AI图片文字怎么生成视频？图文视频制作方法

店铺里经常出现这样的时刻：活动后天就要上，需要一条视频讲清楚优惠怎么参加；新款今天到货，想发一条预告让老客先知道；详情页卖点写了一大堆，缺一段能让人一口气看完的讲解。这些需求有个共同点，不露脸、不实拍也能做，因为信息都已经写在图和文案里。可多数店铺仍然卡着没做，原因就一个：不知道文案和画面怎么组织成一条像样的视频。

AI图片文字生成视频解决的就是这个问题：把商品图、活动信息和卖点文字发进去，AI把图按顺序铺开、把文字排到画面上，再配上切换节奏，一条能投放、能发圈、能进详情的信息型视频就出来了。卖家要准备的是图和一句句想说的文案，分镜、排版、配音交给工具完成。青虎AI是对话式电商作图工具，输入商品图片和需求描述即可生成图片或视频，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，图文视频这类需求把内容说清楚就能生成，支持批量处理。

图文视频的门槛不在生成，在文字。同样的图片，文案写得好不好、排得清不清楚，决定视频是专业还是廉价。买家在手机上划动着看，一屏就两三秒，文案太长读不完，字号太小看不清，字幕和画面错位，整条视频就垮了。这篇文章按新手最容易踩坑的顺序来讲：先分清要做的内容属于哪一类，再给文案和排版的执行规则，然后是字幕配音和时长的配合方法，最后落到用青虎AI从文案清单到成片的操作步骤。

阅读建议：有现成任务的，直接按第七节把图片和文案整理好去生成，再用第四、五节的规则检查文字；想建立长期产出能力的，重点看第二节的内容分类和第六节的屏数规划，把模板沉淀下来，之后每条视频往模板里填内容就行。文中时长字号均为常规经验值，以实际投放位置的规则为准。

一、图文视频适合哪类内容：两个条件加一个边界

判断一个需求适不适合做图文视频，先过两个条件：信息能不能拆成一屏图配一句短文案的形式，让每条信息用一句话就说清；内容是否需要人物出镜、真实动作过程来支撑。两个条件前者满足、后者不需要，就适合；反过来，要靠表演和现场感取胜的内容，图文视频承载不了。

从这个判断出发，电商里最合适的三类内容浮出水面。活动宣传是最典型的图文视频场景，优惠力度、活动时间、参与方式是结构化信息，配图搭场景、文字讲规则；卖点轮播把一款商品的多条卖点逐条讲，一屏一个卖点，讲完收尾引导下单；上新通告把新品系列、首发信息、预售节奏铺出来，用图建立期待，用文案带节奏。三类占了店铺日常视频需求的大头。

边界也要说清楚：纯参数罗列、步骤教学类的内容不适合。参数表逐项读需要停留，图文视频一屏两三秒装不下；步骤教学需要画面连贯，图片跳切会把步骤切断。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，各司其职，素材效率最高。

图1：图文视频的画面是图片加大字文案的组合，一屏只承载一句核心信息

二、先分清做哪类：活动通知和卖点轮播是两种拍法

很多人把活动视频和卖点视频当成一回事，直接套用同一种写法，结果活动视频像卖点罗列，卖点视频又看不出优惠重点。两类内容的目标观众状态不同：看活动视频的人想知道这次有什么便宜，看卖点视频的人想知道这款凭什么值得买，两种心态决定了文字和画面要分开设计。

活动视频的文案围绕三个要素组织：什么便宜了、便宜到什么时候、怎么买。开场屏直接亮力度，比如全场满减、第二件半价，不必铺垫；中间屏交代范围和玩法，哪些商品参加、门槛是多少；收尾屏压上时间限制，把紧迫感收在行动指令上。活动视频最忌讳的是把每个参加活动的商品卖点都讲一遍，买家看完记住了商品，忘了活动怎么参加。

卖点轮播的文案围绕决策顺序组织：开场用痛点或利益点留住人，中间按决策权重逐条讲卖点，最影响下单的判断放前面，收尾落到购买动作。它和活动视频的区别在于收尾：活动视频收在限期优惠上，卖点视频收在商品价值确认上，一个推的是机会，一个推的是产品，方向别混。

两类内容也可以组合：主打款用卖点轮播建立认知，另出一条活动版讲优惠，投放时按图位选用，比硬塞在一条里两头不讨好高效得多。

三、一屏讲一个点：图文视频的屏结构与文案写法

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。写内容时以屏为单位逐屏设计，先定这条视频有几屏，再逐屏填画面和文案，不要先想整条视频再回头补画面。按功能，一屏可以分为四种类型。

文案的写法有规律。一屏只写一句，一句话只讲一个点；句子用短句，主谓宾说清这个商品有什么、带来什么好处；动词优先，能说自动折叠就不说具备折叠功能；卖点排序按决策权重，先讲影响下单最大的。写草稿时先放开多写几屏，再逐屏删到目标屏数，留下来的每一句都要能单独成立。

开场屏和收尾屏各有写法定式。开场要么抛痛点引起共鸣，要么直接亮利益点，把值得看的理由提前到第一句；收尾固定做行动引导，把价格、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。主文案避免堆形容词，同是讲静音，很安静不如静音送风，静音送风不如低至二十三分贝，可验证的数字和结果比抽象形容可信得多，能被形容词替换掉的句子就是空话。

四、文字排版：手机小屏上看不清等于白做

图文视频绝大多数在手机小屏上被观看，排版的唯一底线是小屏划动中一眼读清。排版规则落到具体数值上，方便直接对照，生成后按这张表逐屏核一遍。

单屏字数是最先要卡的线。图文视频的文字是给划动中的买家扫读的，不是细读的，主文案十二个字以内，价格标签这类辅助信息再短一截。句子超过一行半就拆短，一屏的文字密度永远让位给清晰度。

文字层级解决先看哪里的问题。主文案和辅助信息要有明确主次：主文案大号粗体、高对比色，辅助信息细体小号弱化；同一段视频里主文案固定在同一个视觉位置，买家形成阅读惯性后，扫读效率明显提升。安全边距和背景是手机端硬约束：屏幕边缘在播放和裁剪时都可能被切，文字离边太近有风险，上下左右留百分之十左右的边距是通用保险线；复杂商品图上直接压字是最常见的翻车点，主文案区域要么选画面干净留白处，要么叠一层半透明深色底，任何画面下文字都可读才算过。

字体的选择要克制，标题用常规粗黑体系就够，电商图文视频不靠字体花样取胜，一套加粗负责主文案、一套常规负责辅助文字，全片只两套。颜色对比以手机亮度减半仍可读为准，浅底配深字、深底配浅字加底，是最稳的组合。排完版缩到手机尺寸逐屏看一遍，字号、对比、贴边问题在这一步全部现形，别在大屏上验收。

图2：同样的文案，规范排版一眼读清，堆砌排版在小屏上完全不可读

五、字幕与配音：信息双通道不能断

图文视频加了配音和字幕，信息密度和观感会上一个台阶。配音让买家不用逐字读，字幕兜底静音场景，两条通道互相配合，观看体验才完整。配合里有几个需要控制的具体环节。

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：常规口播每秒四字左右，主文案十二个字的屏至少留三秒，配两秒的屏就会赶。所以带配音的视频先按文案字数留足屏时长，而不是反过来压缩文案迁就时长。

字幕的位置和断句有规范。字幕跟随口播逐屏出现，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，句子不能拦腰截断。静音场景下买家要能靠字幕读懂整条视频，字幕承担了一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，音量压低到不干扰口播的程度。需要卡点的视频把屏切换对准音乐节拍，切换的节奏感会强化流畅度。没有配音的版本，音乐承担节奏功能，按节拍安排每屏切换就是主要的节奏手段。音乐优先使用素材库内可直接商用的曲目，别搬短视频平台的热门配乐，投放量级上来会被下架。

六、时长与屏数：按用途先排容量再填内容

图文视频的时长由投放用途决定，用途定了屏数就有了上限。规划时先定秒数，再按时长倒推屏数，最后决定哪些信息进、哪些信息砍，顺序反了内容就会超载。

常规档位给三档参考：9到15秒的短版适合主图位、社群和轻量内容，容纳四到六屏，只讲一两个核心卖点加一个行动引导；15到30秒的中版适合详情页和站外信息流，容纳八到十二屏，卖点讲全，穿插展示屏和品牌收尾；超过一分钟不建议用图文形式做，信息量撑不住，完播率掉得快。

画面比例按投放位选：3:4竖版覆盖绝大多数电商图位，9:16适合全屏竖屏的短视频场景，1:1适合方形图位和部分社群。比例影响文字排版空间，竖版比方形上下更宽裕，主文案字号可以更大。同一个内容源需要多比例版本时，用AI按不同比例各生成一版，文字自动适配位置，不要直接拉伸原画面，变形后的文字阅读体验明显变差。

投放前最后检查两处：自动循环的图位，收尾屏和开场屏要能自然衔接，收尾引导语不要和开场冲突；首帧画面按静态主图标准单独优化，首帧往往是第一屏文字标题，缩略尺寸下可读与否直接决定点开率，值得单独花时间。

七、用青虎AI把图文生成视频：从文案清单到成片

文字、排版、规格的规则都在前面了，把生成流程落到青虎AI上。图文视频以素材和文案为输入，四步走完能拿到一条可投放的成片。

图3：图文视频的制作流程，文案清单的干净程度决定成片的可用程度

整条流程里真正花时间的是步骤一的文案整理，生成环节很快。文案整理得好，AI生成的视频只需微调；文案潦草，成片文字几乎全要返工。模板沉淀下来，三类内容都能按同一套流程快速产出。

八、图文视频的四个误区

图文视频的常见问题集中在文案和排版，翻车点很集中，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，这一屏只给买家一个能瞬间看懂的信息。

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执行技巧。

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产出，把技巧沉淀成流程，店铺的日常视频供给就有了保障，不用每次从零开始。

十、三个店铺用图文视频的落地场景

看三个应用场景，分别对应活动预告、广告素材和上新详情三种常见需求。

三个场景的共同点：素材只有图加文案，却都在紧的节点把信息讲清楚了。活动一次讲清、卖点快速测版、上新系统讲解，同一套方法覆盖三类需求。

图4：活动一次讲清、卖点快速测版、上新系统讲解，图文视频覆盖三类高频内容需求

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