播客切片转短视频提示词(2026)
每个播客现在都配着一条切片流水线:一场长对话被剪成几十条竖屏短视频,真正带火节目的是这些切片。但好切片不是随机截一段——它是口播画面、字幕、B-roll 的三层组合,每一层都要在生成或动剪刀之前规划好。
AI 视频把这条流水线的供料成本打了下来:Veo 3 和 Sora 2 能生成带同步语音的口播画面,Seedance 2.5 和 Kling 4.0 处理干净的演播室质感和插入镜头很稳,你可以直接用提示词写出整条切片的质感,不用满世界找素材。进入 Q4 赢面更大:年度盘点、节日特辑和新年预测切片会在 12⁄25 和 1⁄1 前后涌进同一批信息流。
但”播客切片视频”不是提示词:字幕放在哪、B-roll 何时进、切点落在哪,都要先规划好,否则你只会得到一段压着文字墙的干聊。下面是三层语法、七个镜头要素和三个模板。
播客切片是三层,不是一个镜头
A-roll 是锚点。头肩构图,麦克风入画,背景带一点质感就够。它占掉大部分时长。
字幕是留存层。逐词弹出,每弹 2-4 个词,每句一个高亮关键词,放在画面留出的位置。字幕一般在剪辑里添加——但提示词必须预留空间和时间节拍,否则剪辑时无处安放。
B-roll 是覆盖。一到两个插入窗口,用来图解内容、掩盖切口。提示词里,B-roll 是一条单独的镜头,光线和色调要与 A-roll 一致——不匹配的插入镜头看起来像硬接进来的另一条视频。
七个镜头要素,落到播客切片
| 要素 | 播客切片版本 | 提示词里怎么写 |
|---|---|---|
| 主体 | 一到两位坐在麦克风前的通用主播——你自己的或虚构人物 | “一位三十多岁的男性,素色毛衣,坐在桌面麦克风前;通用主播,无 Logo” |
| 构图 | 9:16 裁切,头肩构图,上下留白给字幕 | “头肩构图,主体略偏画面右侧,上下三分之一留白给字幕” |
| 镜头 | 固定 A-roll;B-roll 作为单独插入镜头,光线匹配 | “固定机位;8-12 秒插入倒咖啡镜头,暖光匹配” |
| 动作 | 自然的说话动作:头部、手部、前倾;不要夸张大动作 | “小幅头手动作,4 秒前倾,9 秒靠回” |
| 光影色彩 | 演播室主光加暖色实景灯;A-roll 与 B-roll 一套色调 | “左侧暖色主光,柔和补光,身后实景灯发光;插入镜头同色调” |
| 节奏 | 在句子节拍上切;每 4-6 秒一个 B-roll 窗口 | “4 秒大动作,B-roll 8-12 秒,12-18 秒回 A-roll,18-20 秒定住” |
| 声音 | 清晰贴耳的人声、安静房间底噪,可加极轻垫乐 | “清晰贴耳的旁白,柔和房间底噪,无音乐” |
大多数切片提示词从不写节奏那一行——而它正是”切片”和”截段”的区别。
字幕节奏是时间,不是文字
先把字幕写成节拍,再写成文字:
- 词组长度。每次弹 2-4 个词。大段字幕读起来是一堵墙,直接被划走。
- 关键词高亮。每句一个高亮词带住视线;多了,高亮就不再有意义。
- 对比区。提示词必须保证字幕区域干净——背景不乱、无 Logo、下三分之一不被道具侵入。
- 停顿节拍。切点和 B-roll 窗口落在句子结尾、字幕短暂清空的位置。这就是节奏听起来”剪过”而不是”拼过”的原因。
工作流:把一期节目变成切片套件
- 找能当钩子的切片。那条让你看下去的播客短片,头两秒里一定有一个断言、一个问题或一声笑。
- 用 SocialToPrompt 跑一遍。逐帧拆解会把藏起来的那层摊开:字幕节奏、B-roll 窗口的位置、切点落在哪个手势上。支持 20 秒内视频;新账号送 3 积分,完整一跑 4 积分(1 次提取 + 3 次生成)。
- 留节奏,换说话人。同样的切点和插入窗口;你的主播、你的话题、你的配色。别人的脸、声音和脚本永远不碰。
- 分层生成。A-roll 一条、B-roll 若干条,字幕在剪辑里加。一次生成很少把三层同时做对。
- 喂给 Q4 日历。年度盘点、节日特辑和 1⁄1 预测切片,同一套语法换钩子。
可直接复制的提示词模板
1. 单人口播(9:16,约 15 秒)
竖屏 9:16,播客切片 A-roll。主体:一位三十多岁男性,素色毛衣,坐在悬臂支架上的桌面麦克风前;
通用主播,无 Logo,屏幕无可读文字。构图:头肩构图,主体略偏画面右侧,上下三分之一留白给字幕,
身后虚化书架。镜头:固定。光线:左侧暖色主光,柔和补光,身后一盏实景灯发光。动作:小幅自然的
头手动作,4 秒前倾,9 秒靠回。节奏:0-15 秒一镜到底,4 秒最大动作,4-6 秒保持前倾。声音:清晰
贴耳人声,安静房间底噪,无音乐。无屏幕文字。总时长 15 秒。
2. 双人对话加 B-roll 窗口(9:16,约 20 秒)
竖屏 9:16,双人播客切片。主体:两位通用主播——一女一男,素色毛衣——坐在小桌前,两支悬臂麦克风;
无品牌标识。构图:9:16 双人镜头,两人都是头肩构图,中间空隙留给字幕。镜头:双人镜头固定;
8-12 秒插入镜头。光线:左侧暖色主光,柔和实景灯,插入镜头沿用同一套中性色调。动作:对话手势,
6 秒一声笑;8-12 秒插入镜头是双手倒咖啡,暖光一致。节奏:双人 0-8 秒,插入 8-12 秒,12-18 秒
回双人,18-20 秒定住。声音:清晰交替对话,柔和房间底噪,无音乐。无屏幕文字。总时长 20 秒。
3. B-roll 蒙太奇配旁白(9:16,约 15 秒)
竖屏 9:16,B-roll 蒙太奇配旁白。主体:三个中性插入镜头——写字的手、窗外的街道、合上的笔记本电脑;
无人脸、无 Logo。构图:紧凑特写,浅景深,下三分之一留给字幕。镜头:固定镜头缓慢推移 3%,
在语音节拍上硬切。光线:柔和方向性日光,三个插入镜头统一暖中性色调。动作:0-4 秒笔尖书写,
4-9 秒车流缓缓经过,9-13 秒笔记本合上。节奏:4 秒和 9 秒切点,13-15 秒定住。声音:一条清晰旁白
贯穿全片,贴麦,底下垫柔和房间底噪。无屏幕文字。总时长 15 秒。
实操清单
- [ ] 主体是你自己的或虚构主播——绝不使用真人肖像或声音
- [ ] 提示词里声明字幕区域干净(上三分之一和/或下三分之一)
- [ ] 字幕节奏规划为 2-4 词词组,每句一个高亮关键词
- [ ] 20 秒内最多两个 B-roll 窗口,光线与 A-roll 匹配
- [ ] 切点和插入窗口落在句子结尾
- [ ] 麦克风入画;背景有质感但不杂乱
- [ ] 旁白或对话按声音规格写:贴耳、清晰、安静底噪
- [ ] 不生成屏幕文字——字幕在剪辑里加
常见错误与 FAQ
Q:字幕是生成进视频还是剪辑时加? 剪辑时加,提示词里规划。生成的屏幕文字在多数模型里会跨帧扭曲;你从提示词里要的是干净的字幕区和时间节拍。
Q:能不能把真实播客变成 AI 主播的切片? 可以提炼观点,但未经同意不能克隆真人肖像和声音——平台认定违规,观众认定背叛。用你自己的录音或虚构主播。
Q:B-roll 多少算过量? 20 秒内最多两个窗口。再多,切片就不再是一场对话,而是蒙太奇,锚点也就消失了。
Q:竖屏还是横屏? 切片信息流用 9:16,完整节目用 16:9。从横屏裁竖屏时,为裁切而构图:主播保持在能扛住裁切的位置,字幕区留空。
找那条让你熬过头两秒的播客短片,用 SocialToPrompt 跑一遍,今晚就把它的字幕节奏和切点重建到你自己的话上。
分享文章