从脚本到视频:分步指南
你有一个脚本。常见的错误是把整个脚本粘贴到一个提示词框中。正确的做法是将其拆分为镜头,为每个镜头指定运镜,单独录制台词,然后将片段剪辑在一起。这里有一个 66 词的脚本,我们将展示如何将其制作成成品。
- 13 分钟阅读
本文由英文自动翻译。阅读原文
本指南将演示如何把一个剧本从页面变成 MP4 视频。这个剧本共 66 个词,分为四个节拍,每个节拍都生成了一段 6 秒的片段:其中三段使用 Kling v3,屋顶场景使用 Seedance 2.5,每段都应用了编排器芯片行中的镜头运动。旁白由 ElevenLabs v3 生成,音乐由 Lyria 3.5 生成,剪辑在 Studio 中完成并导出。这里展示的每个片段和静帧都是为编写本指南而制作的真实输出,所有演员均为虚构。
首先需要了解一点:这是制作带旁白视频最快且诚实的方式,并且它特意让每个镜头出现不同的人。如果你的剧本需要在每个镜头中保持同一角色,那是另一项任务;请参阅短片指南。
常见错误
| 错误 | 失败原因 | 修正 |
|---|---|---|
| 将整个剧本粘贴到一个提示词中 | 模型会将其视为一段长描述,并返回一个没有剪辑的通用片段 | 每个节拍对应一个镜头,时长 4 到 8 秒,每个镜头使用独立的提示词 |
| 描写感受而不是画面 | “她感到迷茫”无法给镜头提供任何视觉内容 | 描写镜头看到的内容:地点、光线、一个动作、画幅大小 |
| 要求视频模型朗读剧本 | 原生语音成本更高,容易偏离文字,且无法重新调整时间 | 在音频编辑器中单独录制语音,并将其铺在剪辑下方 |
| 忘记设置镜头 | 每个镜头都返回为固定的远景,剪辑效果像幻灯片 | 为每个镜头选择镜头运动预设:钩子部分用推近,揭示部分用升降 |
| 随意决定演员的服装 | 未描述的夹克可能敞开或缺失 | 明确说明服装、闭合方式和颜色 |
开始之前
- 60 到 90 字的脚本。以平稳语速朗读约 25 到 35 秒,对应四到六个镜头。
- 每个镜头一行,说明地点、人物、一个动作和景别(远景、中景、特写)。
- 一个 NOLGIA 账户。新账户赠送 350 免费积分,每个镜头的价格在点击生成按钮前显示。
- 无需上传。这里的每个镜头都是文本生成视频。
At two in the morning the city belongs to the ones who are still awake. The dancer in the empty car park, rehearsing for nobody. The chef closing up, lit by the last blue flame. The two friends on a rooftop who missed the last train and did not mind. The taxi driver singing to an empty back seat. Nobody is watching. That is the point.将脚本转化为镜头列表
大声朗读剧本,并标记画面变化的位置。在我们的示例中,画面变化了四次,每句关于人物的台词对应一次变化,因此镜头列表有四行。开头一句和最后两句是旁白,分别覆盖在第一个和最后一个镜头上,而不是独立的镜头。
| 镜头 | 画面 | 运镜 | 镜头所见 | 秒数 |
|---|---|---|---|---|
| 1 舞者 | 全景 | 推近,中景 | 空旷的停车场,潮湿混凝土上的琥珀色钠灯,一名舞者独自站在中央 | 6 |
| 2 厨师 | 中景 | 左移,轻微 | 昏暗的厨房,一个燃气灶还亮着,厨师擦拭台面并关掉火 | 6 |
| 3 屋顶 | 背面全景 | 升降,中景 | 两名朋友坐在边缘,背对镜头,身后是城市天际线 | 6 |
| 4 出租车 | 中景,从后座拍摄 | 手持,轻微 | 司机唱歌并敲击方向盘,玻璃上映着雨水和琥珀色的街灯 | 6 |
提示:像服装部门那样描述服装. 说明服装名称和闭合方式,模型就会保留这些细节。提示词写着“黑色连帽运动套装,夹克拉链拉到下巴”,那么在整个舞蹈过程中,夹克都会保持拉链拉上的状态。
在视频编辑器中生成每个镜头
打开视频编辑器。在 开始方式 下,保持选择 文生视频。通过提示词上方的芯片选择模型:我们为舞者、厨师和出租车选择了 Kling v3(菜单中显示为 Kling 3.0),因为它能让运动中的身体看起来更真实;为屋顶场景选择了 Seedance 2.5。输入镜头的提示词,然后在 运镜 行中点击一个芯片并选择强度。编辑器会在芯片下方显示它将添加到你的提示词中的确切句子,并且绝不会改写你输入的内容。
- 将 时长 设置为 6 秒,并将形状设置为 16:9。Kling v3 可渲染 3 到 15 秒,Seedance 2.5 可渲染 4 到 30 秒;编辑器仅提供模型能够生成的时长。
- 生成视频 按钮上显示价格。这是针对当前模型、时长和质量的实时报价,也是你将被收取的费用。
- 每个镜头按一次 Generate。每个片段都会出现在你的素材库中,以及表单下方的最近生成列表中。
A multi-storey car park at night, empty, wet concrete floor reflecting a row of amber sodium lamps, thin haze. A young woman with cropped bleached hair wearing a black hooded tracksuit with a thin white stripe, the jacket zipped up to the chin, black cargo trousers and white trainers, dances alone in the center of the frame, a slow controlled groove, arms cutting through the haze. Wide shot. Cinematic, anamorphic flare on the lamps, fine film grain. No text, no logos.



SHOT 2 (Truck left, subtle): A small late-night restaurant kitchen, stainless steel, most lights off, one gas burner still lit with a blue flame. A young chef in his twenties with dark messy curls and a small gold hoop earring, a black apron over a white tee, wipes down the steel pass, then reaches over and turns the burner off; the blue flame throws cool light on his face against warm amber pendant lights behind him. Medium shot, shallow depth of field, thin haze, cinematic. No text, no logos.
SHOT 3 (Crane up, medium, on Seedance 2.5): A city rooftop at night, two friends in their twenties sit side by side on a low ledge with their backs to the camera, a man in a red puffer jacket and a woman in a long camel coat; beyond them an anonymous city of dark rooftops and plain distant towers with small warm window lights, no famous landmarks, a hazy sodium glow in the sky, wind in their hair; one laughs and leans against the other. Wide shot from behind, haze, cinematic. No signs, lettering or logos anywhere.
SHOT 4 (Handheld, subtle): Inside a taxi at night, seen from the empty back seat: the driver, a young man in his twenties with a buzz cut, a thin gold chain and a vintage navy track jacket, sings along to the radio and taps the wheel, rain on the windscreen, streaks of amber streetlights and red traffic lights sliding across the glass and his face. Shallow depth of field, cinematic, film grain. No text, no logos.

注意:生成只需一次点击,价格即为扣费金额. 没有确认步骤。按钮上的数字是服务器针对此模型、时长和质量给出的报价,其他价格的提交会被拒绝,因此你看到的价格就是实际扣费金额。
在音频合成器中录制旁白
打开音频编辑器,选择旁白,将整段脚本粘贴为提示词并选择一个声音。我们使用了 ElevenLabs v3,声音为 Rachel,速度为 0.95。文本转语音按脚本长度计费,因此按钮上的价格会随着你的输入而变化。我们的 66 个单词生成了 25.2 秒的音频。
对于音乐,同一个编辑器可以根据描述生成配乐。我们向 Lyria 3.5 请求了一段适合夜景城市电影的缓慢合成器脉冲,并使用了前 30 秒作为剪辑背景音。描述应侧重于情绪和节奏,而不是画面。
A slow, moody synthwave pulse at 84 bpm for a night-time city film: warm analogue pads, a soft side-chained bass, distant reverb, no drums until the second half, no vocals, cinematic and intimate
在 Studio 中剪辑
打开 时间线 并按 新建时间线;系统会先要求选择项目,因此请新建一个。在左侧的媒体栏中,打开 素材库,找到每个镜头并按其 +:片段会落在播放头位置的新轨道上。按 End 键将播放头移动到现有内容的末尾,然后再添加下一个片段,这样四个镜头就会按顺序排列。然后按 Home 键,以同样的方式添加旁白和配乐;它们会落在画面下方的音频轨道上。
- Studio 会自动保存。没有保存按钮。
- 2 分钟的配乐比剪辑时长更长。将播放头移到画面末尾,在未选中任何内容的情况下按 C 键以分割其下方的所有片段,点击配乐的尾部并按 删除。
- 当剪辑按你想要的方式播放时,在标题栏中按 导出视频。MP4 文件会免费存入你的素材库。


注意:最后一句落在黑屏上. 四个 6 秒的镜头共 24 秒画面,而旁白时长为 24.6 秒,因此我们让时间线运行到 25 秒:最后几个字落在黑屏上,配乐随画面停止。为避免这种情况,请少写一个词,或将最后一个镜头设为 8 秒。在 Studio 的音频检查器中为配乐添加 淡出,可以柔化结尾。
完成的作品

二十五秒,四位演员,一个声音。其中没有任何镜头需要跨镜头匹配面部,这正是这种形式快速的原因。
不同任务使用不同工具
| 任务 | 位置 | 原因 |
|---|---|---|
| 从文本生成镜头,每个节拍一个 | 视频合成器,文本转视频 | 摄像机运动选项、实时价格、16:9 比例、6 秒 |
| 角色外观跨镜头一致性(服装、道具、布景) | 角色加上图像合成器,然后使用“动画化图像” | 参见短片指南 |
| 旁白和音乐 | 音频合成器 | 语音按字数计费,音乐按时长计费 |
| 剪辑和导出 | Studio,从时间线开始 | 修剪、叠加音频、免费导出 |
| 无需手动操作的首稿 | NOLGIA Agent | 粘贴脚本并请求生成镜头;你仍需审查每一个 |
仍需重新生成的情况
- 未要求的文字。 在我们对 Kling v3 的一次屋顶测试中,天际线中的一座塔楼带有发光的招牌带。当将天际线描述为实际存在的内容(黑暗的屋顶和窗户灯光)时,Seedance 2.5 渲染出了干净的画面。如果你希望镜头中有招牌,请准确说明其内容;如果文字出现乱码,请重新生成该镜头。
- 结尾的走向镜头。 三个舞者镜头都跳了大约四秒钟,然后走向镜头,包括在提示词末尾重复动作的那个镜头。在开始走动时裁剪镜头,或者像我们那样将其保留为结尾。
- 动作时间不足。 厨师在最后一秒才去够旋钮,镜头结束时火焰仍然亮着。将动作放在提示词的更早位置,或者给镜头 8 秒时长。
- 声音。 Kling v3 在合成器中渲染自己的声音;我们制作这些镜头时没有使用它,因此旁白和配乐构成了完整的音轨。如果某个镜头的声音与配乐冲突,请在 Studio 中静音其轨道。
- 时长。 需要多个动作才能完成的一个节拍,应该拆分为两个镜头,或者在同一模型上使用“延长”选项。
费用说明
每个镜头的费用取决于模型、时长和质量,旁白费用取决于脚本的字符数,音乐费用按每次生成计算。剪辑和导出是免费的。实时费率如下所示。
Kling v3Pro and up
Per 5s clip (audio on by default)
720p 35 积分 · 1080p 47 积分 · 4K 117 积分
Seedance 2.5Pro and up
Per 5s clip
480p 26 积分 · 720p 56 积分 · 1080p 137 积分
1080p renders at 16:9 and 9:16
ElevenLabs v3Every plan
Per 1,000 characters
Standard 6 积分
Lyria 3.5Every plan
Per generation
Standard 5 积分
页面加载时从目录实时读取。 所有价格都会在生成前显示。 查看所有费率.
检查清单
- 朗读脚本并计时;每个画面变化对应一个镜头。
- 每个镜头提示词都指明地点、光线、一个动作、画面尺寸和服装。
- 为每个镜头选择一个运镜预设,并设定强度。
- 旁白单独录制,音乐通过情绪和节奏来描述。
- 在 Studio 中剪辑镜头,将人声与第一个镜头对齐,并在人声与配乐冲突的地方静音原声。
- 导出一次,在分享前从头到尾观看一次。
亲自尝试
上面的四个提示词、旁边标注的镜头参数、Kling v3 的 6 秒和 16:9 设置(屋顶镜头使用 Seedance 2.5),以及粘贴到音频编辑器中作为 ElevenLabs v3 配音的脚本,可以重现这个作品。模型每次生成的结果都不同;场景和服装由文字决定。
片段
常见问题
- 一个视频能容纳多长的脚本?
- 60 到 90 个单词对应 25 到 35 秒的语音时长,即四到六个 6 秒的镜头。更长的脚本采用相同的方法,只需在镜头列表中增加行数。计算秒数:我们的 66 个单词比四个 6 秒镜头的总时长多出 0.6 秒。
- 我可以把整个脚本粘贴到视频编辑器中吗?
- 你可以,但你会得到一个试图展示所有内容的片段。每个节拍一个镜头才能让你拥有剪辑、镜头运动和可调整的人声。
- 每个镜头中都会出现同一个人吗?
- 使用这种方法不会;每个镜头都有各自的表演者,这是有意为之。若要在多个镜头中保持同一角色,请保存一个角色,并从帧开始构建镜头,正如短片指南中所述。
- 为什么不让视频模型直接说台词?
- 每个镜头的成本更高,台词可能会偏离,而且你无法根据剪辑重新调整配音的时间。单独的旁白更便宜,并且保持可编辑。
- 镜头应该使用哪个模型?
- 对于有身体动作的镜头使用 Kling v3,对于 Kling 在背景中绘制了标志的镜头使用 Seedance 2.5。Veo 3.1 适用于镜头中直接说出的台词;这种方法单独录制声音,因此不需要它。
- 如果镜头生成失败会怎样?
- 运行会停止,积分会退回。当按钮上的价格符合你的预期时,再次按“生成”。
将你的脚本转化为镜头
打开视频编辑器相关教程
影视制作
用 AI 制作短片:从剧本到最终剪辑的流程
一部 25 秒的短片《末班车》,从五行剧本到调色完成的剪辑:一个保存的角色、一个保存的地点、一个道具,先做帧,再做镜头、声音、Studio,最后导出到 Premiere 或 Resolve。
· 13 分钟阅读
影视制作
使用 NOLGIA Agent 将剧本转化为故事板和镜头列表
NOLGIA 没有故事板工具。诚实的做法是使用 Agent:粘贴剧本,要求生成镜头列表和每个镜头的一帧画面,并审查它生成的真实转录文本和帧画面。
· 11 分钟阅读
影视制作
NOLGIA 代劳 DIT:复制、校验并命名你的相机存储卡
将相机存储卡复制到两个驱动器,逐一校验副本与原始卡是否一致,并生成 ASC MHL 清单、DIT 报告和命名文件。免费,在你的本地电脑上运行。
· 8 分钟阅读





