「AI 视频配音工作流」这种视频题，白天看好像就是几个工具串起来。可真到晚上复盘素材时，问题会变得很具体：这句旁白有没有画面接住？这个镜头到底说明了什么？
我会把 Runway、Descript、ElevenLabs 分开放。画面归画面，声音归声音，剪辑归剪辑。「视频配音工作流」最怕所有素材都很完整，放在一起却讲不清一件事。
这话听起来有点扫兴。但「AI 视频配音工作流」如果一开始不扫兴，后面通常会很累。尤其是配音，声音一进来，脚本里那些虚的地方会暴露得很快。
先问这条视频解释什么
我会先给「视频配音工作流」写一个很粗的镜头表。每个镜头只写三件事：说什么，出现什么画面，哪里必须人工确认。表很丑，但它能让后期少崩一次。
如果「视频配音工作流」只剩一句“帮我做一下”，我会先停住。需求越短，越要补上下文。
把必须确认的镜头标出来
材料不用多，但要真实。围绕「视频配音工作流」，我会把已有素材、不能编的事实、还没确认的地方放在一起。AI 看到的东西越具体，它越不容易装得很懂。
真要写提示词，我不会追求漂亮。我会直接告诉 AI：基于这些材料，给一版可讨论的中间稿；没有证据的别补；不确定的单列。放在「视频配音工作流」里，这样更容易改。
我常用的旁白 cue 其实很短，像这样就够用了：
{
"scene": "03",
"voiceover": "这里先不要急着生成整段，先确认这个镜头在解释什么。",
"visual": "产品界面停在设置页，光标点到导出按钮",
"check": ["事实是否准确", "画面是否能接住这句话", "语速是否需要停半拍"]
}
它不是正式分镜，只是把人需要确认的地方先露出来。露出来以后，Descript 里删停顿、ElevenLabs 里调语气，才不会变成纯靠感觉。
AI 做素材，不做负责人
这里最怕工具互相抢活。做「视频配音工作流」时，我会先把它们放到不同工位上。
Runway 适合镜头实验、生成画面和难拍素材。它解决的是画面可能性，不是脚本和剪辑的全部。Descript 适合转录、粗剪、删停顿和字幕复核。它让视频剪辑更接近文字编辑。ElevenLabs 适合旁白语气、语速和多语言声音版本。声音早点进来，视频节奏会更早暴露问题。
我宁愿让这套流程看起来松一点。只要能看出「视频配音工作流」的输入、输出、人工判断和沉淀位置，已经比一段很完整的 AI 回答可靠。
最后看能不能改
复核「视频配音工作流」时，我不会只看它顺不顺。我要看节奏、事实、画面和声音能不能互相对上。有一项说不清，就先别把它当成完成。
还有个容易忽略的小坑：别在文章里写死 Runway、Descript、ElevenLabs 的实时价格、套餐额度或地区可用性。这些东西变得太快。写清它们在「视频配音工作流」里的位置，就够了。
可以先用「视频配音工作流」做 30 秒小样。两三个镜头，一段旁白，一版粗剪。别急着漂亮，先看它能不能讲清楚。
我还会在旁边记一句：「视频配音工作流」不要只看成片。很多问题在脚本、旁白和镜头表里已经露出来了，只是大家急着看画面，没停下来处理。把这些小问题提前写出来，后面剪辑时会少很多尴尬。
到这里先停一下就好。不是把「视频配音工作流」包装成完整体系，而是让它少一点返工，多一点判断依据。这样就够实际了。
