不会剪片子的我，用 AI 一个晚上做了一部 5 分钟湿地纪录片

你没看错：一个没摸过摄影机、没装过剪辑软件的人，用 AI 一条龙做出了一部 5 分钟的湿地纪录片，55 张关键帧、55 个动态镜头、17 段人声旁白、原创配乐、五幕叙事、成片。

本文是真实操作记录：我提了什么需求 → AI 怎么拆解 → 哪几步它自己就干了、哪几步翻车了 → 最终成片什么样。所有提示词都贴出来，方便复现。

缘起#

我想要的不是一部片子，是一份"能看懂"的方案。

想拍一部自然纪录片很久了，但真家伙摆面前，门槛高得吓人：设备、外景、跟拍一只鹤蹲一个月……对一个"只有一台电脑和一堆 AI 工具"的人来说，基本等于劝退。

那天我试着问了一句：

我想做一个 5 分钟左右的湿地纪录片，先参考同类纪录片，给我一个制作方案，保存为 md

结果 AI 不仅给了我方案，还顺手把同类纪录片分析了一遍：《美丽中国·湿地行》讲悬念、《我们的星球》玩"美→危机→希望"的情绪弧线……最后它把 5 分钟拆成了一个五幕结构：

一滴水钩子 → 湿地苏醒 → 生命盛放 → 湿地退却 → 人的守护

并定下一条铁律：全片 300 秒，一秒都不能多，一秒都不能少。方案里连解说词每分钟多少个字都规划好了——约 180 字。

那一刻我突然意识到："拍片子"最难的部分不是拍，是想清楚要拍什么。 而这一步，AI 居然能陪我一起想。

把850字解说词写成"能拍的脚本"#

方案定了，第二步是写剧本。AI 交付了一份 script.md：20 个场次、全片解说词约 850 字、每一场的时间码、画面、声音全部标好。

我印象最深的是它的两处"导演思维"：

• 片头片尾用同一滴水首尾呼应——一滴水落入水面，开启湿地的一天；最后一滴同样的水，落下时已是淡金色的清晨。
• 第四幕是全场情绪最低谷，它故意留了 40 秒不写解说词、不配乐，只留风声。让观众在安静里自己难受。

这种"克制"才是纪录片最难的部分，AI 写出来了。

57 个镜头，翻译成提示词#

剧本有了，还差"分镜"。AI 把 300 秒拆成了 57 个镜头，每格标好景别、时长、运镜，甚至提前写好了英文生成提示词。

随便挑一格看——第三幕的"鹤舞"，全片情绪最高点：

它连"舞伴之间的同步感""水珠凝固在空中"这种画面气质都写进了提示词。第一张关键帧出来，我当时就一个念头：成了。

一晚上 55 张关键帧，然后…翻车了#

生成阶段，AI 搞了个"断点续跑"的批量流水线：50 个镜头的提示词写进一张清单，脚本自动逐个出图，中途断了能从断点接着跑，已出的自动跳过。

26 分钟，50 张全部出完。我正在得意，抽查画面时发现一个让人哭笑不得的问题——

画面中央出现了一架无人机。

提示词里写的是 aerial drone shot（无人机航拍视角），结果模型太实在：你说无人机，那我就画一架无人机给你看。金色湿地上空悬着一台航拍器，纪录片一秒变片场花絮。

修复的办法也简单粗暴：把措辞从"无人机航拍"改成"鸟瞰视角"，并显式声明 no aircraft, no people。重出 4 张，全部干净。

那一晚最大的收获不是 55 张图，而是记住了：跟 AI 说话，关键词它真的会照单全收。

让静止的画面"活"过来#

关键帧是照片，纪录片要的是运动。AI 用"图生视频"逐帧把画面变成 5~9 秒的动态镜头——水滴真的溅开、鹤真的跳起来、白鹭真的在水面盘旋。

这个阶段最让我兴奋的是那处硬切转场。剧本要求第三幕结尾金红色的落日，下一镜直接切到同一构图、却是灰败干裂的湿地——用情绪落差完成全片最重的一击。

AI 的做法是：先生成金色的那张，再拿同一张图去改色调，保证两镜构图严丝合缝。成片里这一刀切下去，效果震撼：

金：湿地在日落里燃烧
灰：同一片湿地，水已退去

第五幕还有一整套"呼应"：归来后的弹涂鱼要和退却前的弹涂鱼同机位、鸟群回归要和片头腾空的队形一致。AI 用"参考图"把这种前后呼应锁死了。

配乐、旁白#

画面齐了，配音和配乐是另一条并行线。

• BGM：AI 用海绵音乐生成了一首 90 秒的纯音乐《芦荡飞鸟吟》，弦乐+钢琴+竹笛，克制到不抢一句旁白。
• 旁白：本地 TTS（VoxCPM2）按 17 个场景逐段克隆合成。第一版偏"播音腔"，我说想要更有感情的，它把引导强度从 2.0 一路提到 3.5，第三幕的高潮段落专门加重感情，第四幕则反过来要"克制冷峻"——17 段，两套方案，AB 随时对比。

剪辑时音频还有一个细节我特别喜欢：全片 300 秒，配乐曲线是跟着情绪走的——到第四幕整段归零，第五幕再 12 秒渐强地"回来"。我拿响度计实测过：第四幕中段确实安静到了 -91 dB 的数字静音。这设计感，比我预想的还要狠。

一键成片，和那个397MB的意外#

最后一步，AI 把所有东西交给了 ffmpeg：57 个镜头按分镜表拼接、叠化转场、硬切、旁白对位、配乐压侧链闪避、23 条字幕硬压进画面、五幕分段调色。

第一次跑通时我挺得意的——然后就被教育了：成片 397MB，码率 11Mbps。

原因也搞笑：我给成片加了层"纪录片风格滤镜"（胶片颗粒+暗角+冷暖偏移），颗粒是出了名的难压缩，x264 为了保住噪点拼了命堆码率。压了个交付版（crf 23 slow），降到 228MB / 6.4Mbps，才算能拿得出手。

好在整个流水线是脚本化的：想换配音版本、想调滤镜强度、想补环境音，改一行参数重跑就行，前几步的中间产物全部缓存复用。

几点总结#

• 先想清楚，再让 AI 动手。 这部片子最值钱的部分其实是方案和剧本——五幕结构、留白 40 秒、首尾水滴呼应，都是"想"出来的，不是"生成"出来的。
• 它负责翻译，我负责拍板。 从需求到分镜到提示词，AI 一路翻译；无人机那种低级事故，靠的是人眼逐张验收。方向错了它不会自己发现。
• AI 也会翻车，来回 battle 就好。 无人机入镜、滤镜撑爆码率、字幕时间码变负数……每一条都是贴脸报错 → 改 → 重跑，两三个回合解决。
• 并行是真香。 配音、画面、剪辑三条线并行推进，配乐/旁白各留两版备选，全程没互相等待。

以后还能折腾什么#

• 把第四幕的风声环境音补上（现在是刻意留的数字静音，视觉够狠，但风声会更有呼吸感）
• 用感情增强版（emo）旁白重混一版对比
• 出横竖两版，发 B 站 / 视频号
• 把整条流水线固化成一个技能，下次换个题材（沙漠？冰川？）一键重跑

这次体验最打动我的地方在于：拍纪录片不再是"烧钱+蹲守"的专利。 一只鹤不会为你起舞 300 次，但 AI 可以。

三小时，从一滴水开始，到一部完整的湿地纪录片。希望这份攻略对你有用——也想做点什么的，欢迎转发给同样在折腾 AI 的朋友。