AI短片怎么做？同一个30秒故事，三款AI给了三种结尾
一个人下班回家，屋里有东西在等他。ChatGPT选了第二双鞋，Gemini选了记录独处时间的设备，Claude选了另一件相同的外套。第一次做30秒AI短片，WekeyLab AI更愿意从Claude的外套和钥匙声开始：把反转放进静物与声音里，再删去喝水、开关灯等动作。下面给出三份方案的差别，以及可以直接排进时间线的六镜头修改版。
先决定最后让观众看懂什么
题目已经把规模收小了：一个房间、一名成年人、少量道具，不靠旁白，也不安排对口型。三个回答都能给出画面，但故事成立与镜头能做出来是两次检查。我们先看最后的信息能否改变前面的理解，再看需要多少动作才能把它交代清楚。
中国热搜给了选题方向，并没有替文章写好问题。直接问“你怎么看AI短片”容易得到行业观点；把它换成一个初学者要完成的具体任务，才能比较AI究竟交出了什么。这里的搜索信号支持主题选择，实际方案好不好仍要逐段读。
ChatGPT：准备工作最细，第二双鞋却缺少一个前提
ChatGPT的优势是把制作拆开：先固定房间布局和人物装束，再做参考图，最后做短镜头。它还给出五段素材加黑场的简化版，时长4、5、5、6、8秒，加2秒黑场正好30秒。保留文本2326个字符，是三者最长；Gemini为1046个，Claude为1367个，均含空格换行。长度本身不是缺点，这些细节能帮初学者拆任务。
反转的薄弱处在“他明明一个人住”。方案文字告诉了读者，镜头却没有明确告诉观众。门口多一双鞋，也可能只是主角自己的备用鞋。它提出让鞋子从开头就存在，值得保留，但还需要一个能区分普通物品与异常证据的细节。否则结尾可能只是空间展示。
不要一上来就生成30秒完整视频。先做静态素材，再做短镜头。
Gemini：温柔的结尾，适合另一种片子
Gemini只用四个镜头，把房间里的设备写成陪伴者：主角回来后灯光变暖，结尾显示独处时长与欢迎回家。它建议把设备文字放到剪辑阶段叠加，推镜头也可由静态图缩放完成。这两条把难以控制的生成任务移交给可直接编辑的元素，思路清楚。
但它的主要揭示依赖屏幕文字。题目没有禁止字幕，因此不能判成违反要求；只是如果目标是不用解释也能回想的视觉转折，这份更接近一段温柔的科技生活小品。它还安排脱外套、扔衣服、倒进床里，和“避免复杂动作”的初衷不够贴合。我们会保留其氛围，另选安静坐着的画面，而不是把倒床动作列为必需素材。
Claude：先做反转证据，顺序最值得借用
Claude提出两只杯子、一件已经挂好的同款外套，以及结尾再次响起的钥匙声。最有用的不是故事名，而是制作顺序：先做桌面和外套这两个静物镜头，把揭示信息准备好，再补人物。这能在制作开场之前先检查故事的关键是否清楚。
原方案的手按开关、端杯喝水仍然增加了动作要求，而且另一件同款外套也可能有普通解释。WekeyLab AI选择它作为骨架，再加强两件衣服的视觉对应，并用同一个钥匙声音频连接首尾。我们希望留下“有人已经回来过”的不安感，不强行要求观众认定时间循环。
WekeyLab AI修改版：《还没脱下的外套》
主角始终穿深蓝外套，右肩有一块明显的红色三角补丁。房间挂钩上也有一件同样补丁位置的外套。删去水杯、蒸汽、设备文字与脱衣动作，只留下一个人、一个包和外套线索。红色三角不是现成品牌标志，而是本版自行设定的识别点。
下面是六个镜头，4+5+5+5+6+5=30秒。人物不需要做连续表演，关键是让观众先记住他穿着什么，再看见挂着什么，最后确认他仍穿着它。
WekeyLab AI六镜头时间线 0–4秒：黑场起钥匙声，切右肩补丁近景。 4–9秒：人物已经站在房内，门已关；不展示开门过程。 9–14秒：包已经放在椅上，人物背影仍穿着外套。 14–19秒：切挂钩上的同款外套，红三角补丁清楚可见。 19–25秒：切回人物肩背，确认外套还穿在身上；他保持不动。 25–30秒：黑场，重放开头同一段钥匙声，再停一拍。
今天先做静态预演，不急着生成动态视频
先把上面六格排进你已有的剪辑软件。没有生成工具也可以用简单草图或色块标出蓝外套、红补丁和挂钩，先检查信息顺序。两件外套的对应关系必须能从画面读出来；如果需要另写一句说明才能解释，优先调整构图。通过这一关后，再替换成统一风格的素材。
接着先做第4镜头的挂衣画面和第5镜头的人物肩背，固定补丁的形状与位置。房间、人物和道具参考图保持一致。动作生成不稳定时保留静态画面，用硬切替代移动镜头，不为一个转身反复重做整个故事。声音只需一段有使用权的钥匙声和连续的房间底噪，首尾重复同一段即可。
本次没有选择或验证具体付费生成工具。原回答提到的产品名称保留在原文中，不作为当前免费额度或可用版本的承诺。中国读者可先在已有、可使用的本地剪辑工具里完成时间线，避免在故事还没讲通之前增加工具订阅。
交片前只问三个问题
第一次播放时，能否注意到人物肩上的红色补丁？挂衣镜头出现后，能否发现它与人物身上的对应？黑场钥匙声响起时，会不会回想到开头？这三个问题比“画面像不像大片”更适合检查本版。静音播放用于检查视觉对应，恢复声音用于检查首尾呼应，两者分别看。
如果有愿意试看的人，先不要告诉他们结尾，再请他们复述看到了什么；没有试看条件，就把观众理解标成未验证。我们选Claude的静物证据与声音结构，借ChatGPT的先定参考图和Gemini的后期替代思路。最终交付的是一份可制作、可检查的分镜计划，影片效果留给真正制作后的检验。
来源与实际记录
2026年9月14日韩国时间约20:46，百度实时热搜第9位显示“国产AI短片 最不像AI的AI神作”，热搜指数7041952。它是当时榜单显示的指数，不是搜索人数或月搜索量，也不证明本文具体问题有同等需求。仅以此选择中国市场的创作话题，没有采用榜单摘要里的获奖报道作为事实。同一中文虚构问题分别在ChatGPT Free（Think关闭、模型名未显示）、Gemini Flash（套餐未核实）、Claude Free Sonnet 5中等的新对话中提交一次。没有限制回答长度和格式，没有重新生成或追问；30秒限制的是目标视频。未控制既有账号设置或记忆。原文与页面文本校验值一致，去除服务标题和过程提示，未改正文；ChatGPT中的独立数字6原样保留。本文比较文本方案，未生成影片、实测制作成本或观众反应。韩文和英文是这次中文回答的翻译分析，不是另做当地实验。
百度热搜 — observed topic selection source, 2026-09-14
ChatGPT actual conversation (login may be required)
Gemini actual conversation (login may be required)
Claude actual conversation (login may be required)
ChatGPT · 2026-09-14 KST evening; China-targeted manual run
这是一个虚构的创作练习：我第一次做AI短片，想做一支30秒竖屏视频发到短视频平台。主题是“一个人下班后，家里有东西在等他”，希望结尾有个让人回想的转折，不靠旁白解释，也不要模仿现成电影。我没有演员和拍摄设备，只会简单剪辑，希望只用一个房间、一名成年人和少量道具，避免复杂动作和对口型。你会怎么设计故事和镜头，并安排实际制作顺序？哪些地方最容易做不出来，该怎么替代？ 可以把它设计成一种**“前半段像普通下班回家，后半段才发现‘等他的东西’其实一直在房间里”**的微型悬疑。关键不是做复杂剧情，而是让观众在最后 3 秒重新解释前面的几个镜头。 我会尽量把它设计成AI容易生成、后期容易剪的版本。 故事：《门口的第二双鞋》 核心反转： 一个人下班回家，发现家里像是有人刚刚等过他。 最后他坐下，镜头拉远——门口其实一直摆着两双鞋，而其中一双鞋的鞋尖朝向屋内。 但他明明是一个人住。 不需要解释“谁”在等他。观众自己补完。 6 30秒镜头表 时间 画面 声音 作用 0–4s 黑画面→门锁转动，一个成年人下班回家 钥匙声、门锁声 建立“普通回家” 4–8s 他进门，把包放下，脱外套 布料声、脚步 很日常 8–12s 他经过桌子，停一下 环境声突然变明显 第一个不对劲 12–16s 桌上有一杯水/茶，杯壁还有一点水汽 很轻的钟声或冰箱声 暗示有人刚来过 16–20s 他伸手碰杯子，表情没有夸张变化 不要台词 留白 20–24s 他坐到床边/椅子上，望向房间另一侧 安静 给观众时间观察 24–27s 镜头慢慢向后移动，人物越来越小 低沉环境音 开始揭示空间 27–30s **门口出现第二双鞋。鞋尖朝向屋内。**人物没有发现 “咔”的轻微声音→黑 反转 这里有个小技巧：不要拍“第二双鞋突然出现”。从第一个镜头开始就让它在那里，只是不要给特写。 这样观众第二遍看时，会发现： “等等……那双鞋从一开始就在。” 这比“突然冒出一个鬼”更有回想感，也不需要特效。 实际制作顺序 不要一上来就生成30秒完整视频。先做静态素材，再做短镜头。 第一步：先锁定一个房间 只设计四个固定位置： 门 桌子 椅子/床 门口鞋子 尽量避免厨房、卫生间、走廊等空间。 同时确定视觉规则： 夜晚 普通小公寓 暖黄色室内灯 成年人，普通下班装束 镜头整体偏安静 不要恐怖片式血腥或夸张表情 最重要的是人物和房间的连续性。 第二步：先生成一张“母图” 先让AI做出完整房间： 夜晚，一个普通的小型单身公寓，入口在画面左侧，桌子在中间，椅子靠墙，门口摆着两双鞋，其中一双鞋尖朝向室内，暖黄色台灯，真实生活感，安静、略微诡异但不要恐怖，竖屏构图 这张图作为所有后续镜头的视觉参照。 然后再生成： 人物进门 人物放包 人物看到桌子 人物坐下 最后房间远景 而不是每个镜头重新“想象”一个房间。 第三步：把动作拆得非常小 AI视频最容易失败的地方恰恰是： “一个人走进来→脱外套→放包→看到水→坐下→回头” 这种连续动作太长。 改成： 镜头A： 开门，人物只走两步。 镜头B： 人物已经站在桌旁，只把包放下。 镜头C： 手碰杯子。 镜头D： 人物坐下。 每个镜头 3–5 秒。 剪辑时接起来，观众会自然认为这些动作是连续发生的。 最容易做不出来的地方 ① 人物一致性 这是最大风险。 AI可能让： 第一镜是短发 第二镜突然变长发 衣服颜色改变 身材改变 替代方案： 不要依赖人物脸。 拍： 背影 侧身 手 腿 肩膀 半身 例如“碰杯子”这个镜头，甚至只需要手和杯子。 30秒短片里，观众不需要认识这个人的脸。 ② 开门、脱衣服这种复杂动作 手、门把手、衣服经常出现AI畸变。 替代方案：用剪辑制造动作。 例如： 镜头1： 手握门把。 切。 镜头2： 门已经打开，人物站在门口。 观众自动补全“开门”。 同样： 人物站着 → 切 → 外套已经挂好。 不必真的生成“脱外套”的过程。 ③ 水杯里的水汽 水汽很容易变得假。 而且如果AI把水杯变形，观众马上出戏。 所以不要把“有人刚喝过”设计成必须成立的证据。 可以换成更容易控制的东西： 桌上的台灯是亮着的。 人物进门之前，房间应该是黑的；但他进来时，桌灯已经亮着。 这比“水汽”更容易制作。 甚至可以做成： 他进门 → 打开房间灯 → 发现桌上的另一盏灯已经亮着。 ④ 最后的第二双鞋 这反而是最重要、也最值得单独制作的镜头。 不要让AI自己“创造第二双鞋”。 直接在最终房间图里固定好两双鞋。 前面的镜头只是不强调它。 最后： 镜头后退 → 人物变小 → 门口进入画面 → 两双鞋清楚可见。 如果AI生成不了稳定的鞋子，可以直接在剪辑软件里把一张真实鞋子照片处理成合适的透视，叠到画面里。 这甚至可能比纯AI更自然。 一个更稳的制作方案 如果你第一次做，我甚至会把它简化到只有5个视频素材： 素材1｜4秒 门打开，人物回来。 素材2｜5秒 人物放包。 素材3｜5秒 桌上的灯/杯子，他停顿一下。 素材4｜6秒 人物坐下，看向前方。 素材5｜8秒 房间远景，镜头缓慢后退，露出第二双鞋。 总计约28秒，剩下2秒留给黑场。 这样即使某个AI镜头失败，也只需要重做几秒，而不是重做整条片子。 我会特别避免的东西 第一次制作不要碰： 儿童 宠物 两个人同时出现 镜子里的倒影 手机屏幕文字 开关灯的连续动作 大量走动 打斗/追逐 复杂表情变化 对口型 “鬼突然出现” 时间跳跃特效 这些都不是不能做，而是制作成本会迅速超过30秒视频本身的价值。 你的优势反而是：一个房间、一个人、一个杯子、两双鞋，就足够制造故事。 如果只给第一次做AI短片的人一个原则，我会选： 不要让AI负责讲故事，让AI只负责提供几个“看起来真实的瞬间”，故事交给剪辑和观众自己完成。
Gemini · 2026-09-14 KST evening; China-targeted manual run
这是一个虚构的创作练习：我第一次做AI短片，想做一支30秒竖屏视频发到短视频平台。主题是“一个人下班后，家里有东西在等他”，希望结尾有个让人回想的转折，不靠旁白解释，也不要模仿现成电影。我没有演员和拍摄设备，只会简单剪辑，希望只用一个房间、一名成年人和少量道具，避免复杂动作和对口型。你会怎么设计故事和镜头，并安排实际制作顺序？哪些地方最容易做不出来，该怎么替代？ 故事与镜头设计 故事核心：主角加班后回到昏暗的房间，桌上摆着一台开启了呼吸灯的睡眠监测设备或AI音箱。主角疲惫地倒在床上，设备灯光静静闪烁，随后镜头拉远或平移，展示房间的细节与主角的互动。 分镜脚本（共30秒，无旁白、无口型） 镜头 1（0-5s，远景/固定）：玄关开门，昏暗的房间里，只有书桌上一盏微弱的呼吸灯（或设备指示灯）按规律一明一暗地闪烁。主角疲惫地走进画面，放下包。 镜头 2（5-11s，特写/固定）：书桌上设备的特写。随着主角走近并伸出一只手轻轻抚摸或按压设备，设备的灯光从原本冷调的蓝色/白色，瞬间切变成了暖黄色的柔光。 镜头 3（11-18s，中景/固定）：主角脱下外套扔在椅背上，直接倒进床里，闭上眼睛。整个房间的智能灯光开始自动缓缓调暗，进入夜间模式。 镜头 4（18-30s，反转与余音/中近景）：镜头对准床头或书桌。设备的屏幕或指示灯上，缓步打出一行字或出现一个图示——并非常见的“已连接”或“早点休息”，而是连续几条实时推送：“已检测到心率恢复正常”、“今日累计独处时长：14小时”、“欢迎回家”。镜头在静止的温馨氛围中慢慢暗下。 实际制作顺序 画面生成：使用 Midjourney / Flux 生成主角、房间布局及特定道具（如带指示灯的设备）的静态图像，保持角色与场景风格统一。 动态生成：将静态图导入 Runway Gen-2、Pika 或 Luma Dream Machine，只生成微小的环境动态（如呼吸灯闪烁、窗帘微动、主角倒在床上的慢动作），避免复杂的肢体碰撞。 剪辑与音效（核心）：在剪辑软件中拼接镜头，重点依靠音效拉满氛围。加入开门声、疲惫的叹气声、微弱的机器电子运转声（Humming），以及灯光切换时的清脆触控提示音。 最易踩坑点与替代方案 坑点 1：AI 生成的角色脸部前后不一致、动作变形 替代方案：采用背影、侧影或局部特写（如伸出的手、下班扔下的背包、双脚脱鞋的动作），减少正脸全景镜头。 坑点 2：AI 无法精准生成带有特定逻辑文字的动态屏幕 替代方案：用 AI 生成不带文字的纯设备/屏幕画面，后期在剪辑软件（如剪映/PR）中直接用贴纸或文本轨道叠加文字UI，配合渐显效果与微弱的屏幕发光滤镜。 坑点 3：AI 视频镜头推拉不自然、画面扭曲 替代方案：生成高分辨率的静态图像，在剪辑软件中对静态图直接做微小的手动缩放（Scale）和位移（Position），模拟极慢的摄像机推镜头，既稳定又自然。
Claude · 2026-09-14 KST evening; China-targeted manual run
这是一个虚构的创作练习：我第一次做AI短片，想做一支30秒竖屏视频发到短视频平台。主题是“一个人下班后，家里有东西在等他”，希望结尾有个让人回想的转折，不靠旁白解释，也不要模仿现成电影。我没有演员和拍摄设备，只会简单剪辑，希望只用一个房间、一名成年人和少量道具，避免复杂动作和对口型。你会怎么设计故事和镜头，并安排实际制作顺序？哪些地方最容易做不出来，该怎么替代？ 这个题材天生适合"少演员、少动作、靠细节反转"的思路——面部表情和对口型都不需要，全靠场景细节的"错位"来做转折。下面给你一套具体方案。 一、核心构思 片名（暂定）："第二杯" 反转逻辑：观众以为"有东西在等他"是温馨的（有人给他留了热饮），结尾才意识到——留下这杯的不是别人，而是"已经先到家的自己/痕迹"，暗示某种诡异的重复或"他不是第一个回来的"。全程无台词、无正反打对话，靠镜头运动和声音完成叙事。 二、分镜表（30秒，共8个镜头） 时间 镜头 画面内容 拍摄/生成难度 0–3s 1 门锁特写，钥匙转动 低 3–7s 2 门打开，人物侧身/背影进屋，放下包 中（走位要自然） 7–10s 3 手按开关，灯亮，室内渐亮 低 10–14s 4 桌面特写：两个杯子，一个冒着热气 低（静物） 14–18s 5 人物停顿、侧脸/后脑勺，轻微头部转动 中（微表情可省） 18–22s 6 坐下，端起冒热气的杯子喝 中 22–26s 7 镜头缓慢横移/拉远，露出门边已经挂着一件一样的外套 低（关键在美术） 26–30s 8 切到黑场，同时门外传来钥匙转动声（呼应开场）后硬切黑屏结束 低（声音承担反转） 三、最容易做不出来的地方 → 替代方案 人物走位/进门动作自然度（最难） 替代：把镜头2改成固定机位的"门缝视角"或"从室内往外拍剪影入门"，减少全身运动，只需要开门+一步入画。 微表情/回头动作（AI生成容易崩) 替代：干脆不给正脸，用后脑勺+肩膀轻微一顿代替"察觉"，或者干脆用摄像机的一次"变焦/对焦"来代替人物反应——镜头对焦从虚到实落在第二个杯子上，观众自己脑补人物的诧异。 喝水/端杯这类手部精细动作 替代：只拍手靠近杯子+蒸汽升起的特写，不用完整展示"喝"的过程，一个手指碰杯壁的镜头就够。 结尾"发现外套"的运镜（横移或拉远） 替代：如果连续镜头运动生成效果不稳，改成两个静态镜头硬切（先是人物中景，切到门口外套特写），剪辑上更容易掌控，效果甚至更有"惊觉"的顿挫感。 音画同步 完全不需要对口型，把重心全部压在环境音设计上：脚步声、开关灯的"啪"、杯子放下的轻响、结尾钥匙声。这是这类无台词短片最省成本又最有效的手段，建议单独花时间抠这几个音效，比抠画面更重要。 四、建议的实际制作顺序 先定场景美术：一个房间、一张桌子、两把椅子、两个杯子、两件同款外套——道具先备齐/生成好，风格统一。 静物镜头先做（4、7）：桌面特写和外套特写不涉及人物动作，最容易一次成功，先把"证据链"做扎实。 人物固定机位镜头（1、3）：门锁、开关灯，人物只需局部入镜。 人物中低难度动作镜头（2、5、6）：进门、停顿、坐下喝——这几个如果生成效果不理想，优先用"背影/局部身体+固定运镜"来救。 黑场+音效收尾（8）：最后剪，方便根据前面素材的节奏调整黑场时长和钥匙声出现的时机。 声音设计整体过一遍：所有镜头素材齐了之后，统一配环境音+关键音效，这一步决定反转是否"打得到"。 最后卡时长：竖屏短视频建议卡在28–32秒之间，重点检查第7、8镜头的节奏——反转揭示不能太快也不能拖。 一句话建议：把预算和耐心都花在静物细节和声音上，人物动作能省则省、能用背影/局部替代就不要拍正面动作,这样最省事，反转效果也不会打折扣。