做到前面第 16～19 篇，我其實已經把這段 AI 知識短片實驗拆成很多部分。

從錄音開始，讓 Codex 分析逐字稿；再交給 HyperFrames 安排字幕、Scene、圖片與動畫；後來又加入 AI Presenter、Illustrated Storytelling，以及 Layered Motion Graphics。

如果只看最後整理出來的流程，好像很順。但真正實作時完全不是這樣。

我的影片不是第一次生成就變成現在這個樣子，而是從：v1 → v2 → v3 → v4 → v4.1，一路慢慢修上來，而且最有意思的是，很多版本其實：內容沒有換、錄音沒有換、主題沒有換，甚至字幕文字大致也沒有換。

真正一直改的，是：畫面怎麼看、字幕怎麼出現、重點放在哪裡、動畫多快，圖片扮演什麼角色。

以及觀眾到底會不會願意把這 15 秒看完。

所以這篇我想記錄的，不是「哪個 AI 最厲害」，而是 AI 影片到底怎麼一步一步修成比較像成品。

先講結論：第一版的任務，本來就不是完美

這是我做到後來才比較接受的一件事。

剛開始使用 AI 做影片時，很容易有一種期待：我都已經把需求講得這麼清楚了，錄音也給了、字幕規則也說了、動畫也要求了。

那第一次輸出，不就應該直接很好看嗎？

實際上不是！第一版更像：把想法第一次變成可以被看見的東西。

只有當影片真的播起來，我才會知道原本寫在 Prompt 裡的東西，落到畫面上到底合不合理。

例如一句：「字幕放在下方。」

真正輸出後才會發現：到底下到哪裡才叫「下方」？會不會撞到手機 UI？會不會擋 Presenter？會不會和上面的知識卡擠在一起？這些事情，光用文字其實很難完全想像。

v1：功能都有，但第一眼就是「很像 PPT」

我的第一版其實不是壞掉。反而可以說：該有的功能大部分都有。

錄音正常、字幕有出現、標題有出現、知識重點也有，畫面甚至還有一些進場動畫。

但是我看完的第一個感受就是：「這是一份會動的 PPT。」

畫面主要還是：標題、方框、文字、小圖示、知識卡，然後這些元素一個一個飛進來，技術上有動畫，但觀看上沒有真的形成一個「影片」。

v1 最大的問題，不是動畫太少，而是畫面沒有真正的主角

這件事我後來才看懂。當時畫面裡什麼都有。所以反而：不知道要看哪裡。

標題在動、卡片在動、Icon 在動、字幕也在動，但這些元素彼此沒有明確的主從關係。

結果動畫越多，畫面反而越像：「我正在展示一張簡報。」

而不是：「我正在帶觀眾理解一件事情。」

v1 還有另一個非常明顯的問題：字幕太高

這是實際看成品之後，一眼就能發現的問題。

知識內容本來已經集中在畫面中上方，字幕又放得偏高，所以兩個區域一直互相搶空間。

尤其短片只有 9:16 的直式畫面，真正可以使用的區域其實沒有想像中那麼大。

所以 v1 給我的第一個教訓就是：字幕不是最後加上去的附件，它本身就是版面設計的一部分。

v2：先不要追求更華麗，先把「不好看」的地方整理乾淨

因此 v2 我沒有立刻要求：更多動畫、更多特效、更多素材，反而先處理最基本的觀看問題。

例如：

• • 字幕往下移
  • 主要知識區與字幕區分開
  • 減少互相打架的元素
  • 重新整理文字大小
  • 避免所有重點同時出現在畫面

這一版給我的感覺就比較像：先把房間整理乾淨！家具不一定換，但是把不該擋路的東西先搬掉。

這一步讓我開始理解 Safe Zone

以前我做影片，大多只注意：文字有沒有超出畫面。

後來才慢慢開始把畫面分成不同安全區域。

區域	主要用途
上方	品牌、標題、必要的 Hook
中央	主要 Story Scene、插畫、知識內容
左下／右下	Presenter 或輔助元素
最底部	字幕

一旦安全區先分好，後面的動畫就比較不會一直撞來撞去。

但 v2 還是沒有解決最核心的問題：畫面仍然太像資訊卡

字幕整理乾淨之後，確實比較舒服。可是我還是覺得：不吸睛。

這時候我開始知道問題已經不是排版。而是視覺內容本身太單調。

一段口播如果只有：一句標題、一張卡、三個重點，就算排得非常漂亮，仍然很容易像簡報。

所以我開始往 v3 走。

v3：開始加入真正的「畫面」，而不是只加入更多 UI

這是一個很大的轉折。

以前我看到畫面太空，直覺是：多一張卡、多一個 Icon、多一段文字。

到了 v3，我開始改成：「這一段如果用一個場景來表達，會長什麼樣子？」

例如口播講工作被打斷，以前可能寫：訊息、會議、通知。

現在則變成：一個人在桌前工作，旁邊的通知慢慢增加，手機亮起、行事曆跳出，桌上的工作越堆越多，這時畫面才開始真的和口播一起說話。

這也就是我開始進入 Illustrated Storytelling 的地方

從 v3 開始，我比較不再要求：「這裡放三個 Bullet。」

而會要求：這裡發生一件事情。

所以我的思考從：文字 → 排版 → 動畫


慢慢變成：口播 → Visual Event → Story Frame → Motion 這個改變非常大。

但是 v3 又出現新的問題：插畫很好看，可是動不起來

這就是第 19 篇的問題。AI 很快可以生出一張很漂亮的 Story Frame。

人物、桌子、窗戶、手機、文件、光線、全部都有，可是全部黏在同一張圖片裡。

所以動畫還是只能：Zoom、Pan、淡入、淡出，這就是我從 v3 繼續走向 v4 的原因。

v4：不再只動「圖片」，開始動「Layer」

到了 v4，我開始把 Story Frame 拆開。

背景、人物、前景、物件、文字、特效，開始變成獨立 Layer。

這時動畫突然有了完全不同的可能性。

背景可以慢慢推、人物可以微微靠近、通知可以單獨跳出、前景葉子可以比背景移動更快，Key Phrase 可以最後才出現。

畫面開始產生：前後景、節奏、焦點、時間順序。

v4 最重要的改變，不是「動畫變多」

而是：動畫終於開始有任務。

例如通知跳出，不是因為：「這裡空空的，讓它動一下。」

而是因為口播正在說：「我們不停被各種訊息打斷。」

所以通知真的一個一個進來。

這種 Motion 是：Story Motion，而不是 Decorative Motion。

這時我也開始減少不必要的動畫

很有趣。

前面一直覺得：影片不夠好看，是動畫太少。

到了 v4 反而開始：刪動畫。

因為 Layer 越多，就越需要控制。

不是所有東西都要晃、不是每一個字都要彈、不是每一張圖都要飛。

有些 Layer 最重要的工作，就是：安靜待著。讓真正重要的 Motion 更清楚。

那為什麼做到 v4，最後還多了一個 v4.1？

因為 v4 已經不是「重做方向」了。大方向基本成立。

接下來剩下的，是一些觀看上的小問題。

例如字幕：某些句子一長，就會一次出現兩行；技術上沒錯，但看起來會變成一整塊文字突然壓上來。

所以後來我又想：字幕能不能不要兩行一起出現，而是跟著口播一句一句出現？

這類修改，我現在就會理解成：v4.1。

v4.1：不再改大架構，而是修觀看感受

到了這個階段，我不希望再把整支影片推倒。

而是只修：字幕分句、字幕出現時間、位置再往下幾個像素。

某個動畫快 0.2 秒、某張圖再大一點、某個前景不要擋住人物、某個 Key Phrase 晚一點出現。

這些全部都是：Micro Refinement，也就是微調。

這也是我第一次真正理解版本號的小數點

以前我對：v1 → v2 → v3，其實沒有很嚴謹的概念。

現在我反而覺得可以這樣理解：

版本變化	代表意思
v1 → v2	結構或方向有明顯修改
v2 → v3	視覺方法明顯改變
v3 → v4	動畫系統、素材結構明顯升級
v4 → v4.1	方向不變，只修細節與體驗

這樣未來看到檔名，我自己也比較知道：這一版到底發生多大的改變。

如果把整個 v1 → v4.1 濃縮成一張表

版本	主要問題	主要修改
v1	功能完整，但像會動的 PPT	確認第一版流程能跑通
v2	字幕太高、版面擁擠、資訊互搶	重新整理 Safe Zone、字級與字幕位置
v3	排版改善，但視覺仍偏資訊卡	加入 Illustrated Storytelling、Visual Event、Story Frame
v4	Story Frame 好看，但單張圖動畫有限	拆 Layer、加入 Parallax、Story Motion、前後景
v4.1	大方向已成立，只剩觀看細節	字幕分句、時間、位置、Motion 節奏等局部微調

從這五個版本，我反而發現「不要一次改太多」很重要

假設我 v1 覺得很難看。

然後下一句就跟 Codex 說：「全部重做，字幕、字體、背景、插畫、動畫、人物、轉場全部換。」

最後可能得到一個完全不同的 v2。

可是我根本不知道：到底哪一個修改有效？哪一個反而讓它更糟？

所以後來我比較喜歡：一次解決一個主要問題。

例如：這輪只修字幕、下一輪只修 Scene、下一輪再修 Motion，這樣每一次迭代比較有意義。

我現在會先分清楚：這是「結構問題」還是「細節問題」

這會直接影響我要不要重做。

結構問題

例如：整支仍然像 PPT、Story Scene 不成立、畫面根本沒有主次。

素材本身選錯。

這種問題只移字幕 10px 沒用，它需要重新設計 Scene。

細節問題

例如：字幕高了一點、某句分段不好、動畫慢 0.3 秒、圖片小了一點、Presenter 擋到一個字。

這種東西就完全不需要：整支重做。

這個判斷，其實會直接影響 Codex 額度

如果每發現一個小問題，就叫 AI：重新分析、重新改整套程式、重新產所有素材、重新 Render 全片，不只慢，額度也會消耗得非常快。

所以做到 v4.1 之後，我反而開始更在意：能不能只改出問題的那一塊？

而不是：能不能再重新做一支？

這也是我後來開始建立「局部修改」思維的原因

例如問題只出在字幕，那就改字幕規則。

問題只在 Scene 2，就只改 Scene 2。

問題只在 Presenter，就只處理 Presenter Layer。

問題只在圖片，只替換那張 Asset。

這樣整个工作流才有可能真的大量化。

AI影片真正的成本，不只是 Render 時間

還有：模型額度、生圖額度、第三方工具額度。

數字人生成時間、HyperFrames Render、自己的檢查時間。

所以如果每一次「修一個字」都等於「整支重做」，這套 Workflow 根本無法規模化。

我現在會把修改分成四個等級

修改等級	範例	處理方式
Level A：文字	字幕、Key Phrase、錯字	只改文字 Layer
Level B：版面	位置、尺寸、Safe Zone	只改 CSS／Layout
Level C：Scene	一個場景不好看	只重做該 Scene
Level D：結構	整個視覺方法錯誤	才考慮升大版本重構

我覺得這張表對之後大量做影片會非常重要。

Preview 也開始比 Final Render 更重要

如果每一個微調都直接輸出最終高品質 MP4，等待時間會非常長。

所以我現在比較喜歡：修改 → Preview → 確認 → 再改。

直到大方向完全確定，才：Final Render。這和前面做銷售頁其實是一樣的。

網站也不是每改一個 Padding，就重新打包 ZIP 上正式站。

影片也沒有必要每改一個字幕，就完整輸出一次最終檔。

我現在的影片迭代流程，大概會變成這樣

v1 → 先看結構能不能跑 → 列出問題

v2 → 先修版面／字幕 → 確認觀看安全區

v3 → 改善 Storytelling → 增加 Visual Event

v4 → Layered Motion → 改善景深、焦點與節奏

v4.1 → 微調字幕、Timing、Position → Preview QA → Final Render

每一版最好都留下「修改紀錄」

這也是我後來覺得非常重要的一件事。

不然做到 v4 時，很容易忘記：v2 到底修過什麼？這個字幕規則是什麼時候決定的？為什麼 Presenter 不放正中央？

所以可以有一個很簡單的：CHANGELOG.md


裡面寫：

v1
- 初版流程完成
- 字幕偏高
- 畫面 PPT 感過重

v2
- 字幕移至底部安全區
- 重整版面與文字層級

v3
- 加入 Story Frame
- 減少純卡片式畫面

v4
- 導入 Layered Motion
- 加入 Parallax 與 Story Motion

v4.1
- 字幕一句一句出現
- 微調字幕位置
- 修正部分動畫 Timing

這樣未來重新打開專案，一眼就知道：這支影片是怎麼長成今天這個樣子的。

這些版本不是失敗，它們其實都是「測試資料」

以前看到 v1 不好看，我會覺得：失敗、浪費時間。

現在反而會覺得：

• • 沒有 v1，我就不知道字幕太高。
  • 沒有 v2，我不會知道排版整理好之後，真正缺的是 Storytelling。
  • 沒有 v3，我也不會發現漂亮插畫還是動不起來。
  • 沒有 v4，我就不會知道最後真正需要修的其實只是小細節。

所以每一版都不是：「前一版做錯了。」

而是：「前一版告訴我下一個問題在哪裡。」

這也是 AI 工作最容易被忽略的一點：看懂問題，比重新生成更重要

如果我只會：不好看 → 再生成、不好看 → 再生成、不好看 → 再生成，最後很可能只是一直抽卡。

真正比較有用的是：不好看？為什麼？是字幕？是構圖？是 Story？是 Layer？是 Timing？

把原因找到之後，再改對應的位置。

我現在會用這五個問題看每一版

問題	我要看的事情
1. 第一秒看得懂嗎？	Hook 與視覺焦點清不清楚
2. 關掉聲音還看得懂嗎？	Story Scene 是否真的參與敘事
3. 字幕好不好讀？	位置、分句、速度與 Safe Zone
4. 動畫有沒有任務？	是不是只是為動而動
5. 哪一個地方讓我想快轉？	節奏、重複或資訊過載

什麼時候才算「可以停止修改」？

這也是一個很危險的問題。

因為影片永遠可以再修：字可以再大 2px、動畫可以再快 0.1 秒、圖片可以再換一張，如果一直追求完美，永遠不會完成。

所以我現在反而會替自己設一條線。

至少做到：

• • 內容正確
  • 字幕正常
  • 畫面沒有明顯衝突
  • Story 看得懂
  • Motion 不干擾內容
  • 手機觀看舒服
  • 沒有明顯技術錯誤

就可以先：FINAL。

而不是永遠停留在：「還可以再更漂亮一點。」

Tina學姐這次最大的體會：AI 不是一次把成品做出來，而是把修改速度變得很快

我現在覺得這可能才是 AI 工具真正厲害的地方。

不是：第一次就完美。而是：

• • v1 不好，我指出字幕，它可以改。
  • v2 還像 PPT，我改 Story，它可以改。
  • v3 圖太扁，我拆 Layer，它還可以繼續改。

以前如果每一次都是人工重新剪、重新排、重新輸出，這個反覆迭代成本會非常高。

現在 AI 真正幫我的，其實是：讓「再試一版」這件事情變得沒那麼可怕。

寫在最後：好的 AI 影片，不是生成出來的，是迭代出來的

從 v1 一路做到 v4.1，我自己最大的改變其實不是學會更多動畫。

而是開始知道：看到一支影片不好看時，不要急著全部推掉。

先找到問題。

再判斷它屬於：內容、版面、Scene、Motion、還是細節？然後只改應該改的那一層。

這和前面我做 Tina-Sales-Page-Generator 時學到的事情，其實完全一樣。

好的系統不是每次全部重來，而是知道哪一層可以被替換。

影片也是！

字幕可以換、Scene 可以換、圖片可以換、Motion 可以換、Presenter 也可以換！

但是整條 Workflow 不需要消失。

AI 影片真正變精緻的過程，不是一直重新生成，而是不斷把「問題」縮小到可以精準修改。

我覺得，這才是 v1 → v4.1 真正留下來的東西。