AI辅助喜剧视频创作：从选题到成片的完整工作流

先讲一个我自己踩过的认知偏差：最早我把“AI辅助创作喜剧视频”理解成“自动剪片神器”——素材丢进去，AI帮我挑出最搞笑的瞬间。真做了几个短片才发现，我缺的根本不是剪辑时间，而是“一个能让我自己先笑出来的点”。后来我把重心改成让AI帮我解决选题、脚本和节奏，折腾了几轮之后，才算有了一套比较稳定的AI辅助创作喜剧视频工作流。这篇文章就把这套流程拆开说，包括提示词怎么写、配音和画面怎么配合、哪些地方我强烈不建议让AI碰。

1. 为什么AI辅助会先帮到“剧本层”，而不是画面层

现在一提“AI做视频”，很多人第一反应都是“输入一句话，直接生成一条搞笑视频”。我的结论比较泼冷水：目前直接生成画面的随机性太强，画面好不好看反而没那么重要，最核心的“笑点设计”才是卡住绝大多数人的地方。而剧本层恰好是对话式AI最能稳定输出的环节，因为它本质上是在做“结构化地发散”，不是凭空拍摄。

1.1 喜剧视频的生产流程里，最卡壳的是哪一环

我平时做一个一分钟以内的搞笑短视频，大致会经历：灵感、选题、脚本、分镜、素材收集、拍摄或找图、配音、剪辑、字幕、检查发布。听起来环节很多，但真正导致项目“烂尾”的往往不是剪辑软件不会用，而是：

• 想不出一个值得拍的选题，刷了两小时手机还是不知道拍什么；
• 有一个选题但没有三五个包袱，勉强拍出来自己看着都尴尬；
• 脚本写出来像“说明文”，每句话都对，但没有任何让人想发评论的冲动。

我做过一个小统计，给自己过去的二十多个特效短项目打分，失败的十个里面有七成是死在“选题没意思”或者“脚本不好笑”，只有三成是画面或声音出问题。这个比例直接决定了我把AI放在哪个环节：先帮我把“没想法”变成“有素材”，把“有一句话”变成“有结构”。

1.2 对话类AI真正能帮上忙的是“结构化地发散”

很多人说AI写的笑话很冷，我觉得这不是AI的锅，而是提示词太懒了。你如果只扔一句“帮我想个搞笑视频选题”，它只能回给你一堆“日常趣事、办公室尴尬、恋爱乌龙”这类正确但无聊的大路货。

我试下来最有效的做法，是给AI一个“素材包”，让它基于你的具体人设、观看群体和场景去发散。你可以把你想要的元素列成一个固定清单，比如这样：

背景：我在做一个1分钟以内的搞笑短视频。 角色：一个平时看起来很专业、但一进厨房就手忙脚乱的人。 观众：20-30岁的上班族，刷手机的时间在晚上和午休。 场景：第一次照着教程做某个复杂料理。 冲突：教程里每一步都说得轻松，主角每一步都在翻车。 请给我10个具体方向，每个方向用一句话说清笑点，不要展开，不要写“在某个阳光明媚的下午”这种废话。

这个提示词的关键，不是“让AI直接定稿”，而是让它输出足够多的候选。候选越多，你越容易在里面看到一个“虽然不完整但方向很对”的种子，然后你用自己的幽默感去把这个种子改大。这个过程很像你带了一个不知疲倦的策划助理，它不负责拍板，只负责在会议室贴满便利贴。

1.3 AI的“受众感”需要你来补

AI其实不懂“你的观众是谁”。它见过大量文本，知道“人类会把什么东西标注成搞笑”，但它不知道你的频道是一个吐槽职场节目，还是一个人设是“社恐猫”的动画账号。所以我在跟AI合作时，一定会用一句话把账号气质写进去。

比如同一个翻车题材，给两个不同的账号写，方向完全不一样：

• 如果是“反差人设”账号：主角嘴上很自信，行为却很怂，笑点在“装”和“垮”之间切换。
• 如果是“毒舌点评”账号：主角不做饭，只站在旁边每步都点评，笑点在“语言挑衅”和“现实打脸”之间切换。

把这些写进提示词后，AI产出的内容才不是“通用的搞笑”，而是“你这个账号里应该出现的搞笑”。这一步是最多人忽略的：AI不是你，它不知道你的人设边界是什么，你不告诉它，它就只能给你平均值。

2. 让AI给你选题和梗，而不是让它决定笑点

我见过很多教程，上来就让AI生成十个笑话，然后直接挑一条进脚本。这个流程最大的问题在于：AI写出来的笑话可能语法完整、逻辑通顺，但它不知道你的观众会不会在那个瞬间笑。所以我的策略是：让AI负责“生产”和“组合”，人负责“挑选”和“删减”。

2.1 把“逗乐大家”改成“具体对象+场景+冲突”

最无效的选题问题是“帮我找个好笑的点”，最有效的公式是“某个熟悉的人，在某个熟悉的场景里，遇到了一个让人不服气的冲突”。

举个例子，我最近在做一个关于“跟着教程学做饭”的短片。如果让AI自由发挥，它大概率会写：主角把糖当盐放了、烤箱冒烟了。这些不是不能用，而是太常见了，观众看到开头就能猜到结尾。于是我换了个问法：

请列出一件“生活里看起来很应该很简单、但实际做起来让人原地崩溃”的小事，不要做饭，不要挤地铁，要那种说出来别人会觉得矫情、但经历过的人会狠狠点头的事。

AI给了十几条，里面有一条让我自己停了两秒：“给手机贴膜，贴了三张，每一张都有气泡，最后没贴膜了。”这条为什么值得用？因为“做饭翻车”是表演给观众看的，而“贴膜气泡”是每个人心里都攒过的火，共鸣感更强。选题一旦有了共鸣，后面你甚至不用太多画面，观众自己会联想。

2.2 “预期违背”和“错位”是最好用的两个放大镜

我不管跟AI合作什么类型的喜剧视频，都会在提示词里带上两个词：预期违背，错位。这是我的个人经验，它们比单纯喊“夸张一点”可靠得多。

所谓预期违背，就是先建立一个理所当然的语境，然后在最后一秒把它拆掉。比如我让AI写“一个人深夜加班突然来了精神”，它如果写“喝了一杯咖啡”，那就没意思。我把它改成：

请写五句“深夜加班时突然清醒”的台词，最后一句必须违背前面所有铺垫。比如：我决定不睡了，我决定把电脑盖上的时候顺便把明天也给请了。

所谓错位，就是把一个东西放进它不该出现的位置。比如“用相亲的方式买水果”，或者“用汇报PPT的方式给猫解释为什么今天没有罐头”。AI对这类指令很擅长，因为它见过大量“不同领域词汇拼接”的文本，只要你的提示词给了它两个可以碰撞的领域，它就能批量制造候选。

我给一个初学者的提示词模板是：

找出两个完全不搭的领域A和领域B，把A里的常见动作、话术或规则，完整套在B场景里，写5条，每条不超过3句话。

我试过最成功的一条，来自“健身教练的话术”套在“让朋友帮忙搬冰箱”上。那个梗我改了三遍才用，但初稿给了我很重要的骨头。

2.3 用“人工删减”来控制笑点密度

AI的问题是，你让它写十个笑点，它真的给你十个，而且每个都像“硬挤出来的”。实际剪辑时，十个笑点塞进一分钟里，观众不仅不会笑，还会觉得累。这一点我吃了很多亏。

现在我的习惯是：让AI给十五个候选，我只留两个，最多三个。怎么判断留哪个？我会把候选读出声，看我自己在哪个地方“嘴角有反应”。我嘴角没反应，就说明它只是“逻辑上有趣”，还没有触发真的笑意。你不需要说服自己“这句别人可能觉得好笑”，别人觉得好笑的前提是你要有把握。

具体到节奏，我常用的土办法是：在粗剪时间线上把每个笑点位置标出来，看看开头5秒内有没有钩子、中间是不是有连续超过十几秒没有任何“情绪变化”。如果有大段空白，要么删台词，要么加一个表情反应镜头，要么用配音把语速提起来。这个过程AI帮不了太多，因为它没法替你“生理性地笑一下”。

3. 从“会写”到“好笑”：AI台词改写的三层加工法

很多AI初稿拿过来，其实只要改三步，就能从“能看”变成“能发”。我把这三步叫加工法，因为每一层都是在“人工糙料”上做精修。

3.1 第一层：先让AI“说人话”，丢掉AI腔

AI写台词有个通病：形容词堆得又密又端正，动不动就“仿佛”“不禁”“这一刻”“原来生活”。喜剧视频最怕这种腔调，因为喜剧需要“近一点”的语气，像一个真人在你面前憋不住吐槽，而不是旁白在里面朗诵散文。

我会在提示词后追加一段“禁语清单”：

以下词语禁止出现：仿佛、不禁、宛如、岁月、治愈、温情、深刻、总之。所有台词都必须是口语，能用“然后”就不用“与此同时”，能用“炸了”就不用“发生了剧烈反应”。

如果AI还是写出了很“端”的句子，我会先手动念一遍，念不顺的直接删。台词这个东西，眼睛看着顺和嘴巴念着顺是两回事。喜剧视频里绝大多数台词要能被一秒读出来，观众没空看第二次。

3.2 第二层：加入“动作提示”和情绪提示

AI写对话时习惯只写“说什么”，不写“怎么说、在什么状态下说”。但喜剧的很大一部分就藏在状态里。同样一句“这锅汤好像还行”，面无表情地说和满头是汗手心发抖地说，效果天差地别。

我让AI出脚本的时候，会强制它给每句台词加一个括号状态：

请你按这个格式写： （状态提示）台词内容 状态提示只能是：面无表情、假装镇定、崩溃、摆烂、眼神躲闪、得意、强撑、喊但破音、慢悠悠。

这个格式带来的变化非常明显。原来AI给一长段正经叙述，现在它会拆成短句和小动作，剪辑的时候，画面也跟着有了可以剪的节点。例如：

• （面无表情）我这个人的厨艺，很难用一句话评价。
• （假装镇定）只能说，厨房消防系统认识我。
• （三秒后，崩溃）它刚刚把我的锅认成了一次火灾演习。

3.3 第三层：用“加码”和“转折”把平梗变响梗

AI写出来的初稿往往是一个“安全的搞笑”：不冒犯、不极端、不会让你讨厌。安全不是问题，问题是不“响”。我一般会让AI结合“加码”和“转折”再改一轮。

加码就是让矛盾层层升级：一个笑点说了之后，马上追加一个更离谱的延续。转折则是在你以为笑点已经结束的时候，再翻一层。我举个例子，AI给了“做可颂面包要松弛面团”这个点，平写是：

“我把面团放在那里松弛了半小时。”

加码之后就变成：

“我把面团放在那里松弛，我也在沙发上松弛。三小时后，我醒了，面团还在原地。”

转折之后再变一下：

“于是我决定自己替面团松弛，面团看了我一眼，我觉得它好像想报警。”

这里要注意一个红线：加码不是让AI往冒犯的方向跑。我会在提示词里写“可以离谱，但不要涉及伤害、歧视、政治或任何真实人物”。理由后面专门说，但你必须从一开始就约束住。

4. 画面和配音：被低估的两块AI辅助阵地

脚本改好了，接下来就是把它变成“视频”。这个阶段我反而会用更多AI工具：绘图类模型负责出视觉梗，语音合成负责供声，剪映这类剪辑工具负责自动字幕和卡点。但每一个都有使用前提。

4.1 用AI绘图做“视觉梗”，比AI生成人物稳得多

如果你做的是真人出镜的账号，AI绘图最大的价值不是生成一个“主角替身”，而是生成“只有一张图就能讲完一个脑洞”的视觉梗。比如你吐槽“老板画的饼”，与其真的拍一张饼，不如让AI生成一张“饼上面画满了项目时间表”的讽刺图。这种图卡放在剪辑里，观众一看就懂，不需要真人表演，也就不会出现表演尴尬。

我常用的工作流是：

1. 先用对话AI把视觉梗描述成一句画面提示词，比如“一个巨大的饼皮像外卖订单一样摊开，上面印着各种截止日期”；
2. 再去绘图模型里生成，方向不好就微调描述；
3. 最后在剪辑软件里把它做成“弹出来的字幕卡”，配一个清脆的提示音。

这里有两个坑。第一，AI生成图片里的文字经常是乱码或者错字，如果你需要图上有文字，最好后期自己加字，不要依赖绘图模型直接写；第二，一个系列的视频最好固定同一种画风描述，比如“扁平插画风”或“杂志封面风”，不要让这一期和上一期看起来像两个账号作品。

4.2 动态形象：只在不需要微表情的角色身上使用

现在有很多AI虚拟形象可以代替真人出镜，但我对它们的建议非常保守：喜剧最核心的“微表情”很容易翻车。AI形象适合演“面瘫”类角色，比如一个全程冷漠的老板、一个面无表情的旁白、一个外星人，因为面瘫本身就是笑点的一部分。反过来，如果你要演“尴尬地笑了一下又收回去”这种精细情绪，AI形象目前很难顶住，不如直接真人出镜或者用完全动画化的夸张表情。

我还试过一种很省的用法：让真人只拍手部动作，AI虚拟形象负责“一本正经地解说”。手部翻车和虚拟脸正经之间会产生天然的错位感，观众注意力会被带到动作上，虚拟形象的脸反而不那么容易被关注。

4.3 配音：AI音色+人工标注停顿

AI配音在喜剧视频里其实被低估了。很多人嫌弃AI音色“假”，但“假”不一定是缺点。冷笑话、一本正经的胡说八道、机械音旁白，这类效果用真人配反而容易“太入戏”，AI音色的平直感刚好制造反差。

我用AI配音会重点调四个参数：

我在输入文本时，会直接写“（停顿0.5秒）（重读）”这类提示。很多配音工具是认这些标注的，你要具体试两三次才能摸清它的脾气。如果一句台词是整条视频最大的笑点，我建议不要用AI，自己配一版，哪怕手机录音都比一整段AI配音更有“活人感”。

4.4 剪辑和字幕：AI帮你省时间，但别让它替你做决定

现在剪辑软件里的自动字幕已经很成熟，能省下大量手敲时间，但如果你用的是谐音梗装在方言腔里，机器识别很容易把字写错。错别字在普通视频里只是小瑕疵，在喜剧视频里会直接破坏梗的成立，因为观众看到错误字幕会先“出戏”再“翻白眼”。

我的习惯是：把自动字幕先导成文本，再像改稿一样逐句过一遍，重点检查人名、谐音字、网络热词。转场和卡点也不要滥用。AI在剪辑里的“自动卡点”能帮你把素材对上音乐重拍，但喜剧视频的节奏不该完全跟着音乐走，应该跟着“包袱频率”走。

5. 一次完整实操：从选题到成片的一个36秒喜剧短片

千说万说，不如把一条短视频从头到尾走一遍。我用“模拟项目X”来做例子，这是一个不上镜、纯靠字幕图卡和AI配音完成的短喜剧项目。

5.1 步骤一：定选题和观众钩子

当时我定的目标是：36秒以内，建议看不懂但经历过的人会点头。我给AI的提示词是：

请列出8个“看起来很轻松、做起来让人崩溃”的小事，不要做饭，不要通勤。要求：说出来会被别人觉得矫情，但做过的人会疯狂共鸣。

AI给的候选里，我选了“给手机贴膜，贴三张全有气泡”。这个点我一眼就认了，因为我自己贴膜时会憋着气、出汗、撕了又重贴，是那种“明明是一件小事却让人自尊心受挫”的体验。比做饭翻车更有共鸣。

5.2 步骤二：脚本初稿与人工改稿

AI给的第一版脚本是这样的：

“给手机贴膜，第一步永远是清洁屏幕。第二步，撕开膜，第三步，对准，第四步，按下去。但实际情况是：你没有对准，你没有按下去，你撕起来了。你重贴第二次，屏幕上的灰尘像长出来一样。第三次你决定不贴了，手机裸奔，终于舒服了。”

这版能用，但不够响。我没有直接照抄，而是把“贴膜”和“职场汇报”做了一个错位改写：

“给手机贴膜，本质上是一场个人汇报演出。你表演给手机看，手机面无表情。第一张膜贴出了气泡，你告诉自己这是弹性需求。第二张贴完，屏幕上多了一粒灰，你开始怀疑是不是自己呼吸都有错。第三张，你把膜撕下来的那一刻，手机屏幕亮了，那个光线照在你脸上，你感觉它说了一句：行了，我裸奔我乐意。”

这段话最后是旁白+字幕卡落版：“有些事，忍一忍就过去了；有些膜，撕三次就不必存在了。”我把AI当“原始素材库”，人做“错位嫁接”，这是最关键的差异。

5.3 步骤三：配音和图卡制作

配音我选了AI音色，要求是低沉、认真、带一点播音腔。因为没有真人面部表情，这种声音反而适合“一本正经讲荒谬事”。我在“第二张贴完”前面加了停顿，第三张撕下来那段稍微放缓语速，让观众能跟上画面。

画面我没有实拍，而是用AI绘图生成了三张图卡：

1. 手机屏幕上长出一颗巨大的灰，像一个孤岛；
2. 一个人的手在贴膜，背景是PPT式的项目流程图；
3. 最后一张是手机屏幕发亮，旁边配一句“裸奔快乐”。

第三张的字是我在剪辑软件里自己加的，因为AI画出来的字不可控。成片节奏大概是：开头一个钩子字幕“你给手机贴过膜吗”，中间两段翻车，最后用第三张图卡和旁白收尾。

5.4 步骤四：发布前自查清单

我在发布前有一个固定清单，不需要多复杂，但每条都要过：

• 开头3秒有没有一个“钩子”？如果有，是文字还是画面情绪？
• 整条视频里至少有两个笑点吗？笑点之间的空档有没有超过15秒？
• 字幕有没有错别字？谐音梗有没有被机器识别写毁？
• AI生成画面的风格是否和上一期一致？
• 配乐音量会不会压住人声？如果有音效，是不是都卡在动作节点上？
• 有没有明显需要真人补录的关键句？

这条视频发出去之后，点赞和收藏的反馈都很平常，但有一条评论让我印象很深：“第三张贴完那个光线，我笑出来主要是因为我真干过这事。”这说明选材本身比技巧更能让观众笑：AI给我的不是最终的“包袱”，而是那个“细节”。

6. 边界与避雷：哪些地方我建议关掉AI

最后这部分不是凑数，而是我踩过坑之后总结的“别用清单”。

6.1 效果最差的三个AI用法

第一个是“输入一句话生成全片”。这类工具偶尔能生成视觉上有趣的片段，但喜剧是节奏和容错率的艺术，它很难把梗的铺垫、停顿、翻折控制到让真人发笑的程度。你拿到一个“看起来像电影片段”的视频，不代表它有喜剧节奏。

第二个是“AI主播硬讲段子”。如果整个画面只有一个虚拟头在动，观众的注意力全在那张脸上，任何表情不自然都会被放大。我不否认有做得好的虚拟人案例，但对普通创作者来说，投入产出比太低。

第三个是“让AI自动剪辑挑选好笑片段”。听起来很理想，实际效果往往是“把所有激动人心的画面全选进来”，因为AI理解的情绪和喜剧理解的情绪不是一回事。AI判断的是“声音大、动作快、变化多”，但喜剧恰恰需要留白和反差。自动剪辑可以帮你做粗剪，但“哪两段接在一起会产生笑点”这件事，目前还得靠人定。

6.2 版权与人设：喜剧不能“法外开恩”

喜剧视频最容易让人放松警惕，觉得“我是搞笑，不算侵权”。但涉及真人形象、名人声音、特定标识、他人肖像的恶搞，在很多平台和地区都有明确限制。我的底线是：一切生成内容都用自己原创人物或已经明确可商用的素材；涉及真实声音和形象时，哪怕是想做一个反差恶搞，我也会先想清楚，如果不能确认授权，就换一个方向。AI生成内容还涉及一个“标注问题”，一些平台会要求你把AI生成的内容明确标注出来。这不是什么麻烦事，但这能避免发布后被判定为误导或虚假内容，尤其当剧本里本来就有“一本正经胡说八道”的成分时。

还有一个我在内容安全上比较坚持的原则：喜剧可以调侃自己和常见的窘境，但不要拿灾难、疾病、弱势群体、他人苦难当素材。你永远不知道一条擦边的“猎奇玩笑”，会在推进过程中发酵成什么样子。让AI写“离谱”之前，我会先给它上一道约束：“可以荒谬，但必须无害。”这道约束不是为了保护平台，是为了保护创作者自己。

6.3 AI负责规模，人负责选择

做了一圈下来，我越来越觉得，“AI辅助创作喜剧视频”这句话里最重要的是“辅助”两个字。AI能帮你把一分钟的灵感铺成十分钟的选项，能帮你把一句普通台词扩成三个方向，能一次性生成十几张风格统一的视觉梗素材。但最后选哪一个方向、删掉哪些笑点、在哪一秒让配音停下来，这些判断一定得由人来完成。

我现在做这类视频，已经完全不追求“AI一步到位”。更舒服的协作状态是：我当一个口味挑剔的主编，AI当那个能熬夜也能把退稿重写十遍的写手。它负责把素材端到我面前，我只需要负责那个“我看着不笑就不许过”的判断。这个关系一旦摆正，AI不仅没有把创作变无聊，反而让我把精力留给了最需要人的那一步：真正好笑的那个瞬间。