AI图片文字生成视频怎么做？文字配图生成视频方法

电商日常里有一类做视频的需求最尴尬：活动马上要上、新款马上要发，需要一条讲清楚卖点和活动的宣传视频，但手上翻来翻去只有商品图、活动规则和一句句卖点文案，一段实拍素材都没有。临时安排拍摄周期太长，外包一版来回沟通耽误节点。可这类视频的内容结构恰恰最标准：几张商品图，配几句短文案，按顺序一屏一屏地轮播过去，就是一条能投放、能发圈、能进详情的信息型短视频。

AI图片文字生成视频解决的正是这个需求：把图片和文字这两样现成素材组合起来，生成一条图文轮播视频。卖家要做的只是准备好图和文案，剩下的分镜编排、文字呈现、配音字幕由AI完成。青虎AI是对话式AI电商作图工具，把商品图、活动信息和要突出的卖点文字发进对话，说明时长和用途，就能生成视频，支持AI商品主图、AI图片处理、AI视频处理、AI商品图一键生成视频等能力，全程对话式操作、支持批量。活动宣传、卖点轮播、上新通告这类高频内容，运营自己就能在几分钟内产出一条成品。

图文视频的门槛在工具之外：观感好不好，九成取决于文字怎么写、怎么排、怎么配。文案堆满屏买家读不完，字号太小手机上看不清，字幕和配音对不上整条视频就垮了。这篇文章把图文视频的制作拆开讲：先理清适合它的场景，再给出一屏一屏的分镜结构和可直接套用的分镜模板，接着讲文字排版与配音字幕的具体规则，最后落到用青虎AI从素材到成片的操作步骤。每一条规则都给了能直接执行的数字和判断标准。

阅读建议：有现成任务的，先抄第四节的排版规则和第五节的配音配合标准，再按第七节步骤跑一遍；想建立长期产出能力的，重点看第三节的分镜模板和第六节的规格规划，把模板沉淀下来，之后每条视频都往模板里填内容。

一、图片加文字的视频，覆盖电商里哪些高频场景

图文视频的适用范围可以概括成一句话：信息能拆成图加短句的内容，都适合用图文视频承载。它的信息主体是文字，画面负责建立视觉场景，两者组合完成表达。不需要真人出镜、不依赖真实动态过程的宣传类内容，是它的主场。

判断一个需求适不适合图文视频，用两个问题过一遍：内容能不能拆成一屏图配一句短文案的形式，其中每一条信息用一句话就说得清；需要人物表演、剧情推进或真实使用过程的内容，图文视频承载不了，回到实拍。活动规则、卖点清单、上新要点这类结构化信息，正是图文视频最擅长的类型。

从运营效率看，图文视频解决的是内容产能问题。过去这类视频要排队等设计排期，一次改价、一次活动调整就要重新排期；图文视频把产能还给了运营，改一句文案就能重出一版。店铺每周固定产出的活动内容、上新内容、社群内容，都能按固定模板批量生成，视觉内容供给从等靠变成自给。

同样要看清边界：参数罗列型内容、步骤教学型内容不适合做成图文视频。参数表逐项读需要停留时间，图文视频一屏两三秒装不下；步骤教学需要画面连贯演示，图片跳切容易断步骤。这类内容交给详情图文或实拍，图文视频只承接"讲清价值、推动点击"的信息型内容，两边各司其职，素材效率最高。

二、图文视频的结构：画面、文字、声音三层怎么分工

一条合格的图文视频可以拆成三个独立管理的层：画面层负责视觉场景，由商品图、场景图、背景色构成；文字层负责信息主干，主文案讲核心信息，辅助文字做补充；声音层负责听觉配合，口播和音乐强化情绪与节奏。三层各管各的，改动任何一层都不牵连其他层，这是图文视频便于迭代的结构基础。

图文视频的叙事单位是屏。一屏等于一张画面加一句主文案加一次停留，多屏按顺序连起来就是整条视频。写分镜时以屏为单位逐屏设计，而不是先想整条视频再补画面。屏与屏之间靠文案的逻辑递进衔接，卖点屏之间是并列关系，开场屏和收尾屏是首尾关系，衔接的顺滑程度决定了观看的连贯性。

按功能，一屏可以分为四种类型。开场屏的任务是在开头几秒讲清这条视频讲什么，通常放最有冲击力的利益点或最尖锐的痛点；卖点屏是主体，一屏讲一个卖点，逐条罗列；展示屏负责给出商品全貌和使用场景，画面权重高、文字精简；收尾屏做行动引导，放价格、活动期限、下单提示或品牌收口。四种屏型在一条视频里按开场、卖点、展示、收尾的顺序组合，卖点屏和展示屏可以穿插。

屏与屏的衔接质量决定观看的流畅度。三条衔接线要同时顺：文案线，上一屏的句尾与下一屏的句首有逻辑递进或并列关系，不能跳题；画面线，相邻屏的画面色调和商品保持统一，突然换背景会显得内容割裂；节奏线，卖点屏之间的停留时长保持稳定，让买家形成匀速阅读的预期。写分镜时把相邻两屏连起来读一遍，衔接断在哪一屏，改动就落在哪一屏。

图1：开场屏、卖点屏、展示屏、收尾屏按顺序组合，构成图文视频的基本骨架

不同屏型的时长权重不一样。开场屏和收尾屏各占一屏的常规时长，卖点屏可以根据卖点数量重复，展示屏在一屏停留时适当放宽。整条视频的屏数由时长倒推，按一屏两到三秒计算，一条十五秒的视频容纳五到六屏，三十秒的视频容纳十到十二屏。屏数先定，画面和文案的取舍就有了边界。

三、先写分镜再生成：卖点轮播的分镜模板

图文视频最忌讳跳过脚本直接生成。分镜是图文视频的蓝图，把每一屏的画面、文案、时长在表格里先排一遍，生成只是把蓝图渲染出来。分镜写得好，视频差不到哪去；分镜潦草，生成多少次都是在乱图堆里碰运气。下面给一个可直接套用的分镜模板，以一款桌面风扇的大促视频为例。

屏次	画面	主文案示例	时长	该屏任务
第1屏	风扇使用场景图	夏天办公桌缺一台循环扇	2秒	开场抛痛点
第2屏	风扇正面白底图	直流变频，静音送风	2秒	核心卖点
第3屏	摇头角度细节图	广角送风，全屋清凉	2秒	功能卖点
第4屏	操作面板特写图	三档调节，一键定时	2秒	功能卖点
第5屏	活动信息图	大促直降，立减50	2秒	利益点强化
第6屏	品牌尾图	现在下单，抢早鸟价	2秒	收尾引导

主文案的写法有规律可循。一屏只写一句，一句话只讲一个卖点；句式用短句，主谓宾说清"这个商品有什么、带来什么好处"；动词优先，能说"自动摇头"不说"具备摇头功能"；卖点的排序按买家决策权重，先讲影响下单最大的，再讲锦上添花的。草稿阶段先多写几屏，再逐屏删到目标屏数，留下来的每一句都要独立成立。

开场屏和收尾屏有各自的写法定式。开场屏要么抛痛点引起共鸣，比如"夏天桌面热到烦躁"，要么直接亮出利益点，比如"风扇界的静音王者"；收尾屏固定做行动引导，把价格、活动期限、下单入口放进来，文案落在"现在下单""抢先购""限时价"这类带动作的词上。开头和结尾的文案决定了视频的点开率和转化率，值得反复打磨。

卖点文案要尽量带可感知的证据，少用形容词、多用数字和结果。同是"静音"这个卖点，"静音送风"比"很安静"可信，"低至二十三分贝"又比"静音送风"具体。抽象形容词买家无法验证，具体数字和可对照的结果才能建立信任。每一条主文案写完都追问一句：这句话换成一串形容词能不能被删掉，能被删掉的就是空话。

四、图文视频的文字排版：手机小屏上看得清才算数

图文视频绝大部分在手机小屏上观看，文字排版的底线是：买家在划动中一眼能读清。排版规则可以归纳成一张对照表，错误的做法和高分的做法放在一起看更直观。

排版环节	常见错误	正确做法
单屏文字量	整段卖点文字贴上去	主文案12字以内，辅文案更短
文字层级	主辅文字同字号同颜色	主文案大而醒目，辅助弱化
安全区域	文字贴到屏幕边缘	上下左右留10%以上安全边距
背景关系	文字压进复杂画面	文字放在纯色区或加半透明底
字体选择	多字体混用加花式字	一套粗黑体标题加一套细体正文

单屏文字量是排版的起点。图文视频的文字是给划动中的买家扫读的，不是给读者细读的，主文案控制在十二个字以内，辅助信息比如价格标签再短一截。句子超过一行半就要警惕，与其缩小字号迁就长句，不如把长句拆短，一屏的文字密度永远让位给清晰度。

文字层级是让买家知道先看哪里的关键。主文案和辅助文字要有明确的主次关系，主文案用大号粗体，辅助信息用细体小字号，颜色上主文案用高对比色，辅助弱化。一条视频里每屏的文字结构保持一致，主文案固定在一个视觉位置，买家形成阅读惯性后，扫读效率会明显提高。

安全区和背景处理是手机端的硬约束。屏幕边缘在播放和平台裁剪时都可能被切掉，文字离边距太近有被裁的风险，上下左右各留百分之十以上的安全边距是通用保险线。文字和画面的关系上，复杂的商品图背景上直接压字是最常见的翻车点，主文案区域要么选画面里干净的留白处，要么叠一层半透明的深色底，保证任何画面下文字都可读。

图2：同样的文案，规范排版一眼读清，堆砌排版小屏上完全不可读

字体的选择要克制。标题文字用常规粗黑体系就足够，电商图文视频不靠字体花样取胜；一套加粗字体负责主文案，一套常规字体负责辅助文字，全片只用这两套，品牌感靠稳定不靠花哨。文字颜色与背景的对比度要达到在手机亮度减半时依然可读的程度，浅色背景配深色字、深色背景配白色加底，是最稳的组合。

五、配音与字幕：声音层怎么配合图文

图文视频加入配音后，信息密度和观感会上一个台阶。配音让买家不用逐字读，听就能接收信息，字幕则兜底静音场景。配音与字幕的配合有四个环节需要控制。

配音文案就是主文案的朗读版，两者必须一致。配音读到第几屏，字幕就要跟到第几屏，口播和画面错位是图文视频最明显的制作瑕疵。长度上按语速倒算：常规口播语速每秒四字左右，主文案十二个字的屏，配音时长至少三秒，配两秒的屏就会赶。所以配音的视频，屏时长要按文案字数留足，而不是反过来压文案迁就时长。

字幕的规范与静态文字略有不同。字幕跟随口播逐屏出现，位置固定在屏幕下方安全区，单屏字幕不超过一行；一句话被拆到两屏时，口播和字幕都要在屏边界处断句，不能把句子拦腰截断。静音场景下买家要能靠字幕读懂整条视频，所以字幕承担了部分文字排版的功能，字号不能小于安全值。

背景音乐与配音是配合关系。配音为主，音乐为辅，音乐音量压低到不干扰口播的程度；需要卡点的视频，屏与屏的切换点对准音乐的节拍，切换的节奏感会强化观看的流畅度。没有配音的图文视频，音乐承担节奏功能，卡点就更为重要，按节拍安排每屏的切换时间是纯音乐版本的主要节奏手段。

背景音乐优先使用素材库内可直接商用的曲目，避免直接搬运短视频平台热门配乐。商用配乐要注意授权范围，投放平台和发布渠道不同，授权要求也不同，图省事用了无版权音乐，投放到一定量级会被下架甚至追责，得不偿失。无配音的图文视频，字幕是唯一的信息通道，字号按手机小屏标准加大一档，屏停留时间也要按字幕阅读速度重新校准。

六、时长、比例与投放位：成片规格怎么定

图文视频的规格由投放位决定，先定出口再定参数。主图视频和店铺内容通常要求竖版短时长，站外投放按平台规范走，同一个视频源可以按不同比例导出不同版本，但内容结构要以主投放位为准来设计。

时长决定屏数和信息量。十五秒版本适合主图和轻量内容，容纳五到六屏，只讲两三个核心卖点加一个行动引导；三十秒版本适合详情页和内容平台，容纳十屏左右，卖点可以讲全，再配一屏展示和品牌收尾；超过一分钟的图文视频完播率掉得快，除非平台特定要求，不建议用图文形式做长内容，信息量不够撑。

画面比例按投放位选择。竖版三比四和全屏九比十六覆盖绝大多数电商图位和短视频平台，方形一比一适合部分社群场景。比例影响文字排版的可用空间，竖版比方形在上下方向上更宽裕，主文案可以留更大的字号；导出多比例版本时，文字重新适配位置，不要简单拉伸原画面，变形后的文字阅读体验会明显变差。

投放前的最后检查是循环与首帧。图文视频如果放在自动循环的图位，收尾屏和开场屏之间要能自然衔接，收尾的引导语不要和开场产生冲突；首帧画面按静态主图标准单独优化，图文视频的首帧往往是第一屏的文字标题，标题在缩略尺寸下是否可读，直接影响点开率。

七、用青虎AI生成图文视频：操作步骤

分镜、文案、排版规则都清楚了，把生成流程落到青虎AI上。图文视频的生成以素材和文案为输入，四步走完就能拿到一条能投放的成片。

图3：图文视频生成四步流程，文案清单与规格描述决定成片的可用程度

这套流程里，真正花时间的环节在步骤一的文案整理，生成本身很快。文案整理得好，AI生成的视频只需微调；文案潦草，成片文字全要返工。把分镜模板和文案规范沉淀成店铺资产后，活动宣传、卖点轮播、上新通告都能按同一套流程快速产出，内容产能的问题就解决了。

八、图文视频最常见的四个误区

图文视频的常见问题集中在文案和排版上，翻车点非常集中，拿出来逐个拆开。

四个误区的共性是拿别的媒介的习惯套视频：把视频当海报、当说明书，忘了图文视频的观看环境是划动中的小屏。所有规则回到一个原点：买家两三秒扫一屏，这一屏只给他一个能瞬间看懂的信息，剩下的内容放下一条。

九、让图文视频稳定出效果的四个技巧

绕开误区之后，给四个能直接提升图文视频质量的技巧。

四个技巧分别管内容取舍、开场钩子、节奏匹配和模板复用，前三个提升单条质量，第四个解决批量效率。图文视频的核心能力是稳定的内容产出，把技巧沉淀成流程，店铺的日常视频供给就有了保障。

十、三个店铺用图文视频的实战场景

看三个应用场景，覆盖活动、卖点和上新三个方向。

三个场景的共同点：图文视频都是在信息要快速传递、素材只有图加文的情况下，把内容产能补上来的手段。活动有期限、卖点要讲清、上新要节奏，三类需求都被同一套方法解决，分镜先行、文案精简、模板沉淀。

图4：活动宣传、卖点轮播、上新通告，图文视频覆盖电商三类高频内容场景

十一、总结：图文视频是把图和文案变成视频产能的方法

十二、常见问题解答