15 秒带货短视频脚本怎么写：豆包按规则出分镜和口播，再出一张分镜参考图；口播一定要读出来掐表

15 秒的带货短视频，难的不是「写得好不好听」，而是三件事：能不能在 15 秒里读完、每句话有没有依据、拍的人看不看得懂。

下面用豆包写脚本、出分镜参考图（这次没看到扣费），再讲怎么检查口播读不读得完。这是豆包按一句话画的 4 个镜头：

豆包画的分镜参考图：冷天拿起杯子、转动展示、杯盖当杯子倒水、往镜头前推（画面是 AI 画的拍摄参考，不是商品实拍）

商品是本系列一直用的墨绿保温杯（AI 生成的演示素材），参数沿用《用 AI 写商品标题和卖点不踩红线》里的事实清单。

你需要准备

• 商品的事实清单：只写能拿出证据的参数和测试数据；
• 一张商品图（白底图就行），用来出分镜参考图；
• 豆包账号，网页 doubao.com 或手机 App；
• 手机秒表。

第一步：让豆包按规则写脚本

最关键的是第 3 条：口播每秒最多 3 个字，数字按读法算。这是我们实测出来的，原因见后面。复制下面这段，换成你的商品：

你是抖音、淘宝短视频的带货编导。给下面的商品写一条 15 秒的竖屏带货短视频脚本。

商品：墨绿保温杯（类目：日用品）
事实清单（口播和字幕只能用这里面的内容）：
- 容量 500ml
- 内胆 316 不锈钢，外壳 304 不锈钢
- 真空双层结构
- 注入 95℃ 热水，6 小时后约 62℃（店家自测）
- 杯盖可以当杯子倒水喝
- 重量约 320g
- 颜色：墨绿

要求：
1. 分 4～5 个镜头，时间连续，从 0 秒到 15 秒；
2. 前 3 秒是钩子：用一个具体的使用场景或问题抓住人，不要用「家人们」「宝子们」这类口头禅开场；
3. 口播按实际读出来的字数算（数字要按读法算，例如「95度」是「九十五度」4 个字），每秒最多 3 个字：3 秒的镜头不超过 9 个字，4 秒的镜头不超过 12 个字，全片不超过 42 个字；
4. 每句口播必须能在事实清单里找到依据，没有依据的感受和效果不要写；
5. 字幕是屏幕上的大字，每条不超过 8 个字；
6. 画面写清楚拍什么、怎么拍（景别、动作），只拍商品和手，不出现人脸；
7. 最后一个镜头引导下单，但不写价格、不写「最后一天」「限时」这类没有依据的促销；
8. 不用绝对化用语。

用表格输出，列是：时间、画面、口播、口播字数（按读法）、字幕、依据。

豆包这次写的：

没有编参数，也没有极限词。但有三处要改：

• 字数数错了：「墨绿 500 毫升保温杯」读出来是「墨绿五百毫升保温杯」，9 个字，它数成 8；「316 内胆，杯盖当水杯」至少 10 个字，「316」要是被读成「三百一十六」就是 12 个字；
• 最后一个镜头说要引导下单，口播里却没有，换成「墨绿保温杯，点击下方」这类话；
• 它主动说明了「店家测温数据因字数限制未放入口播」。15 秒放不下的测试条件，放进画面的小字（比如「注入 95℃ 热水 6 小时后约 62℃ · 店家自测」），不能只写「保温」两个字。

第二步：读出来，掐表

AI 数字数不准，估算也不准。最可靠的办法：每个镜头的口播，用你平时说话的速度读一遍，拿手机秒表掐时间。超过镜头时长的，删字，不要加快语速。

我们之前用配音模型把 6 份脚本的口播真的读出来量过，结果是：

• 实际语速只有每秒 3.3～3.7 个字，不是常说的每秒 4～5 个字。按每秒 4 个字写的 6 份脚本，4 份有镜头读不完；
• 数字读出来更长：「95度」读作「九十五度」，「316」被配音读成了「三百一十六」（行业里一般读「三一六」）。所以口播里的数字，干脆直接写成读法：「三一六」「六十二度」。

这是按每秒 4 个字写的一份，听一下镜头切换时口播还没说完：

按每秒 4 个字写的脚本配音：14.7 秒，最后两个镜头读不完

改成每秒最多 3 个字后，重写的口播 10 秒左右就读完了，每句都在自己的镜头里：

按每秒 3 个字重写后的配音：每句在自己的镜头时间点开始

第三步：出一张分镜参考图

给拍摄的人看，比文字描述清楚得多。豆包点「图像生成」，上传商品图，按脚本的画面写：

短视频分镜参考图：用参考图里这个墨绿保温杯，画一张 2×2 四宫格，每格是一个竖屏镜头。左上：特写，一只手在冷风里拿起保温杯；右上：中近景，手转动杯身展示外观；左下：特写，手把杯盖拧下来当杯子倒水；右下：近景，手托着保温杯往镜头前推。只拍手和商品，不要出现人脸，不要写字。杯子的形状、颜色和标志照原图。

出来就是文章开头那张图。每格下面的时间、字幕、口播，在聊天里或打印出来手写上就行。

分镜参考图只是拍摄参考，不是商品图：比如左下杯口的螺纹、右下杯盖拧开后的样子，都是 AI 画的。正式视频要用真实商品拍。

拿它挣钱：给店铺写带货脚本

• 谁需要：要做短视频但没有编导的小店；接拍摄单的摄影师；
• 交付什么：2～3 版脚本（表格）+ 每版的分镜参考图 + 一段自己读的口播样音，拍摄的人照着拍就行；
• 怎么报价：去闲鱼、淘宝搜「带货短视频脚本」「分镜脚本」，看同行按条怎么收。

合规提醒：口播里的每个数字都要有依据，测试数据要带上测试条件；视频用了 AI 配音、AI 画面的，发布时按《人工智能生成合成内容标识办法》和平台规则标识。

我们还试了什么

之前我们用同一个提示词对比了云端的 Gemini 3.8 Flash、Gemini 3.1 Pro 和本机的 Qwen3.8-27B，各写 2 次：

每秒 3 个字的规则，就是那次用本机的 CosyVoice 3（《在 Mac 上部署 Fun-CosyVoice 3》，开源、能克隆自己的声音）逐镜头配音量出来的。按旧规则写的 6 份脚本：

也试了 Gemini 的语音合成读同一段口播（整段 10.4 秒）。它会把写在文字前面的「用热情的主播语气读」也读出来，用方括号标签 [excited] 才正常：

Gemini 语音合成（音色 Kore，语气标签 excited）：整段 10.4 秒

分镜图当时用 Nano Banana Pro 画，再用脚本把时间、字幕、口播写到格子下面：

Nano Banana Pro 画的分镜板，每格下面是时间、字幕和口播

想用店主或主播自己的声音配音，用 CosyVoice；用别人的声音必须经过本人同意。

常见问题

口播读不完，能不能让配音读快一点？

不建议。读快了听不清，尤其是数字。删字比加速好。

能直接把分镜图做成视频吗？

可以把每个镜头交给图生视频工具（见《一张商品图生成 5 秒主图视频》），但每个镜头都要用真实商品照片做首帧，生成后逐帧检查商品有没有变。

用到的工具

接下来

• 主图视频怎么做：《一张商品图生成 5 秒主图视频》
• 直播讲解稿：《直播讲解稿和答疑卡》