。

二、现在的流程：每一段交付都要有“下一步能用的东西”

1. 文案先确定：声音和画面都以同一版内容为准

文案阶段先明确这条视频要表达的意思、例子、条件和人物或物件之间的关系。声音制作要跟着确认过的文案走；如果正文改了，配音、字幕和时间信息也要一起核对，不能各自沿用不同版本。

目前保留的第四期 V5 文案和对应音频、字幕，是这一轮视觉工作的基础。音频已有实测时长 171.840 秒、89 条字幕；这些数字只描述当前交付文件，不表示声音已达到最终标准。项目记录里对这版音频的评价是“勉强通过，仍有较大调试空间”。

2. 先设计“怎么讲清楚”，再准备正式素材

视觉设计先理解文案，再同时规划画面和动作。我们要求交付两种不同的图：一张分镜总览，帮助大家检查整期的场景、重点和信息关系；一张动作连续图，展示对象从哪里开始、怎样变化、最后停在哪里，以及前后镜头如何接上。

这两张图不是成片，也不是组件。它们的作用是提前暴露误解：如果静态方案就看不懂，急着做动画通常只会让错误动起来。方向确认后，设计者再按真实对象拆分素材、写详细动作交接；总控检查素材和动作能否一一对应，合格后才交给组件实现。

3. 组件要证明动作成立，视频还要重新验收

组件阶段把素材变成可播放的动作单元。要检查对象是否连续、关系线是否在需要的时候出现、状态切换是否准确、动画结束后是否停在正确位置，以及倒回和重播会不会出现问题。

组件通过后，视频阶段才把它与原音、字幕和其他画面接起来。导出成片之后，还要查看实际画面、字幕、音画同步、镜头衔接和编码结果。网页预览或代码检查只能回答部分问题，不能替代对导出视频的实际观看。

三、一次重要返工：动画修好了，观众仍然没看懂

最能说明这套流程为什么需要反复核验的，是 B07 单元。旧版里，组件层面确实修过重影、连续移动和回放等技术问题；但用户看完仍反馈“没看懂”。这条反馈意味着，局部技术修复不能继续被当作整个单元通过。

复审后发现，问题不止一个：原资料和复制出来的副本身份衔接不清；副本上的信息处理过程没有让人看明白；提交资料时的箭头比卡片更早消失，真正移动时反而失去了关系提示；还有一段绕行路线增加了阅读负担，说明文字的停留时间也不够匹配信息量。

这里有个重要区别：有些是实现与动作说明不一致，例如关系提示提前退出；另一些是结合实际观看反馈作出的可读性判断，例如对象身份变化是否足够清楚。不能把二者都含糊地归咎于“AI 不够聪明”，也不能因为动画能顺利播放，就假设观众自然会理解。

因此，团队保留了有效的技术修复证据，但撤回了旧版整体表达通过的结论。新的方案重新明确原件、副本和处理后的信息，再补足正式素材与动作说明，之后才重新交给组件制作。设计方向获准推进，不代表动画或整期视频已经通过。

图 2：B07 返工暴露的“技术正确”与“表达清楚”之间的差别。为便于说明而制作的抽象示意图，不是旧版或新版素材截图。

四、为什么要分工，也为什么最终必须有总控

目前这条流程由不同职责共同完成：文案负责表达内容，音频负责声音和字幕时间信息，视觉设计负责画面结构与动作规划，组件制作负责把动作做成可播放单元，视频阶段负责合成与导出。总控负责核对交接、指出缺口，并决定当前单元能不能进入下一步。

分工不是为了把责任切碎。它是为了让问题能回到最适合修复的位置：意思本身错了回文案，画面关系不清回设计，动作实现不符合交接回组件，成片同步或导出有问题回视频阶段。总控还要避免把某一小段的通过扩大成整期通过。

比如，B03 曾在限定的五个状态、移动、文字与退出范围内完成核验；箭头样例也在限定范围内通过了复用检查。但这些结果不能自动证明 B07、B14 或整期视频都通过。每个结论都必须带着它实际检查过的范围。

五、截至目前：哪些已经核过，哪些还在路上

写项目复盘，最怕把“正在做”写成“已完成”。截至 2026 年 9 月 24 日，当前记录呈现的是分阶段状态，而不是一条已经完整发布的成片生产线。

• 已有明确检查记录：第四期 V4 分镜总览覆盖 16 个场景、63 个状态，结构获得认可；正式素材包已经核验。B03 与箭头样例各自在有限范围内通过了记录所列的检查。

• 当前推进中：B07 新版补充素材和动作交接已通过总控核验，正在制作新版组件。素材检查覆盖 10 个状态、101 个 SVG 片段和 7 张原图引用；“片段”是图层素材，不等于已经完成的动画组件。

• 尚未放行：B07 新版动态效果、原音同步、整期成片，以及 B14 都还没有得到相应验收。新版组件需要先实际播放和检查，再决定后续工作。

• 有限范围的历史样片：此前有一条 24.2 秒学习样片通过了工程与编码检查；它不是当前新版 B07 流程合成的第四期全片，也没有替代主观观看与听感验收。

我把这些状态分开写，不是为了显得谨慎，而是为了让读者知道证据到底能支持什么结论。机器能检查文件是否存在、尺寸是否一致、编码是否可读；“表达是否清楚”仍需要人实际看、实际听，并能指出具体哪里不明白。

图 3：截至 2026 年 9 月 24 日的阶段状态。状态来自项目总控记录；“已核验”只限图中说明的检查范围。

六、这段经历让我形成的几个判断

观众能否理解，比动作有没有播放更重要

一条箭头按时间出现、卡片到达目标位置，说明动画实现了某些动作；它不自动说明观众理解了“谁把什么交给了谁”。如果关系是内容的重点，就要在画面里把关系建立、保持到需要的时刻，并给足阅读时间。

交接要写对象和关系，不能只写坐标

“移动到右边”能告诉执行者位置，却未必告诉他对象身份是否改变、它从哪里来、到达后要保留什么信息。交接越接近人的理解方式，后续越不需要猜。状态图负责展示关键时刻，动作说明负责解释状态之间发生了什么，两者需要互相核对。

每个阶段都应留下能复查的证据

文件指纹、素材清单、播放录屏、状态对照和导出检查各自有用，但证明力不同。素材完整不等于动画完整；静态对照通过不等于动态稳定；浏览器里播放正常也不等于导出文件没有问题。把“做了什么”和“实际检查了什么”写清楚，后面才有可能复现和改进。

返工不是只看次数，还要看它有没有缩小问题

返工很花时间，也容易消耗协作耐心。更有效的做法不是要求每个环节都一次成功，而是在继续投入更大制作成本之前，尽量用小样和明确关口发现方向性问题。B07 的经历说明，如果只修掉技术故障却没有重新对照原文和用户反馈，返工可能只是把同一个误解做得更稳定。

七、目前仍有的限制

这套流程还在调试，不是已经验证成熟的生产标准。现有记录没有证明它节省了多少制作时间、减少了多少成本，也没有证明可以无人值守、一键生成完整视频。短视频播放量、涨粉和商业效果同样没有可以在本文中引用的证据。

视觉素材和对外展示也要谨慎处理。项目中的工作界面、素材包和对话可能含有账号信息、磁盘路径或私人讨论；如果后续要公开截图，需要先做脱敏并确认素材的公开使用范围。本文采用重新绘制的结构示意图，不把内部工作文件当作可随意转载的公开素材。

八、接下来要完成什么

眼下最具体的下一步，是等 B07 新版组件交付后，按正式素材和动作说明做动态核验：看复制关系是否连贯、信息处理是否能被看见、提交过程中的关系提示是否持续到对象落位、首次加载和回放是否稳定。组件通过后，才会考虑原音节奏和视频合成；之后还要单独检查整期导出成片。

这项工作也会继续检验流程本身：哪些交接内容真的帮助下一阶段，哪些检查能提前发现表达问题，哪些细节只增加文档负担却没有改善成片。等实际制作走完更多阶段，再复盘效率和质量会更有依据。

结语：让 AI 参与创作，也让理解成为验收标准

AI 可以帮忙写作、配音、整理字幕、制作图层和执行动画，但协作质量取决于人是否把目标说清楚，也取决于团队是否认真检查结果。把工作拆成步骤不是给创作套上繁琐流程，而是让抽象的“我觉得不对”变成可以定位的问题：是文案含义、视觉关系、动作时序，还是成片呈现出了偏差。

这篇文章记录的不是一个已经抵达终点的成功案例，而是一套仍在接受真实制作检验的方法。对我来说，现阶段最有价值的进展不是“AI 已经能自动做视频”，而是我们开始知道，怎样发现它没有把意思讲清楚，并把问题交回正确的环节继续修。