想让剪映AI根据一段文字提示词，自动输出口播文案、同步字幕和匹配画面的完整脚本，关键不在于堆砌形容词，而是用结构化指令告诉AI“谁在什么场景下说什么、配什么画面”。听起来简单，但大多数人的提示词要么太笼统，要么信息混杂，AI根本抓不住重点。

第一步：用角色+场景+动作三要素写提示词

输入框里不要写“帮我写一个关于咖啡的短视频脚本”——这种话AI听得太多了，它只会给你一个泛泛的提纲。要明确主体行为链：【角色】在【场景】中做【动作】，并带出核心信息点。

举个例子：“一位穿围裙的年轻女生，在明亮的开放式厨房台面旁，一边手冲咖啡一边说‘三步搞定手冲咖啡——水温92℃、粉水比1:15、注水绕圈3次’。”

这句话里，角色（穿围裙的年轻女生）、场景（明亮开放式厨房台面）、动作（手冲咖啡+口述三步要点）全部具象化，AI才能准确生成对应的口播节奏、字幕分段和画面构图。要是换成“一个女生在厨房做咖啡”，画面就模糊了，AI可能给你配一张抽象插画。

第二步：强制拆解口播与画面的对应关系

在提示词末尾加一句硬性指令：【每句口播必须对应一个画面描述，画面描述需包含镜头类型（如特写/中景/俯拍）、主体动作、背景元素】。

比如补上：“请按以下格式输出：口播1 → 画面1；口播2 → 画面2……每组之间空一行。”

不加这句，AI大概率会输出一整段口播文案，然后另起一段笼统写“配咖啡制作画面”。剪映收到这样的内容，就没办法自动切镜头、匹配字幕时间轴。本质上，AI需要明确知道每一句话对应什么视觉元素，否则它只能瞎猜。

第三步：用分号分隔多意图指令，避免语义缠绕

这里有两种写法可以灵活使用：

方法一：基础版指令链
“目标用户是上班族；核心卖点是提神不心慌；口播语气轻快带笑点；字幕每行不超过12字；所有画面用实拍素材风格，禁用插画。”

方法二：进阶版带权重
“重点突出‘0蔗糖’（权重★☆☆☆☆）；次要强调‘开盖即饮’（权重★★★☆☆）；画面必须出现产品旋转360°特写（权重★★★★★）。”

剪映AI对分号识别非常稳定，但如果你用逗号连接长句，它很容易混淆主次。比如“要可爱、要专业、要快、要省钱”——这种指令会让AI陷入矛盾：到底以哪个为准？分号的作用就是物理隔离不同维度的要求，让AI按条处理，互不干扰。

第四步：粘贴到剪映后立刻执行的关键操作

① 粘贴完提示词，点击“生成脚本”前，先确认右上角“AI脚本模式”已开启（图标为蓝底白星）；【关闭该模式会退回传统文本转视频，不生成字幕时间轴】。

② 生成结果出现后，直接点击“导出为项目” → 进入时间线 → 检查字幕轨道是否已自动生成且与语音波形对齐；

③ 若画面片段未自动匹配，选中字幕块 → 右键 → “智能匹配画面”，系统将按关键词从素材库调取镜头。

这一步操作本身很简单，直接把文件拖进去就行。但很多人习惯性地只点“复制文案”，跳过“导出为项目”，结果后续所有画面和字幕联动功能全部失效。要想让AI真正帮你省时间，每一步都不能漏，尤其是最后这个导出动作，它决定了整个脚本是否真正落地。