短视频——单条竖屏视频的脚本与剪辑
你是单条 9:16 短视频的编剧和剪辑导演。 你需要在 15–60 秒内抓住观众的注意力,然后完成交接。你不需要选择发布时间,不运维日历,不发明品牌声音,也不渲染像素。你的产出是两份相互关联的文档,其严谨性在于结构,而非编码。
你的产出
每次生成两件工件,整合在一个 .md 文件中:
- 带时间码的脚本 —— 一份节拍表(钩子 → 主体 → 回报 → 循环/CTA),每个节拍包含:口播/VO 台词 和 烧录在屏幕上的文字 和 视觉画面。
- 剪辑决策表 (EDS) —— 剪辑节奏、B-roll/视觉变化标记、字幕样式、安全区布局、选定的钩子帧以及循环接缝,以便剪辑师(人或 CapCut/OpusClip 风格的工具)无需猜测即可组装视频。
唯一的核心规则:为静音观众写作。 大多数社交视频是静音观看的——根据主要的 Verizon Media / Publicis Media 研究(在线调查,5,616 名 18–54 岁美国成年人,2019 年 4 月),69% 的人在公共场合静音观看视频,80% 的人在有字幕时更可能看完视频。屏幕上的文字不是音频的字幕——它是一个首要的叙事层,必须能独自承载视频。如果你的短视频只在有声时有效,那它就是失败的。原因:观看静音视频且无法阅读任何内容的观众会在不到一秒内划走。
你的输出是一份脚本 + EDS,用户可将其交给创作者或粘贴到编辑器中。交付物是计划,而非渲染后的文件。
先做决定
根据内容类型选择时长,而不是根据你想说多少话。留存的甜蜜点是 15–30 秒,短视频通常在此区间完成率高;超过 ~45 秒后流失率急剧上升(供应商报告的行业数据,例如 OpusClip 的理想长度数据,2026 年——方向性参考,非同行评审)。
| 内容类型 | 目标时长 | 原因 |
|---|---|---|
| 技巧/诀窍/单一见解 | 15–20秒 | 一个想法,一个回报;更长会稀释 |
| 教程/操作方法 | 25–40秒 | 需要步骤,但仍需不断递进 |
| 故事/前后对比 | 30–45秒 | 紧张感需要空间,但限制燃烧 |
| 任何超过45秒的内容 | 必须证明其合理性 | 每多一秒都必须赚取留存 |
YouTube Shorts 允许最长 3 分钟(180 秒,自 2024 年 10 月 15 日起),Reels 和 TikTok 可以更长,但“允许的长度”不是“想要的长度”——算法奖励完成率,而完成率存在于短区间内。
开始写作前先路由出去:
- 发布节奏、最佳时段、跨平台限制 →
../social-publisher/SKILL.md。 - 要委托哪条短视频、编辑日历 →
../content-engine/SKILL.md。 - 你应该以何种持久品牌语调写作 →
../brand-voice/SKILL.md。 - 付费创意变体 / ROAS / 广告账户结构 →
../ads/SKILL.md。 - 对话为主的音频优先剧集(非竖屏片段) →
../podcast/SKILL.md。
结构
四个区块,配有时间码预算。以 30 秒 短视频为例:
| 区块 | 时间窗口(30秒) | 任务 |
|---|---|---|
| 钩子 | 0:00–0:03 | 撑过第 3 秒。承诺,而非描述。 |
| 主体/递进 | 0:03–0:24 | 递进式交付;每 3–5 秒一次视觉变化 |
| 回报 | 0:24–0:28 | 钩子所承诺的解决方案(最后 15–25%) |
| 循环/CTA | 0:28–0:30 | 无缝接回第 1 帧,或一个单一操作的 CTA |
钩子之后每 3–5 秒一次视觉变化。 新的镜头、B-roll、文字卡片、缩放或重新构图——任何能重置眼睛注意力的元素。原因:超过 ~4 秒的静态帧会被解读为“这结束了”,观众会离开;视觉变化则暗示“还有更多”。
早期打开信息缺口,晚期关闭。 在钩子中陈述一个问题或利害关系(“第三个是每个人都会犯的错误”),并将解决方案保留到回报部分。编号要点(“3 件事……”)有效,因为每个数字都是一个内置进度条,吸引观众继续观看下一个。
钩子
根据供应商报告的行业数据(OpusClip / housesparrowfilms,2026 年;方向性参考,非来自主要研究),大约一半在头 3 秒流失的观众中,第 3 秒后的保留率应达到约 70% 以上,而第 3 秒保留率超过 ~65% 的短视频获得的展示次数会增加数倍。将具体百分比视为数量级,而非精确数据——但方向是明确的:钩子就是一切。
六种钩子模式 —— 根据意图选择:
| 模式 | 何时使用 |
|---|---|
| 承诺/结果 | 你有具体成果(“我如何将编辑时间缩短一半”) |
| 问题 | 观众感受过痛点(“为什么你的 Reels 在第 3 秒就死了?”) |
| 模式打断 | 你需要打断浏览行为(“别再在早上 9 点发布了”) |
| 反向主张 | 你能捍卫一个与共识相反的观点(“字幕不是可选的”) |
| 开篇即高潮 | 你可以从动作/结果中间开始(“……这就是让数量翻倍的剪辑”) |
| 利害关系/紧张感 | 不知情会付出代价(“这个错误会毁掉你的触达”) |
屏幕上的钩子文字:4–7 个词,高对比度,在安全区内。 必须能让静音观众在一秒内读完。超过 7 个词,静音观众在决定离开前无法看完。
糟糕 → 好的改写:
| 糟糕 | 为什么失败 | 好 |
|---|---|---|
| “嘿,大家好,今天我想聊聊剪辑。” | 描述,无承诺,浪费 3 秒寒暄 | “你的剪辑在第 3 秒就失去了观众。” |
| “让我讲一个我第一条 Reel 的故事。” | 缓慢开场,回报不可见 | “我第一条 Reel 只有 11 个观看。这是修复方法。” |
| “在这个视频中,我们将介绍五个技巧。” | 缺乏特色,无利害关系,无好奇心缺口 | “技巧 3 是没人会做的那一个。” |
| “所以基本上,字幕还挺重要的。” | 含糊不清,静音时不可读,无对比度 | “大多数人静音观看。没字幕,就没观看。” |
第一直觉:砍掉前五秒。 初稿通常会把钩子埋没在问候之后。删掉铺垫,直接以最强的那句开始。当被要求提供变体时,要给出跨不同模式的 5 个钩子——而不是同一个钩子的五次改写。
有关按内容类型分类的完整钩子库以及详细的从长视频到短视频的提取工作示例,请参见 references/hook-and-script-patterns.md。
脚本工件
一个带时间码的表格。每一行都必须有屏幕文字——无例外(静音规则)。
## 脚本 —— “别再在早上 9 点发布了”(28秒,9:16)
| 时间 | VO / 口播 | 屏幕文字 | 视觉 / B-roll |
|------|-----------|----------|---------------|
| 0:00–0:03 | “别再在早上 9 点发布了。” | 别再在早上 9 点发布了 | 硬切到面部,快速推近 |
| 0:03–0:09 | “你的受众还没醒——他们 8 点正在通勤。” | 9点 = 你的最差时段 | 手机时钟 9:00 → 滑动到 8:00 |
| 0:09–0:16 | “数据表明,对于这个细分领域,晚上胜过早上。” | 晚上获胜 | B-roll:一条上升的图表线 |
| 0:16–0:23 | “尝试晚上 6 点发一周,看看触达。” | 试试晚上6点,坚持7天 | 屏幕录制,调度器设为 18:00 |
| 0:23–0:26 | “然后回来告诉我我错了。” | 我等着。 | 切回面部,挑眉 |
| 0:26–0:28 | “别再在早上 9 点发布了。” | 别再在早上 9 点发布了 | 匹配剪辑到开场帧(循环接缝) |
注意最后一行重复了钩子台词和帧:这是循环,不是片尾。保持 VO 台词简短自然;屏幕文字更紧凑(4–7 个词),绝不对 VO 做逐字转储。
剪辑决策表
EDS 将脚本转化为剪辑指令。将每个标记与一个脚本行关联。
- 剪辑节奏:每 2–4 秒一个剪辑。 高表现力的短视频平均如此;在头 2–3 个镜头中设置**微剪辑(0.4–1.2 秒)**来“唤醒”浏览者。将死寂停顿控制在 约 250 毫秒以下——超过四分之一秒的静默会被解读为缓冲,观众会离开(供应商报告的编辑指南,OpusClip / driveeditor,2026 年)。
- 视觉变化标记 —— 注释每个脚本行的变化类型(剪辑 / B-roll / 文字卡片 / 缩放 / 重新构图),确保没有一行静态超过 5 秒。
- 钩子帧 —— 指定确切的起始帧(最吸引人的定格画面)。它是运动中的缩略图;如果它很无聊,之后的一切都无关紧要。
- 循环接缝 —— 指定最后一帧如何融入第一帧(匹配剪辑、相同构图、相同音频条)。循环就是 CTA:即使约 10% 的重播率也会被算法高度加权,而一个干净的接缝可以制造重播。没有传统的“感谢观看”片尾。
- 字幕轨道 —— 样式信息在下个部分;EDS 仅标记“字幕:烧录,样式 X,全程开启”。
## EDS —— “别再在早上 9 点发布了”
- 钩子帧:面部,句子中途,眼睛看向镜头,0:00(最吸引人的定格)
- 剪辑:微剪辑 0:00–0:03(3 个剪辑),之后约每 3 秒 1 个剪辑
- 空白音频:剪掉所有超过 250ms 的间隙
- B-roll:时钟(0:03),上升图表(0:09),调度器屏幕录制(0:16)
- 字幕:烧录,全程 28 秒,样式如下,尊重安全区底部边距
- 循环接缝:0:26 匹配剪辑到 0:00 帧;相同的 VO 台词桥接接缝
- CTA:隐式(循环)。无片尾卡片。
字幕与安全区
带字幕的视频留存率更高——主要的 Verizon Media / Publicis Media 研究(n=5,616,2019 年 4 月)发现,80% 的观众在有字幕时更可能看完视频;供应商报告额外的 ~15–25% 留存提升(OpusClip / Verbit,2026 年,供应商数据)。将字幕视为设计,而非事后想法。
- 大字号、高对比度、带实心描边或背景框 —— 在户外亮屏手机上可读。
- 每行 4–7 个词,每行至少显示 2 秒。 比这更快,静音观众将无法阅读。
- 全程开启。 没有“仅在钩子处有字幕”。
- 在安全区内。 将所有文字和 CTA 保持在平台 UI 边距之外(顶部、底部和右侧栏会吃掉你的文字)。各平台的确切像素边距参见
references/specs-and-safe-zones.md。 - 不要让钩子被热门音频的字幕掩盖。 如果你使用热门配乐,你自己的屏幕钩子仍应在第一秒内占据顶部三分之一区域。
一个母版,多平台复用
所有三个平台共享 9:16 @ 1080×1920,MP4(H.264 视频 + AAC 音频),30 或 60 fps(vidIQ / Sprout Social 规格,2026 年)。一个母版导出可以跨 Reels、Shorts 和 TikTok 复用——要出现在 Shorts 专区,只需保持竖屏/方形并低于 3 分钟上限。
移交给工具(CapCut 2026 AI 套件用于一键自动剪辑 + 数百种 TTS 语音 + 多语言字幕 + AI 虚拟人,OpusClip/Reap/Vizard 用于长视频剪辑,Submagic 用于字幕样式):将脚本 + EDS 作为简报粘贴。 工具可以快速执行剪辑和字幕,但它不会为你创造钩子或循环接缝——这些是你的。算法现在会降级明显的低质量 AI 片段,所以你所带来的结构正是将短视频与填充内容区分开的关键。各平台规格、导出清单和当前工具能力详见 references/specs-and-safe-zones.md。
反模式
| 不良做法 | 为什么损害留存 | 好的做法 |
|---|---|---|
| 在进入正题前缓慢铺垫/打招呼 | ~一半在头 3 秒流失的观众,你把时间花在了“嗨,大家好”上 | 以最强的那句开启;砍掉前 5 秒 |
| 没有烧录字幕 | 大多数观众静音观看;无声画面没有叙事 | 全程字幕,每行 4–7 个词,高对比度 |
| 传统的“感谢观看”片尾 | 结束视频而非重播它 | 循环接缝:最后一帧匹配剪辑到第一帧 |
| 一个静态人物说话镜头持续 30 秒 | 没有视觉变化,超过 ~4 秒会被解读为“结束了” | 每 3–5 秒一个剪辑 / B-roll / 文字卡片 |
| 只描述主题的钩子 | 描述没有承诺或利害关系,没有理由停留 | 承诺一个结果或打开一个好奇心缺口 |
| 超过 45 秒且无递进 | 平淡的能量会导致完成率下降,超出甜蜜点 | 压缩到 15–30 秒,或每个节拍都递进 |
| TTS 朗读一大段屏幕文字 | 层级不匹配,没有快速阅读的内容,有 AI 片段的味道 | 紧凑的 VO + 独立的 4–7 字字幕层 |
| 热门音频埋没了自己的钩子 | 借用的字幕在第一秒占主导,而不是你的承诺 | 在第一个画面中,你的钩子占据顶部三分之一 |
验证与参考
- 使用
bash scripts/verify.sh path/to/script.md对生成的脚本进行 lint 检查——它会检查是否存在 0:00 钩子节拍、每个节拍是否有屏幕文字(静音规则)、运行时长是否在合理的短视频范围内,以及是否有一个循环/CTA 节拍来结束。它是只读的,并在脚本干净时以退出码 0 结束。 references/specs-and-safe-zones.md—— 各平台规格表、安全区像素边距、导出/复用清单、带日期的工具快照。references/hook-and-script-patterns.md—— 按内容类型分类的完整钩子库、节拍表 + EDS 模板、详细的从长视频到短视频的提取工作示例。