圖像 × 影音 × 自動化，打造你的 AI 媒體工廠

【AI 新手包 #5 打造工具自動化】：AI 工具協作製作超過 100 支教學影片：流程、踩坑與最佳組合公開

我們用 AI 工具協作製作超過 100 支教學影片，從腳本、配音、插畫動畫到後製流程，全都拆成可複製的標準作業。這篇會公開我們實戰中踩過的坑、最佳工具組合，以及為什麼聲音永遠是影像的起點。

Hank

07 Oct 2025 — 13 min read

不是一鍵生成，而是協作生產

過去一年半來，我們團隊製作了超過 100 支教學影片，
內容涵蓋從 AI 工具介紹、使用實例，到創作應用與人物故事，
每支影片的風格都不太一樣，但背後其實都有一套共通的製作流程。

我們不是靠「一鍵生成」就能把影片生出來，
而是一步步打造出一條 AI 工具協作的影片產線，
把腳本、配音、畫面、剪輯與後製拆成模組，
讓 AI 在正確的位置上幫我們節省時間、提高穩定度。

這篇文章會公開我們最常處理的三種教學影片類型，
也會拆解我們實際操作的七個製作步驟，
從「純人工」到「AI 協作」的差別到底在哪、怎麼做更快更穩，
以及我們踩過的坑與目前最推薦的工具組合。

如果你也想靠 AI 幫你批量做影片，
這篇會是你搭建第一條 AI 媒體工廠的使用說明書。

我們做的教學影片，分成這三種類型

要用 AI 做影片，第一件事不是選工具，而是先搞清楚你要做哪一種內容。
我們過去製作的 100 多支影片，大致可分成三種類型，每種都有不同的節奏與素材邏輯：

1. 故事型

這類影片通常從一個個人經驗或真實情境出發，帶出工具應用。
像是我們做過的〈我幫媽媽生了她沒拍到的結婚照〉，
就是用情感敘事串起畫面、配音與 AI 圖像，插入畫面節奏會比較細緻。
這類影片重視共鳴，畫面節奏較慢，insert 畫面與字幕呈現都要貼近情境。

2. 垂直型（流程導向）

這種影片會聚焦在某一個產業情境中，帶出完整流程，像是：
「餐廳老闆如何用 Excel AI 自動化回應顧客評論」，
這類內容的腳本結構類似教案，要拆出每個動作對應的工具，
也最需要插入操作畫面與畫面分段設計。

3. 水平型（功能導向）

這類影片是比較多工具、同一功能的並排介紹，
像是「五款 AI 配音工具誰最好用？」或「三種 AI 字幕工具實測」。
節奏會比較快，資訊密度高，畫面通常包含比較表、icon、字幕說明。
我們在製作這類內容時，最依賴腳本組織與配音清晰度，
也會優先使用 AI 工具幫我們快速產出畫面模擬與段落對照圖。

完整製作流程公開：從腳本到成片，我們怎麼協作 AI

做影片最怕的不是剪輯，而是「每次都從零開始」。
我們之所以能穩定產出 100 支以上的教學影片，
關鍵不在某個神工具，而在於：把製作流程模組化，讓 AI 在對的位置接手。

以下是我們每支影片都會走的七個製作步驟，
每個環節都曾經是人工處理，現在則有 AI 工具協作，大幅提高效率與穩定性。

1. 腳本產製

以前怎麼做：
每支腳本從白紙開始寫，要自己想架構、舉例、轉場語，
常常光是敲完初稿就花上一整天。

現在怎麼做：
我們會先用 ChatGPT 或 Gemini 拆段落結構、協助改寫段落語氣，
有時也會根據影片分類給它不同的 prompt（像故事型 vs 功能型）。
初稿 10 分鐘內就能出，後續只需要人工修改比喻、補關鍵詞即可。

我們怎麼運用 AI：

建立不同片型的提示詞模板（故事型／教學型／比較型）
要求 AI 製作「三段式」結構（起 → 展 → 收）
給它影片標題，請它幫我們生成 3 種開頭鉤子句選擇

upload in progress, 0 — AI 給的回答一定不能馬上用，至少要經過兩三次調校

2. AI 配音

以前怎麼做：
配音是一項最容易低估工作量的環節。
不是每個人都適合上麥，一旦口條卡頓、語調太平、節奏不穩，錄一支 5 分鐘的影片常常要花上 2 小時重錄。
而請專業配音員不只費用高，也不容易短時間修改稿子。

現在怎麼做：
我們改用 AI 配音 作為第一版音軌生成工具。
先把腳本丟進剪映裡，用你喜歡的聲音快速產出語音版本，
讓整段內容聽起來接近成品水準，再決定是否交由真人錄音重現。

我們的協作方式是這樣：

大部分影片前期用 AI 配音快速「試聽腳本」，確認語感與節奏是否通順
如果影片類型偏故事型或情緒導向，我們會再補真人錄製（尤其是片尾 call-to-action）
若是功能型影片或配合字幕的快速節奏片，AI 配音已可直接上線

聲音先決，是整條產線的節奏關鍵。
我們幾乎不會在聲音定案前處理任何畫面，
因為配音的節奏會決定分鏡長度、字幕 timing、甚至插畫或 insert 畫面的動態切換節奏。聲音確定後，後面每一步才有辦法精準展開。

3. AI 字幕

以前怎麼做：
過去剪片時最痛苦的一段就是「上字幕」。
要嘛逐句聽打、手動對齊時間軸，要嘛用剪輯軟體內建語音辨識功能，然後花更多時間修錯字。尤其遇到說話速度快或專有名詞多的教學影片，錯字率非常高，幾乎等於重打一遍。

現在怎麼做：
我們可以用剪映或是使用whisper API，先用 AI 轉錄語音、對齊時間軸，
在直接從剪輯軟體中修改字幕，整體效率提升超過 3 倍。

多語字幕怎麼處理？

利用 CapCut 的自動翻譯功能快速產出初稿，再手動潤飾
若影片用途是 IG／YouTube Shorts，我們會將字幕視覺化處理（加上動畫效果、關鍵詞強調）

字幕製作的角色也被徹底改變了：
從「純人力輸入的後製」變成「前製流程的一部分」。
現在字幕常常反過來變成我們修正腳本的依據，
也更容易根據觀眾回饋快速更新成不同語言版本。

4. 插畫／Insert 畫面產製

以前怎麼做：
畫面素材大多靠人工收集：要嘛上網找圖、自己畫、請設計、拍實拍素材，
不只花時間，還很難保證風格統一、解析度一致。
尤其是教學影片中常見的「模擬畫面」、「情境補圖」、「產品演示」，
每多一張圖，就要多做一輪找圖、剪圖、配圖的反覆流程。

現在怎麼做：
現在我們大量使用 Sora 2 、Kling、Veo 3、Midjourney 等 AI 生成工具來製作 insert 畫面，無論是模擬 App 操作畫面、插圖式分鏡、還是動態示意動畫，
只要給定明確提示詞，就能快速產出符合畫面需求的素材。

怎麼選工具、怎麼寫提示詞？我們這樣分：

故事型影片 → 用 Sora / Kling / Veo 3 生出真實感畫面（如人物、情境、舊時光感）
垂直型影片 → 用 Kling / Veo3 製作具流程感的步驟畫面（如 POS 機畫面、Excel 報表動畫）
水平型影片 → 用 Midjourney / DALL·E 3 快速產圖或 icon 比較圖，搭配 After Effects 做簡單動態

我們還會在腳本撰寫時預先註記每一段需要什麼類型的 insert，
並設一個「畫面欄」交給設計或 AI 輸出，這樣整條流程不會卡在畫面製作上。

畫面生成不再是補充，而是與聲音同步的敘事素材。
尤其在短影音時代，這些插畫 insert 才是真正留住觀眾的關鍵節奏點。

5. 人聲錄製

以前怎麼做：
早期我們幾乎每支影片都全程真人錄音。
從腳本唸起、邊錄邊修，一次錄不好就得整段重來，
有時錄完才發現腳本節奏怪、語氣不對，整支影片直接打掉重錄。
這不只耗體力，也讓每支影片的製作週期拉得非常長。

現在怎麼做：
現在我們會先用 AI 配音預聽整段內容，確認節奏、句型、段落邏輯是否通順，
等語音與字幕版本都穩定後，人聲錄製才會進場。

這樣的好處是——錄音變得像「對照版本錄」，
你不再是唸稿，而是參考一個已經跑通邏輯的 AI 範本，
只要調整語氣與節奏、加入情緒與個人風格即可。

我們的錄音策略通常是這樣：

若影片類型偏功能型（像工具教學），就讓 AI 配音直接上線
若是故事型、面向社群的內容，或需要強 CTA（行動呼籲）的部分，我們會真人錄製後段
人聲錄製都會配合既定節奏走，不需要從頭講起，大幅減少錄製時間與剪接痛點

現在錄音不再是「從零開始」，
而是成為整支影片中的最後一段「語氣加工」。
也因為聲音已經走過一次「AI 版本」，
我們每支影片的語調、停頓、情緒張力也更穩定，更接近真正的「編導級」輸出。

為什麼不用自己的聲音 Train 一個 LoRA 模型？
AI 配音的聲音雖然近乎完美，但這種完美反而讓人聽起來不夠自然、不夠舒服。
它的節奏、發音、情緒控制都精準到位，
但少了那種「一點點真實的瑕疵」──像換氣、猶豫、語氣抖動──
反而讓聲音更有溫度，也更有被說話的感覺。
另外，即使用自己的聲音訓練 LoRA 模型，
目前的結果仍可能帶有些微的電子音殘留或語氣黏滯感，
尤其是繁體中文語料是相當缺少的，所以怎麼錄都會有大陸的口音。