【六十四】你的 AI 短片不是缺反转，是点子还没问成一件今晚必须做成的事

很多新手第一次用 AI 做短片，卡点都长得很像。

人会出。店会出。甚至分镜格子也会画。可一写「帮我写个一分钟短片，要有反转」，交回来的东西就不对了：两个人站中间说话，冲突靠吼，结尾靠旁白宣布真相。每一秒单独看都清楚，连起来却像三条预告片在接力。

这时候最容易做的两件事是：把词写更长，或者换一个「更会编故事」的模型。

更常见的原因其实更朴素——

不是模型不会讲故事，是你把半个点子，交给了一个必须同时当编剧、导演、道具和剪辑的系统。 它最省事的办法，就是交一份谁都能看懂、谁看完都不记得的热闹作业。

聊天模型会尽量听懂你的意图。可你后面还要把故事送进视频模型。视频模型不认「感人」「电影感」，它只认：这几秒里谁的手在干什么、哪一样东西能被镜头拍到。

所以这篇文章不教你更刺激的高潮，也不教哪句「反转」更灵。只教你把一个点子，问成一件能拍、做不成会出事的事。问清楚了，再写成场次。场次齐了，再进视频框。

下面所有提示词都用中文，豆包、ChatGPT、Gemini 都能跑。即梦、可灵、海螺、通义负责后面出图出视频。你不需要先成为编剧。你只需要先搞懂：短片剧本到底在回答哪几件事。

---

先记住一句大白话

做 AI 短片时，把工作分成四截，不要让一段词同时干完：

• 点子只负责方向：今晚大概发生在哪、有谁
• 三问只负责今晚的事：必须做成哪一件、什么在拦、做不成会看见什么
• 规矩只负责观众先信什么、用什么脾气看完
• 场次只负责哪一格能拍：手怎么动、东西怎么接、镜头先给什么

「帮我写个反转」四个字，四截里一截都没覆盖。所以它是空的。

为了让每一步都能对照，今晚只用一间屋、两个人、一件必须马上处理的事。不换城中村炸串，不换打印店，也不用修手机。我们去小区一楼的快递驿站。

二十四岁兼职站员。碎发扎一小把。深蓝马甲。工牌夹在口袋口。手指是红的。窄屋。左边一排黄色快递柜，中间一张小桌，桌上有扫码枪和一支红色记号笔，右边一堆还没入库的纸箱，门口塑料帘，顶上一根冷白灯管。墙上有电子钟。柜门 C-17 的灯一直在闪。

今晚只把这一件事写成短片：

离打烊还有 8 分钟。C-17 一直响。屏幕上的收件人是戴眼镜的女人。门口进来的是一个拎着蓝色冰袋的男人。店规写着：人像对不上，不能开柜。她必须在系统锁柜前决定——开，还是不开。

后面六步都围着这间屋走。换你自己的点子时，只换人和事，不要换顺序。

---

第一件事：别把简介当成剧本

你现在如果随手写一句，多半是这样的：

一个女孩在快递站遇到可疑的人，要有冲突，要有反转，1 分钟，电影感，感人

模型会很听话。它交得也很快。女孩居中，问「你到底是谁」。男人说「事情不是你想的那样」。镜头自己切两刀。结尾告诉你：原来他是好人。

六个标签都在：女孩、快递站、可疑、冲突、反转、感人。 六个标签里，没有一件能让手去干活。

人脑可以靠「可疑」脑补一整晚。AI 不行。它听不懂可疑，只听得懂能对照的事。

你也可以把这句话说得更像作文，结果往往更空：

一个善良的驿站女孩，面对一个形迹可疑的取件人，内心挣扎，最终做出选择，人性闪光

善良怎么拍？内心挣扎时手往哪放？人性闪光时灯往哪打？画面上一个都没有。

短片不是把长片剪短。观众没有时间听身世。他们只肯看一件事：有人想做成一件具体的事，有东西在拦，拦不成会出事。这三件还必须能被镜头拍到。拍不到的，先当它不存在。

还是这间驿站。三问一填，画面会自己来：

1. 她今晚必须做成哪一件？ 打烊前，把 C-17 里的冷藏件交到正确的人手里。药不能在不通电的柜子里放到早上。
2. 谁或什么在拦她？ 屏幕上是戴眼镜的女人，来的是男人。墙上贴着店规：人像对不上，不能开柜。电子钟还剩 8 分钟。
3. 做不成会立刻失去什么？ 22:00 一到，系统锁柜，冰袋里的药会捂坏。她要是违规开柜，这月奖金没了。她要是不开，药也没了。

你看，闪灯的柜、对照的屏幕、蓝色冰袋、准备打叉的红笔、墙上的 21:52，都是被这三问叫出来的。不是被「电影感」叫出来的。

造型救不了没有今晚的事。柜是什么黄、马甲是什么蓝，都排在这三问后面。

把点子丢给对话模型时，先禁止它写对白、禁止它写反转、禁止它写结局。只准它帮你把三问答满。示范已经填进驿站，可以直接复制：

这一步不要挑最复杂的。短片更吃倒计时、一扇打不开的门、一样一直在响的东西。五个人、三个地点、一套庞大世界观，看起来更像电影，送进视频框会先死。

你可以做一次对照：先用开场那句让它写一分钟剧本，再跑这段三问。不要先看谁更像故事。先看哪一份里，她的手有具体的事可做。

---

第二件事：第一稿只负责摊开，不负责拍

初学者还有一句很爱写的：

帮我写一个快递站的短片剧本，要有反转，人物丰满，节奏紧凑

目标没给。限制没给。今晚用什么脾气看完也没给。模型只能从训练里拣最稳的组合：解释性台词很多，冲突放到后半段，反转靠揭身份，结尾用一段话说明真相。

字很完整。拿去拍，全是说话的脸。柜子不干活，冰袋不干活，8 分钟也不干活。

更麻烦的是心理。它一写完，你就不好意思删。于是一份并不适合拍的第一稿，成了后面所有图和视频的祖宗。

换一个用法。让它先当你的问询员。你不会写剧情，但你看得懂选项。它一次只问一个能拍的问题，你选。选完，再允许它往下写。

针对这间驿站，它该问的是这类题，不是「要不要更有文学性」：

她更怕违规扣钱，还是更怕药捂坏？ 男人进门先出示证件，还是先把冰袋往桌上一放？ 店规是贴在墙上让镜头拍到，还是她自己背出来？ 8 分钟是墙上的钟，还是 C-17 自己的倒计时？ 她准备拒收时，手里拿的是红色记号笔，还是已经写了一半的拒收单？

每答一个，画面就多钉死一格。答完时故事还没有结局，可已经能拍了。

问完你手里该有的，不是一段故事，是一张能检查的纸：

今晚的事
人：二十四岁驿站兼职，深蓝马甲，碎发，手指红。
第二人：三十出头男人，深灰外套，右手蓝色冰袋。
屋：黄柜、小桌、扫码枪、红记号笔、塑料帘、冷白灯管、电子钟。
必须做成：22:00 前把 C-17 的冷藏件交出去。
拦着的：屏幕女人像 vs 门口男人；墙上店规；还剩 8 分钟。
做不成：柜上锁，冰袋捂热；或者她违规开柜，工牌被扣。
开场 3 秒：C-17 灯闪，电子钟 21:52，她已经把拒收单摊开。
从头到尾都在的东西：蓝色冰袋、红色记号笔、柜门提示音。

纸上这些都有了，才进入下一步。还没有，就继续问。不要写剧本。

---

第三件事：感觉要翻译成今晚的规矩

同一间驿站、同一组人，其实能拍成三种完全不像的片子。

压着拍：对白极少。她对照屏幕，他不解释。提示音一下一下响。钟走得比人快。 好笑地拍：他不会用扫码枪，冰袋一直要滑出塑料袋，她越想按规定来越手忙脚乱。 心软地拍：冲突不是赢他，是她看见冰袋上的水，决定承担扣钱。结尾不要演讲，只留一个动作。

方向一变，说话方式、镜头速度、柜门颜色的意味、结尾停在哪，全变。

你不告诉它方向，它会走训练里最常见的那一档：解释很多，情绪平均，所有信息堆在最后一秒揭晓。能看完，记不住。

所以「高级、有质感、像电影」这些词太宽。要把感觉翻译成能检查的规矩。

你想要压迫，就写成：对白少于三句；信息先藏；声音比台词早响；人有停顿和回避。不要写成「氛围压抑、张力拉满」。 你想要好笑，就写成：错在手上不在嘴上；同一件事做失败两次；第三下才做成。不要写成「轻松幽默」。 你想要心软，就写成：冲突不是击败对方；结尾留一个主动的小动作；不要旁白总结。不要写成「温暖治愈」。 你想要快，就写成：前 8 秒出现问题；中间必须有一次二选一；结尾用一个画面收。不要写成「节奏紧凑」。

驿站如果走压迫，规矩可以钉成这样：

对白不超过三句。
男人进门先把冰袋放桌上，不要先自我介绍。
C-17 的提示音从开场响到她做决定，不许当背景音乐用。
她对照人像时，镜头先只给屏幕和证件，不给男人全身。
不许旁白。不许字幕解释店规。店规必须是墙上那张纸。

模型听见的是限制，不是夸奖。限制才指挥得动它。

还有一种很常见的写法，是丢一个你喜欢的片名：

写成某某电影那种感觉，镜头也要像那个导演

它不会真的像。它只会把训练里跟这个名字最常绑在一起的脸、色、旁白往上贴。你自己的驿站没了。

你真正喜欢的，往往只是一小块：留白、说话少、灯不美、结尾不把答案说尽。这些才配写进规矩。

这一步有一个很好用的验收：把「电影感」三个字删掉，故事还必须能拍。删不掉，说明你还在用夸奖代替规矩。

---

第四件事：反转是让人回头看懂刚才那一格

提到反转，新手第一反应几乎都是：坏人其实是好人，好人其实是卧底，取件的才是偷件的。

身份对调能用。可它太常见了。观众开场就会猜「这个男人到底是谁」。猜对了，你后面白拍；猜错了，也只是被换了一个标签。前面那些柜子和冰袋，全程在围观。

能站住的反转，不是让人惊呼「我没想到」。是让人回头说：原来刚才那一格，早就拍过答案了。第二次看，仍然成立。因为线索本来就在画面里，不是你结尾临时加的。

短片里有五个特别适合动手的位置。五个都还用这间驿站，不换店，不换人。

人的目的变了，不是好人坏人变了。她以为男人急着取件，是因为心虚。后来才看懂：他急的是冰袋，不是柜。他一直把冰袋举到她眼前，她却只顾对证件。善恶没换，目的换了，关系就换了。

一个动作前面像毛病，后面像办法。他进门把扫码枪抓起来乱扫，她以为他要硬开柜。后来才知道：到付件已经付过，枪响那一声是付款成功，不是撬锁。动作没变，解释变了。

一件道具先当背景，后当钥匙。红色记号笔她拿来准备在拒收单上打叉。柜门侧面其实有同一支笔写的半句字，被柜门挡着。拉一下门，才露出「夜班可给」。笔不是突然出现的神器，是开场就在桌上的那一支。

声音比嘴先把真相送进来。C-17 的「请取件」循环响。她听成系统在催她按规定拒绝。其实白班把这单设成了「到柜即通知家属」，家属就是这个男人。提示音从第一秒就在说「给他」，她一直听成「别给」。

镜头决定观众先看见什么、暂时看不见什么。前半段只拍她盯屏幕、盯证件、盯店规，男人只有肩膀。后段拉远，才看见他左手一直拎着渗水的冰袋，桌腿边已经积了一小摊。信息不是新加的，是你刚才不让观众看全。

前半段以为他要冒领，后半段看懂他在保药的冰，拍冰袋比证件更早伸过来。 前半段以为乱扫是抢，后半段看懂枪响是已付款，拍扫码枪指示灯亮一下。 前半段以为红笔用来拒收，后半段看见柜侧有同一支笔的字，先给笔特写，再给柜侧字。 前半段以为提示音在催拒收，后半段听懂它在叫家属，音一直在，人不解释。 前半段只看见他脸可疑，后半段才看见手在发抖、冰袋在漏，所以先近后远，不要一上来全身。

五条不必全用。60 秒用两条就够，三条就满。五条一起上，会变成魔术表演，观众来不及信。

最容易翻的坑，是前面拍一套、结尾另说一套。男人突然掏出一张家属证明，或者突然哭着说「这是我妈的药」。你听懂了，画面没干活。下次再看，前面那些格子仍然是空的。

反转要过两关。前面至少有两格已经拍过线索：冰袋进门就在，提示音开场就响。揭示靠动作、道具、声音或拉远，不靠演讲。她拉开柜门看见半句字，比他亲口说「我是家属」管用。

设计完可以倒着检查：把最后揭示那一格遮住，前面还像不像「他要冒领」。如果前面已经在喊「他是好人」，反转就没了。如果前面完全看不出冰袋，反转就是作弊。

---

第五件事：先走几条路，再挑一条人少、场少、能停住的

很多人对着第一份剧本就开始出图。后面通常会在三个地方被动：人多了，脸接不住；场多了，灯接不住；关键情节全靠嘴说，结尾没有一个能停住的画面。

第一个版本可以当草稿，不能当祖宗。故事需要比较。同一个点子走出几条路，再用能不能拍来筛，比在一份普通稿上反复润色快。

驿站这个点子，至少能走出三条完全不像的路。对照看，你就知道热闹和能拍不是一回事。

第一条热闹，但拍不了。她怀疑整栋楼的驿站在调包，要追到小区门口，保安加入，物业加入，最后发现是一个团伙。5 个人、3 个地点、1 次奔跑。看起来像短片，进模型会先换脸，再换门，再把冰袋弄丢。

第二条能拍，也有事做。就这一间屋。8 分钟。C-17 灯闪。她准备拒收。男人不会解释，只会把冰袋往前送。揭示靠三样已经出现过的东西：柜侧被挡住的半句字、扫码枪已经嘀过、拉远看见冰袋在漏。她开门。药还是凉的。电子钟 21:59。两个人，一个场，一个结尾画面。这条推荐走。

第三条心软，但少了一层误判。她看他可怜，违规开柜，结尾帮他重新扎冰袋。能拍，也可爱。可观众开场就知道她会给，60 秒里缺少「先信错一次」。片子会暖，不会回头。

筛选时别问哪条最离奇。问这五句就够：

开头 8 秒有没有问题撞上脸？ 主角有没有一次两难，不能两全？ 冲突能不能被柜子、冰袋、钟、笔拍出来？ 关键道具是不是少而有用？ 结尾能不能停在一个不用解释的画面上？

第一条五项全翻。第三条缺第二项。第二条五项都能在这间屋里指出来。

短片不是缩短的长片。它不需要给男人完整身世，也不需要给驿站一部创业史。它需要的是：一个人，面对一件今晚必须处理的事，做出一次会留下痕迹的选择。

选出那一条之后，把这些钉死，不许下一份提示词再发明：

已锁定
目标：22:00 前把 C-17 冷藏件交出去
阻力：人像对不上 + 店规 + 倒计时
代价：药捂坏，或她被扣钱
两难：开柜违规，不开柜药坏
揭示：柜侧半句字 + 拉远的漏水冰袋（扫码枪嘀过可作为辅）
结尾画面：柜门开一条缝，冰袋贴着药箱，钟 21:59，两个人都不看镜头

还没有这张纸，就不要写场次。

---

第六件事：现在才允许它写成能进视频框的场次

三问有了，规矩有了，反转位置有了，选定的路也有了。这时再让它写场次。

最重要的一句是：不要重新抛一个开放问题。「帮我写个完整剧本」会让它把前面的选择忘掉，再交一份更像作文的东西回来。

已经钉死的选择，要当作不可改的材料交给它。它只负责拆成能拍的格子，不负责再创作一次人生。

驿站选定第二条之后，60 秒可以拆成三场。每场必须有任务：让她得到信息、失去机会、做出选择，或让观众改判。哪一场三项都不干，就删。删掉的场，比写得漂亮的废场值钱。

第一场，大约 12 秒，开场撞上问题。电子钟 21:52。C-17 灯闪，提示音响。她已经把拒收单摊开，红色记号笔在手里。男人掀帘进来，先把蓝色冰袋放桌上，再掏证件。屏幕上是戴眼镜的女人。她对照，笔盖打开。这一场只做一件事：让观众先相信「这是冒领」。不要让他解释自己是谁。

第二场，大约 28 秒，规定把她卡住。她把证件和屏幕并在一起。墙上店规就在她耳边。男人去抓扫码枪，枪嘀一声。她以为他硬开，按住枪。他不说话，只把冰袋往前推。她准备在拒收单上打叉，笔尖碰到纸，停住。这一场让两难出现，但还不要揭。不要让第三人打电话来救场。

第三场，大约 20 秒，改判，然后停住。她去关 C-17 的提示音，手拉开柜门，看见侧面同一支红笔写的半句「夜班可给」。镜头这才拉到全身：冰袋已经漏了一小摊。她开门。药箱贴上冰袋。钟 21:59。帘子被风掀一下。两个人都不看镜头。这一场用已经出现的笔和冰袋改判，停在一个画面上。不要她说「原来是这样」，不要他鞠躬，不要字幕写「温情驿站」。

三场连起来，检查的是连续性，不是文采。上一场的笔还在不在她手里；冰袋有没有中途换颜色；柜号有没有从 C-17 变成别的。

格子里还没有事，格子一定空。现在事有了，格子才配画。场次写完，先看「这一场干什么」，再去画分镜。

场次出来以后，不要立刻进视频框。先做三件很土、但最管用的事：

两人各钉一张静帧，马甲、冰袋、工牌不许第二镜改。 空屋一张，黄柜在左，小桌在中，帘子在门，钟在墙上。 按三场画格子，上一格能走进下一格，人不要瞬移到门外。

视频词最后才出现，而且要短。它只负责把已经走完的事拼上，不许再发明感人的对白和电影感运镜。

---

收一收：顺序比词漂亮更重要

实际开工时，按这个顺序走就行。

先把「帮我写个反转短片、电影感、人物丰满」删掉。这些是评分，不是施工。 先逼出三问。必须做成哪一件、什么在拦、做不成今晚会看见什么。拍不到的不算。 让它当问询员，一次一问。你只选能看见的选项。问完输出「今晚的事」，不要剧本。 把观众要感受的写成准和不准。压迫就少话、藏信息、让声音先干活。不要写像某部电影。 在五个位置里挑反转，最多用两条。人的目的、误读的动作、开场就在的道具、场内声音、镜头先藏后露。揭示不靠演讲。 同一点子走出几条路，按能不能拍来筛。人少、场少、嘴少、结尾能静住。把选定的那条锁成一张纸。 这才写成三场。每场有任务。动作按先后。对白能省就省。写完先自检，再画格子。 先用一个人、一间屋、60 秒练会。别一上来五个人跨三个场地追车。

AI 短片真正能拍动的故事，不是「反转」两个字写进去就有的。是模型还没出图之前，你已经能用手指着说：她要开这扇柜，钟在走，冰袋在漏，笔在桌上，观众先看错，后面用已经拍过的东西改回来。

还拍不像的时候，先别换模型。回头看纸。

两个人在吵架，别急着加冲突和张力，先改三问里那件具体的事。 结尾旁白宣布真相，别急着加更深的主题，先改开场就在的道具或声音。 人一多脸就漂，别急着上群像和反转套反转，先锁回两个人、一间场。 像预告片不像一段事，别急着写电影感和一分钟混剪，先看三场任务能不能从上走进下。 故事对了视频还假，别急着把视频词写更长，先让静帧、空屋、格子齐，词变短。

模型能少猜，不能替你决定今晚拍哪一件。人越多、场越多、嘴越多，翻车越快。

今晚不要验收「看起来很像短片」。验收这几条就够：

开场 8 秒就能看见问题。 她必须在两坏里选一坏。 冰袋、柜灯、红笔至少有两样从头干到尾。 结尾停在一个不用解释的画面上。 没有任何一句在替观众做阅读理解。

你可以先用开场那句让它写一份「反转短片」对照。再只跑三问，看她的手有没有事做。再只加一条规矩：对白少于三句。最后让揭示落在拉开柜门看见半句字、镜头拉远看见冰袋在漏。

人和屋还在那间驿站里，你就真的会把点子写成能拍的事了。