见 AI

这节课你会...

知道 AI 做视频、做音乐、造数字人现在到哪一步了，哪些能用在正经事上，哪些还只是看着新鲜。

写一句话，出来一段几秒钟到十几秒的画面，这个现在能做，手机上一堆工具都能试。

风格化做得尤其好：水墨的、老电影的、黏土动画的。简单运镜也有：镜头推近、绕着主体转一圈、画面慢慢拉远。做短视频的空镜、做 PPT 的过渡画面，够用。

有些还能给一段文字配口播，嘴型和声音对得上。短的一两句还行，长了就露馅。

但各家能生成的时长、清晰度、能传多少张参考图，差别很大，而且几个月就变一次。你自己拿手头的工具试一段就知道，别听别人说，以你实际用的那个为准。

试的时候别只甩一句"来个炫酷的"。把要求写具体，出片率高得多：

帮我出一段 8 秒的画面，做【社团名】宣传片的开头。

画面：清晨的教学楼走廊，阳光斜着照进来，地上有窗框的影子。
镜头慢慢往前推，最后停在窗边的一盆绿植上。
风格：偏暖的真实感，画面里不要出现人脸。

哪一段做不到，直接告诉我哪里做不到，我改描述。

几秒的片段和一分钟的完整视频，中间隔着一道坎。

人和东西会变。 上一镜穿蓝外套，下一镜变灰的；桌上那个杯子，换个角度就没了，或者多出来一个。

长一点的动作会崩。 手最明显：拿东西、递东西、比手势，手指头容易出问题。

复杂的口型对不上。 说一句"你好"没问题，说一段带情绪的长台词，嘴和声音就开始各走各的。

它不知道该发生什么。 每个镜头都得你自己写清楚。它不会帮你把故事讲完整，它只负责把你写的那几秒画出来。

所以现实里的做法是：你用 AI 出画面，用剪辑软件拼起来，中间的过渡自己补。别指望一句话出一部短片。

音乐：出一段氛围配乐、一个几十秒的背景音，现在的水准是能用。做视频配乐、做播客片头，够了。想让它写一首结构完整、旋律有记忆点的歌，出来的东西经常是"听着像那么回事，但记不住"。

配音：文字转语音已经挺自然了，念稿、做有声内容、给视频配音都没问题。多音字和语气，长句子里偶尔翻车，发之前自己听一遍。

数字人：分两种。一种是虚拟形象，本来就不对应某个真人，用来做口播、做介绍，省下出镜的功夫。另一种是拿真人的脸和声音去克隆，这个就得特别小心。

拿一个学生做社团宣传片来举例。

开工之前，先把分镜表列出来再动手。这段可以直接拿去用：

我要拍一条 30 秒的【社团名】招新短视频，主题是"零基础也能来"。
请帮我列一个分镜表，每行写清楚：
镜头序号、画面内容、大概几秒、要不要真人出镜。

能用 AI 生成的空镜单独标出来，需要我实拍的也标出来。
我的条件：只有手机，没有相机，也没有会演戏的人。

这四个用法都建立在同一件事上：它出素材，你来做决定。 你要是懒到"它出什么我就用什么"，出来的东西一眼就能被看出来，而且没人愿意看完。

拿别人的脸、别人的声音去生成内容，是最容易出事的操作。

明星的脸、同学的照片、老师讲课的录音、网上随便一个人的视频——哪怕你觉得只是开玩笑，哪怕只发在宿舍群，也有问题。它可能被转出去，可能被截图，可能被拿去做别的事，你控制不了。

平台这边，AI 生成的内容一般要求标出来。有的平台自动打标，有的要你自己勾，规则还在变，具体怎么要求看你发的那个平台。

还有个实操上的麻烦：不少工具的免费额度里会写明，你上传的素材可能被用来改进服务。也就是说，你发上去的那张脸，不一定只留在你手机里。

想用就用虚拟形象，或者用你自己的、并且你自己同意的形象。别人的，别碰。

记住这一句：AI 能出片段，出不了完整的片子。它能当你的素材库，当不了你的导演——更不能当别人的脸。