我先说个挺尴尬的经历。
之前我做过一条 AI 工具类短视频，脚本写了差不多 900 字，看着很完整，开头、观点、总结都有。结果真到拍的时候，我卡住了。
第一段还能出镜口播，第二段开始就不知道该配什么画面。剪辑的时候更难受，整条视频像是在念一篇短文章，画面只能来回切电脑屏幕、头像、字幕，看起来特别干。
那次之后我才意识到：短视频脚本不是把文章写短，而是要提前想清楚“这句话对应什么画面”。
后来我开始用 Gemini 3.5 辅助写脚本。平时我会在元壹AI聚合平台上切不同模型做对比，同一个选题先让 Gemini 3.5 拆画面，再用其他模型润色表达。对短视频创作来说，这种聚合平台的好处很直接：不用来回登录账号，也方便测试哪个模型更适合哪一步。
我现在用 Gemini 3.5 最多的地方，不是让它一口气写完整脚本，而是让它帮我把选题拆成可拍的分镜、逐字稿和字幕。
这篇就按我自己的流程讲，尽量不讲空话。
一、我现在不会一上来让它写全文
以前我最常用的提示词是：
帮我写一条关于 AI 提效的短视频脚本。
它确实会写，而且速度很快。
但问题是，写出来的东西往往像这样：
今天给大家分享一个提升短视频创作效率的方法，使用 Gemini 3.5 可以帮助我们快速完成选题策划、脚本撰写和内容优化。
这段话不能说错，但放到镜头前就很像念稿。更麻烦的是，它没有画面。
所以我现在第一步不会让 Gemini 3.5 写全文，而是先让它判断这个选题能不能拍。
我一般会这样问：
我准备做一条短视频，主题是“用 Gemini 3.5 写分镜脚本和逐字稿”。
先不要写脚本，请帮我判断：
这个选题适合什么账号？
用户最具体的痛点是什么？
哪些内容能用画面展示？
哪些内容只能口播？
建议做 30 秒、60 秒还是 90 秒？
这一步看起来慢，其实能省很多事。
比如“AI 提升创作效率”这个选题就太空了，不好拍。但如果换成“从一句选题拆成分镜脚本和逐字稿”，画面就出来了：输入选题、生成分镜、改口播、整理字幕、对比修改前后。
短视频最怕的不是观点少，而是每一段都只能靠嘴说。
二、先拆画面，不然拍摄时一定会卡
我现在写脚本的顺序是反过来的：先拆画面，再写口播。
很多人会先写逐字稿，然后再想“这里配什么画面”。我以前也是这么干的，结果经常拍到一半发现接不上。
现在我会先让 Gemini 3.5 给我拆一条画面线。
提示词大概是：
请把这个选题拆成一条 60 秒短视频的画面线。
要求：
每 5-8 秒一个镜头；
每个镜头都要写清楚画面里出现什么；
不要写“展示相关画面”这种空话；
要具体到能拍、能录屏、能剪辑。
如果它给我写：
“展示 AI 工具界面”
我会继续追问：
具体展示哪个界面？输入什么内容？鼠标点哪里？字幕出现什么？
我希望它改成这种：
0-5秒：博主面对镜头，电脑屏幕上打开一份空白脚本文档。
5-12秒：录屏输入“先拆画面线，不要直接写全文”。
12-20秒：画面切到 Gemini 3.5 输出结果，高亮“镜头、画面、口播、字幕”四列。
20-35秒：左右对比，左边是普通口播稿，右边是分镜脚本。
35-50秒：展示逐字稿生成过程，重点标出短句和停顿。
50-60秒：回到出镜，总结这套流程。
这种分镜我拿到之后，基本能判断这条视频能不能拍。
如果画面线都拆不出来，说明选题还不够具体，或者角度需要再改。
三、逐字稿别写太完整，越完整越像念稿
分镜确定后，我才会让 Gemini 3.5 写逐字稿。
但这里有个坑：它很容易写得太顺。
比如原始版本可能是：
在短视频创作过程中，分镜脚本和逐字稿可以帮助创作者提升内容表达效率，让拍摄和剪辑更加清晰。
这句话看着没问题，但我自己不会这么说。
我会改成：
你有没有发现，AI 写的脚本看着挺顺，但真到拍的时候，不知道该拍什么？
这两句话表达的意思差不多，但后者更像真人口播，也更容易把用户拉进来。
所以我给 Gemini 3.5 的要求会很细：
请根据上面的分镜写一版 60 秒逐字稿。
要求：
每句话尽量短；
像真实博主口播；
不要写得像文章；
开头 3 秒直接说痛点；
每段口播都要对应具体画面；
不要用“赋能、闭环、优化流程、打造矩阵”这类词。
我还会补一句：
如果一句话读出来不自然，请直接改成更口语的说法。
这句话挺有用。因为 AI 很容易把句子写得完整，但短视频口播不需要那么完整。很多时候，短一点、断一点，反而更像人说话。
比如：
别急着让 AI 写全文。
先让它拆画面。
不然你拍的时候一定会卡。
这种句子不高级，但镜头前说出来更自然。
四、我最常用的是四列表
现在我写短视频脚本，基本都会让 Gemini 3.5 整理成四列表：
请把脚本整理成四列：
镜头时间、画面内容、逐字口播、屏幕字幕。
要求：
画面必须具体；
口播一句不要太长；
字幕只提炼重点，不要逐字照抄；
每个镜头控制在 5-8 秒。
这个格式对我来说最省事。
拍摄时看“画面内容”，录音时看“逐字口播”，剪辑时看“屏幕字幕”。不用在一大段文字里来回找。
举个我会用的版本：
0-5秒
画面：博主看着 AI 生成的长脚本，停顿两秒。
口播：AI 写的脚本，为什么总是不好拍？
字幕：AI 脚本不好拍？
5-12秒
画面：录屏输入“先拆画面线，不要写全文”。
口播：问题不一定是 AI 不会写，而是你问早了。
字幕：别急着写全文
12-20秒
画面：高亮 Gemini 3.5 输出的镜头结构。
口播：我现在会先让它拆镜头。
字幕：先拆镜头，再写口播
我自己的习惯是，表格出来之后不会直接用。
我会先读一遍口播。如果某句话我读起来别扭，就删。再看画面，如果某个镜头我当天拍不了，也删。
AI 给的是初稿，不是成片方案。
五、让它从剪辑角度挑毛病
脚本写完后，我会让 Gemini 3.5 再检查一遍。
这份脚本写得好吗？
这种问题太泛了，它大概率会夸你结构清晰。
我会直接让它扮演剪辑师来挑问题：
请从短视频剪辑师的角度检查这份脚本。
重点看：
哪些镜头太虚，实际不好拍；
哪些口播太像念稿；
哪些字幕太长；
前 3 秒有没有停留理由；
哪一段节奏拖慢。
请直接指出问题，并给出修改建议。
这一步经常能发现问题。
比如它可能会提醒我：“展示创作流程”太笼统，应该改成“录屏展示从一句选题生成四列表脚本”。也可能会指出某句字幕太长，手机屏幕上会压住画面。
我做 AI 工具类账号时，素材其实很有限：出镜、录屏、对比截图、简单标注。正因为素材有限，脚本里的每个镜头更要具体。
否则剪辑时就会变成一堆空镜头硬凑。
六、不同平台，我会改不同开头
同一条脚本，我不会完全原样发所有平台。
抖音要快一点，视频号可以稳一点，小红书更适合经验分享。不是内容变了，而是开头和语气要变。
我会让 Gemini 3.5 分别改三版：
请把这条脚本改成抖音、视频号、小红书三个版本。
抖音版开头更直接；
视频号版表达更稳；
小红书版更像个人经验分享；
核心内容不要变。
比如同一个开头，可以这样改：
抖音版：
别再让 AI 直接写脚本了，难拍就是因为这一步错了。
视频号版：
很多短视频脚本不是写得不好，而是缺少分镜意识。
小红书版：
我之前也让 AI 直接写全文，后来发现真到拍的时候特别卡。
我一般会从里面挑一句，再按自己的说话习惯改一下。
这一步别偷懒。平台语气不一样，开头差一点，完播率可能就差很多。
七、我的完整流程
现在我用 Gemini 3.5 写短视频脚本，大概就是这几步：
先判断选题能不能拍。
不要急着写全文，先看有没有具体画面。
再拆画面线。
每 5-8 秒一个镜头，越具体越好。
然后写逐字稿。
句子要短，能说出口，不要像文章。
接着整理成四列表。
镜头、画面、口播、字幕放在一起。
最后让它从剪辑角度挑毛病。
重点看哪里虚、哪里拖、哪里不好拍。
听起来步骤多，但实际做熟之后很快。现在一条 60 秒视频，我从选题到可拍脚本，通常比以前省一半时间。更重要的是，拍摄时不会一直卡在“这段到底配什么画面”。
八、AI 是脚本搭子，不是替你当博主
我现在对 Gemini 3.5 的定位很清楚：它适合帮我拆结构、补画面、整理逐字稿，也适合帮我检查节奏。
但它不能替我判断账号风格。
比如我的粉丝关心的是 AI 工具怎么真正落地，而不是模型参数有多强。所以我最后一定会自己过三遍：
这句话我能不能自然说出口？
这个镜头我能不能当天拍出来？
用户前三秒有没有理由继续看？
只要有一个答案是否定的，我就会改。
所以，用 Gemini 3.5 写短视频脚本，关键不是让它一次生成完整成片，而是把它放进你的创作流程里。
先拆画面，再写口播，再做分镜，最后检查可拍性。
这样写出来的脚本，才不像一篇被缩短的文章，而更像一条真正能拍、能剪、能发布的短视频。!
