AI 影片 workflow：為什麼「人類寫腳本 + AI 生成」是最佳組合
第二，沒有記憶點。好影片通常有一句可以被引用的話、一個可以被記住的畫面、一個可以被模仿的動作。這些東西不會從提示詞裡自動長出來，它來自創作者對觀眾的理解。
第三，沒有觀點。AI 的輸出是「所有資料的平均值」，平均值等於沒有特色。當十個人用同一組提示詞，會得到十支高度相似的影片。在注意力市場裡，相似就是死亡。
1-3 生成式影片的三個結構性弱點
把上面這些整理成工程語言，AI 影片目前有三個結構性弱點，短期內不會消失：
看到這裡，答案其實已經很清楚了：AI 是執行端的高手，是決策端的低手。而腳本，剛好是百分之百的決策工作。
二、腳本為什麼必須由人類來寫？AI 寫腳本的三個致命傷
有人會反駁：現在 LLM 寫文案那麼強，叫 ChatGPT 寫腳本不就好了？確實，AI 可以寫出「及格」的腳本，但及格和有效之間，隔著一條很寬的河。
2-1 致命傷一：沒有真實經驗，所有情緒都是「平均值」
請 AI 寫一段「媽媽收到孩子第一份薪水紅包的反應」，它會給你一段非常標準的、戲劇化的、像廣告的描寫。它不會寫出「媽媽先把紅包推回來，說不用啦，然後轉身去廚房，肩膀抖了一下」這種東西。
因為後者不是「情緒」，是具體的行為細節。而行為細節來自觀察、來自經驗、來自你真的看過某個人在那個瞬間做了什麼。AI 沒有身體、沒有記憶、沒有在深夜的廚房裡看過誰的背影，它只能給你統計上最常見的情緒表達方式——也就是最沒有辨識度的那一種。
觀眾對這種東西極度敏感。他們不會說「這個腳本很 AI」，他們會說「這個廣告好假」。
2-2 致命傷二：缺乏觀點與商業意圖
腳本不只是「描述畫面」，它同時要回答四個問題：
這支片是給誰看的？
我希望他看完之後做什麼？
我憑什麼讓他相信我？
我要留下哪一句話讓他記住我？
這四個問題的答案，來自你對市場、對競品、對自己品牌定位的理解。AI 可以幫你發想十個角度，但它不知道你的品牌今年要打「專業」還是「親切」，不知道你的競品上個月剛打了價格戰，不知道老闆最在意的那個賣點其實消費者根本不在乎。
換句話說，腳本是策略的終端產物，而策略無法外包給模型。
2-3 致命傷三：節奏感與口語顆粒度失真
AI 寫出來的旁白，十次有八次唸出來會卡。原因很簡單：它寫的是「書面語的節奏」，不是「口語的節奏」。書面語可以靠逗號堆疊，口語不行；口語需要呼吸點、需要短句、需要在該停的地方停、該衝的地方衝。
更別說中文的顆粒度問題。「這台車很安靜」和「關上門之後，你會懷疑自己是不是還沒發動」，後者的資訊量與畫面感是前者的一百倍。這種「把形容詞換成場景」的能力，需要寫的人真的在腦中播放過那支影片。
結論：AI 可以當你的「腳本教練」，幫你補齊結構、檢查邏輯、生成十種版本；但最終那一版，必須是人寫的。因為只有人知道自己想讓誰哭、讓誰笑、讓誰按下購買鍵。
三、完整 Workflow 拆解：從一句話到一支成片的八個階段
接下來是這篇文章的核心。我把「人類腳本 + AI 生成」的流程拆成八個階段，前四個是前製，後四個是後製。你可以把它當成一份可以貼在牆上的 SOP。
3-1 前製四階段：企劃、腳本、分鏡、素材準備
階段一：一句話企劃（Human 100%）
在用任何工具之前，先用一句話寫下「這支片要讓誰、在什麼情境下、產生什麼反應」。這句話必須可以用嘴巴講出來、講完別人聽得懂。如果你寫不出這一句，代表你還沒想清楚，不要打開 AI，先去想。
階段二：腳本撰寫（Human 80% / AI 20%）
人類寫主體：開場鉤子、敘事結構、關鍵金句、結尾行動呼籲。AI 負責補強：提供三種不同開場版本的選項、檢查資訊密度是否過高、模擬「目標觀眾會在哪一句滑走」。這一步的關鍵是不要讓 AI 從零開始寫，而是讓它在你寫的基礎上做 A/B 變體。
階段三：分鏡拆解（Human 60% / AI 40%）
把腳本切成一個一個鏡頭，每個鏡頭標註：景別、運鏡、主體、光線、時長、是否需要角色一致性。AI 在這一步非常好用——你可以把腳本丟進去，請它產出「表格化的分鏡表」，你再逐條修改。所謂的分鏡表，就是每個鏡頭一行，欄位包括鏡號、畫面描述、台詞、音效、時長。
階段四：素材庫與資產準備（Human 30% / AI 70%）
這一步是很多人漏掉的關鍵。在大量生成影片之前，先建立「資產庫」：品牌色、標準字、角色參考圖、常用的場景圖、Logo 動畫。有了這些，後面的生成才有統一性，否則你會有二十支風格互不相干的片段，剪起來像拼貼。
3-2 後製四階段：生成、組裝、聲音、輸出
階段五：AI 生成（Human 20% / AI 80%）
依照分鏡表逐鏡生成。每鏡至少跑 3～5 個變體，從中挑選。這一步的鐵律是：一次只改一個變數。如果畫面不對，先問是主體錯、風格錯、還是運鏡錯，一次改一樣，否則你永遠不知道哪個提示詞有效。
階段六：剪接組裝（Human 90% / AI 10%）
把挑好的片段依照分鏡順序排上時間軸。這一步幾乎全人工，因為它涉及節奏、留白、呼吸點、情緒推進。AI 剪輯工具可以幫你自動去背、自動對齊、自動上字幕，但它不懂「這裡要停 0.8 秒讓觀眾消化」。
階段七：聲音設計（Human 50% / AI 50%）
旁白配音、背景音樂、音效。配音可以用 AI 生成再微調語速與停頓；音樂可以 AI 生成初稿再挑段；但「哪一句話該配什麼情緒的音樂」是人決定的。聲音佔影片質感的比重遠超一般人想像，同樣的畫面配上不同的音樂，可以是廣告也可以是恐怖片。
階段八：調校與輸出（Human 70% / AI 30%）
調色統一、字卡動效、比例轉換（16:9 轉 9:16）、壓縮輸出、多平台版本。這一步可以用 AI 工具加速，但最後一關必須人眼看過：字幕有沒有錯字、Logo 有沒有被切掉、開頭三秒有沒有鉤子。
四、「可生成性腳本」的五個寫作原則
這是整篇文章最實用的部分。很多人腳本寫得不差，但丟給 AI 就是生不出對的畫面。問題通常不在 AI，而在腳本「寫給人看的」而不是「寫給機器執行的」。
4-1 原則一：把抽象情緒翻譯成可拍的具體畫面
這是最重要的一條。腳本裡出現「溫馨」「震撼」「專業感」這些詞，對 AI 來說等於沒有資訊。你必須翻譯：
❌「展現家庭的溫馨」→ ✅「早晨的廚房，陽光斜射進來，桌上有兩杯還在冒煙的豆漿，一隻手把煎蛋翻面」
❌「很有科技感」→ ✅「全黑背景，藍色光線從側面打在金屬表面，鏡頭緩慢橫移」
❌「表現出疲憊」→ ✅「深夜辦公室，只剩一盞桌燈，人物把眼鏡摘下揉眼睛」
翻譯的標準是：如果把這句描述丟給一位攝影師，他能不能直接開拍？如果不能，代表它還太抽象。
4-2 原則二：用鏡頭語言寫分鏡，不要用文學語言
文學語言寫的是「感覺」，鏡頭語言寫的是「參數」。一支可執行的分鏡，每一行應該包含：
景別（遠景／中景／特寫）＋運鏡（固定／推／拉／搖／跟）＋主體動作＋環境與光線＋時長。
例如：「中景，緩慢推近，女性坐在窗邊翻書，午後側光，約 4 秒。」這一行就可以直接變成提示詞，也可以直接給攝影師，這就是好的分鏡。
另外要記得一件事：AI 不擅長「一個鏡頭裡的多段動作」。所以你在寫分鏡時，要刻意把「他走進來、坐下、打開電腦」拆成三個鏡頭。這不只是為了 AI，也是為了剪接的靈活性。
4-3 原則三：為每個鏡頭預留「生成彈性」
新手最常犯的錯，是把腳本寫得像法律條文，連人物穿什麼顏色的鈕扣都指定。結果 AI 生不出來，你就卡死了。
老手的做法是：每個鏡頭標註「必要元素」與「可替換元素」。必要元素是敘事上不能少的（例如「有人在喝咖啡」），可替換元素是風格上的（杯子什麼顏色、背景是牆還是窗）。當 AI 生不出理想版本時，你換掉可替換元素，敘事不會崩。
這套思維也稱作「彈性分鏡」：腳本給方向，生成給細節。人負責確定性，AI 負責可能性。
五、三種常見影片類型的分工實例
理論講完了，來看實際案例。以下三種是個人創作者與小型團隊最常做的類型，分工比例不太一樣。
5-1 案例一：60 秒社群產品短片
目標：在 IG／抖音前 3 秒抓住注意力，並引導點擊。
分工：人類寫「鉤子＋痛點＋解法＋CTA」四段結構，AI 生成產品質感鏡頭、使用情境鏡頭、背景氛圍。
實作要點：產品本身的畫面建議實拍或 3D 渲染，因為 AI 生成產品容易變形、Logo 會亂掉。AI 負責的是「氛圍」與「情境」——例如「早晨陽光灑在木質桌面上，一杯咖啡旁邊放著筆記本」這種空鏡。整支片 8～12 個鏡頭，AI 生成大約佔 60%。
5-2 案例二：知識型長片（YouTube 8～15 分鐘）
目標：讓觀眾看完、記住觀點、訂閱。
分工：人類寫逐字稿與敘事節奏（這類影片的勝負 90% 在腳本），AI 負責 B-roll、示意動畫、圖表生成、配音輔助。
實作要點：知識型影片最怕「畫面無聊」。解法是把逐字稿切段，每 20～30 秒安排一個視覺變化：一張圖表、一段 B-roll、一個字卡、一個轉場。這些視覺素材可以大量交給 AI 生成，但「哪一段需要视觉變化」是腳本階段就要標記的。這也是為什麼這類影片的腳本不能只寫台詞，還要寫「視覺提示」。
5-3 案例三：品牌形象片
目標：建立信任與情感連結，通常 60～120 秒。
分工：人類主導一切——從品牌核心價值、敘事主軸、到每一顆鏡頭的情緒曲線。AI 只負責「難以實拍」的鏡頭（例如大遠景、特殊場景、抽象概念視覺化）。
實作要點：形象片最忌諱「AI 感太重」。因為一旦觀眾感覺這是生成的，信任感就會下降。所以這類影片的策略是：能實拍就實拍，AI 只補缺口。而且 AI 鏡頭要與實拍鏡頭在色調、顆粒感、光比上做統一，否則剪在一起會很出戲。
六、五個最常見的踩坑與解法
6-1 誤區一：把 AI 當導演
最常見的失敗模式，就是打開工具、輸入一句話、期待它給你一支片。這等於把導演的工作丟給一台統計機器。
解法：把 AI 當成「執行力極強但沒有主見的團隊」。你要給它明確的 brief，它才會交出你要的東西。Brief 的完整度，決定成品的上限。
6-2 誤區二：腳本寫太滿，不留呼吸空間
新手常把每一秒都塞滿台詞，結果觀眾來不及消化，中途就滑走。好的影片有留白：一個空鏡、一個停頓、一段只有音樂的畫面，都是讓觀眾「把資訊放進腦子」的時間。
解法：剪完之後，把速度放慢 0.9 倍看一遍。如果覺得「有點空」，那通常是剛剛好；如果覺得「很順」，那通常是太快了。
6-3 誤區三：忽略角色一致性，導致剪接崩壞
同一個人物在不同鏡頭裡長得不一樣，是 AI 影片最常見的破綻。
解法：前期就規劃「低辨識度角色」——多拍背影、手部特寫、剪影、遠景，少拍正面大特寫。或者使用同一個角色的參考圖（reference image）鎖定外貌，並在提示詞中固定描述（髮型、衣著、年齡）。
6-4 誤區四：沒有統一的視覺規範
二十個鏡頭來自二十次生成，結果色調五花八門，剪起來像別人的作品合輯。
解法：先定一份「視覺規範」：主色調、對比度、顆粒感、運鏡風格、景別偏好。之後每次生成都掛上這組關鍵字，後期再用調色做統一。
6-5 誤區五：只用 AI 生成，完全沒有真實素材
純 AI 生成的影片，看到第三支就會開始疲乏。觀眾的眼睛很挑，它會偵測到「缺少真實世界的雜訊」——灰塵、手抖、不完美的光、意外的路人。
解法：故意混入 20～30% 的實拍素材、手機側拍、真實音效。這些「不完美」反而讓影片更有說服力。
七、工具鏈與成本結構：一個人也能做出團隊級產出
很多人卡在「工具太多不知道怎麼選」。其實你只需要五個環節，每個環節挑一個主力工具就好，不要貪多。
腳本與分鏡：任何文字工具皆可，重點是建立自己的分鏡表格模板。
圖像生成：用來做角色參考、場景概念圖、字卡背景。
配音與音樂：語音合成＋授權音樂庫，這是最容易被低估的一環。
剪接與輸出：傳統剪輯軟體搭配自動字幕、自動去背的外掛。
成本結構上，最大的改變是「邊際成本趨近於零」。傳統影片的第二支版本要重拍、重剪、重配音；AI workflow 裡，第二支版本可能只是換一組提示詞、換一段旁白。這代表你可以用同樣的時間，做十倍的測試量。而在注意力市場裡，測試量就是勝率。
八、未來三年：腳本能力會變成最稀缺的資產
當生成成本趨近於零，供給會爆炸。所有人都能做出「看起來還不錯」的影片時，稀缺的東西會轉移。
過去稀缺的是設備與技術——會拍、會剪、會調色的人很值錢。現在這些門檻正在被工具抹平。
未來稀缺的會是觀點與結構——知道要對誰說話、知道第一句話怎麼下、知道什麼該留白、知道哪個細節會讓人起雞皮疙瘩。而這些能力，全部集中在一個地方：腳本。
所以現在最值得投資的技能，不是學更多 AI 工具的操作，而是把「寫腳本」這件事練到極致。工具三個月換一代，腳本能力十年不會過期。
結語：最好的組合，是「人決定要說什麼，AI 決定怎麼說得漂亮」
回到最初的問題：AI 影片 workflow 裡，人類與 AI 該怎麼分工？
我的答案很簡單：人類負責「為什麼」與「說什麼」，AI 負責「怎麼做」與「做多少」。
人類寫腳本，因為只有人知道觀眾的痛點在哪、品牌的位置在哪、那句話講出來會不會有人笑。AI 生成，因為它可以在十分鐘內給你二十個版本，讓你挑出最好的那一個，然後再給你一百個變體去投放測試。
這不是「人類被取代」的故事，而是「人類的判斷力被放大」的故事。工具愈強，判斷力愈值錢。
所以，下次打開 AI 影片工具之前，先花三十分鐘寫好你的腳本。那三十分鐘，會決定你這支片是「又一支 AI 影片」，還是「一支有人想看完的影片」。
先把故事想清楚，剩下的交給機器。這，就是目前最強的組合。
```
💬 想說點什麼？
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →