做短视频最烦的是什么？
不是没选题、不是不会剪，而是==后期太碎==。
录完音、截好图、还得剪、加字幕、调画面、配BGM、导出……一套下来==一两个小时==就没了。关键是每一条都这样，不是第一次慢后面就快了。
我最近让 AI 帮我搭了一套自动化工作流，把这事彻底改了。
现在做一条短视频，我的工作只有两步：
- 录一段口播（M4A 格式，几十秒）
- 截几张操作截图
剩下的——字幕生成、配图匹配、画面渲染、BGM 混音、最终合成——全部交给 AI 写的脚本全自动完成。
这篇文章就是分享这套工作流怎么用、以及你如果也想搭一个可以从哪入手。
01 核心分工：人只做两件事，其他交给 AI
最大的设计决策只有一条：把人和机器该做的事拆开。
你擅长什么？录音频、截操作图、把控内容质量。
AI 擅长什么？写脚本、调逻辑、音视频合成。
所以分工很简单，分成三个阶段：
- AI 搭框架：告诉 AI 想做什么视频，AI 自动建好目录、写好口播文案、规划好画面分镜
- 你准备素材：你录音频 user_audio.m4a，截操作截图放到 images/ 目录
- AI 出片：你告诉 AI "素材到位了"，AI 把素材移过去、跑脚本，自动出成品视频
一次三十分钟的口播，从录音到出片，==后期耗时接近于零==。
02 怎么保证画面和口播对得上
一段口播配什么画面，传统做法是手动配一个"场景映射表"——做一次视频就得配一次，配对了还行，配错了画面和声音对不上，重新调又是一轮。
我让 AI 用了一种简单的方式解决：给每张截图打几个自然语言标签，AI 在口播文本里自动匹配。
比如一张截图的标签是 ["小程序账号", "去微信公众平台注册"]，口播里说到"第一，一个小程序账号。去微信公众平台注册，用邮箱就行"，AI 自动把这张图配上去。
标签写得越精准，匹配就越准。==不需要词典、不需要分类器、不需要训练模型==。
这套机制上线之后，我再也没手动配过画面映射表——每段口播该配什么图，全是 AI 自动决定的。
03 为什么现在能放心用
跑过好几条视频之后，我有一个体会：早期的方案不用一开始就想完美，AI 会帮你迭代。
一开始画面和字幕时间线对不上、视频总比音频短一两帧、分辨率写错了导致编码崩溃——这些问题在最初几条视频里全出现过。但每次出了问题，我只需要把情况告诉 AI，AI 就能分析出原因、调整逻辑。改一次，所有视频都受益。
做过短视频的人都懂，纯手动剪辑，出了 Bug 得自己翻时间线、找原因、修——一套下来==半天没了==。现在这些事情 AI 几分钟就搞定了。
04 现在什么样的视频能出
目前跑过四种类型，效果都不错：
- 观点分享类（AI出海大会感受）— 51s，口播 + 截图 + BGM
- 教程类（不会写代码如何用AI做小程序）— 约 2min，操作截图 + 步骤标注
- 工具介绍类（WorkBuddy微信小助理）— 30s，简洁操作演示
- 观点类（当人人都会AI编程）— 长口播配观点截图
一条典型的制作流程：
- 录音 5-10 分钟 → 导出 M4A
- 截 5-8 张操作截图 → 放到 images/ 目录
- 告诉 AI "素材到位了" → ==30 秒后拿到成品视频==
从录完口播到拿到成品，全程不超过 ==20 分钟==。
05 如果你想搭一套类似的
说实话，我自己不会写视频生成的代码——前端程序员出身，对 FFmpeg 的调用参数一窍不通。但这不重要，因为 AI 会写。
你只需要知道两件事：
第一，依赖什么。 这套工作流基于 Python + FFmpeg，不需要 GPU，不需要剪辑软件，不需要任何付费服务。你不需要自己写一行代码，AI 会帮你把全部脚本搭建好。
第二，怎么让 AI 帮你。 核心就三步：
- 告诉 AI 你想做什么类型的短视频（教程、观点分享、工具介绍……）
- AI 帮你建好目录结构、写好脚本框架
- 你录好口播、截好截图，告诉 AI 开始跑
剩下的事情，AI 自己来分析、调整、迭代。
我踩过的那些坑——画面时间线对不上、编码参数不对、字幕错位——AI 自己就修好了，不需要你手动去调试。
这套工作流还在持续迭代，后面打算做的事情也挺好玩的：支持一段视频里换不同 BGM、支持从已有视频中提取片段重新混剪。
如果你也在思考怎么用自动化解决短视频的重复劳动，欢迎来聊。
真正的门槛从来不是会不会写代码，而是愿不愿意把事情拆清楚交给 AI 去干。