10 条 60 秒的口播，前 3 秒只留住 58% 的人，平均看到第 12 秒就走了。回看这 10 条的开头，7 条从「大家好，我是…」开始，第 3 秒还在铺垫。改成前 3 秒直接给结论、加同屏文字，重做后前 3 秒留存 79%，平均观看 21.3 秒。
一句话结论
开头留不住人，不是话说得不好，是顺序反了。原来的结构是「自我介绍 → 铺垫 → 结论」，观众在第 3 秒还不知道这条跟自己有没有关系，就走了。改成「结论 → 为什么 → 怎么做」，前 3 秒直接给判断句，留存从 58% 到 79%，平均观看从 12.4 秒到 21.3 秒。多出来的 8.9 秒，正好够讲清一条理由——观众愿意留下，是因为他们想知道答案怎么来的。
这篇解决什么问题
三个症状。一是前 3 秒在打招呼：自我介绍、今天聊什么、先说一下背景，这些话说的人觉得礼貌，看的人觉得跟我无关。二是结论埋在第 40 秒：前面全在铺，铺完才有答案，可那时候人已经走了一半。三是静音看着不知道在讲什么：很多人不开声音，画面上又没有字，只能看到一个人对着镜头说话，没有任何信息可抓。
根子是把短视频开头当演讲开场，它其实是标题的后半截。演讲开场要建立信任，观众已经坐下了；短视频开场要争夺去留，观众手指已经悬在屏幕上。两种场景要的东西完全不同——一个要礼貌，一个要直接。
开始前要准备什么
- 10 条成片或脚本，最好是已经发过的，有数据可对照。没发过的也能改，但改完效果不好判断。
- 每条视频的前 3 秒留存和平均观看时长，从后台导。没有这两个数，改完只能凭感觉评价。
- 剪映工程文件，能改文字层。这次的 10 条都是可编辑工程，改开头不用重剪全片。
- 一条纪律：文字和配音同一句。不要给文字另写一句更吸引人的——音画信息不一致，看到的人和听到的人得到的印象不同，反而乱。
具体怎么做
第一步：逐条回看前 3 秒，标出「废话」
把 10 条的前 3 秒单独剪出来连续看，会很直观：7 条在打招呼，3 条在说「今天给大家讲一个…」。这 3 秒里没有任何信息，只有姿态。这一步 15 分钟，是整套流程里最颠覆认知的一步。
标完之后，把每条视频真正的结论句找出来——就是原片后半段那句最有判断力的话。这次 10 条里，结论句原来平均出现在第 38 秒。把这个句子挪到第 1 秒，就是新版的开头。
这是我 10 条短视频的开头 3 秒文字稿和完整脚本（见下方），以及每条的后台数据（前 3 秒留存、平均观看时长）。
请只做诊断，不要重写脚本：
1 逐条判断开头 3 秒里有没有「判断句」——即听完能让人知道这条讲什么、跟自己有没有关系的话。没有的标出来；
2 对每条，指出原脚本里最有判断力的那个句子在第几秒出现，原句是什么；
3 把 10 条的开头按「打招呼 / 铺垫背景 / 直接给结论 / 提问」分类，看哪一类留存量最高；
4 指出 10 条里有没有音画信息不一致的情况（文字说的和配音说的不是同一件事）。要求：只诊断不重写；第 2 项要给出原句和第几秒；第 3 项要结合留存数据说，不要只说分类数量。
第二步：写 3 种钩子，一条视频只用一种
三种钩子类型，各有适用场景。数字型：「周报写 2 小时，其实 80 分钟花在回想上」——有具体数字，最稳。反常识型：「别再改标题了，问题在封面」——反转一个真有人信的判断，波动大。场景型：「如果你每周五下午都在补周报」——直接点人，靠精准。
一条视频只用一种，不要混。混着写出来的句子会长，超过 25 字就念不完 3 秒。这次 10 条的钩子都在 22 到 28 字之间，按 5.5 字/秒的语速，正好 4 到 5 秒——所以前 3 秒只要说出前半句，后半句在第 4 秒接上，观众已经留下来了。
这是 10 条视频的主题和原结论句（见下方），每条我要重写开头 3 秒。
请为每条写一个钩子，要求和限制：
1 三种类型任选一种，标明用的是哪一种：数字型（含具体数字）、反常识型（反转一个常见判断）、场景型（点出具体人群或时刻）；
2 每条 22 到 28 字，按 5.5 字/秒算，念完在 4 到 5 秒之间；
3 第一句必须是判断句，不许出现「大家好」「今天给大家讲」「先说一下」；
4 同一条里不许混用两种类型。输出格式：编号 | 类型 | 钩子文案 | 字数。
要求：10 条里三种类型都要出现，但不要平均分——按每条内容的性质选最合适的；写完后自己数一遍字数，超出 28 字的重写。
第三步：文字层同步加上，位置固定在安全区
文字和配音同时出现在第 0 秒，不要延迟。文字放在画面上部三分之一处，避开竖屏底部（那里有平台自带的按钮区）。这次的字幕位置统一在画面顶部下方约 15% 处，字号 42，两行内。
加完要检查一遍：文字内容和配音是不是同一句。这次有一版为了文字更短，把文字改成了「周报 2 小时→20 分钟」，配音还是完整句，结果看到文字的人和听到的人理解的重点不一样。改回同一句之后，两边才对得上。
这是我改好的 10 条钩子文案（见下方），以及剪映工程的字幕样式参数。
请帮我做加文字层的检查清单：
1 位置：竖屏画面里，文字放在哪个纵向区间最不容易被平台按钮遮挡？给出百分比区间；
2 时长：文字应该和配音同时出现还是提前零点几秒？说明理由；
3 字号与行数：按 1080 宽的画面，给出字号范围和最大行数，说明超了会怎样；
4 一致性检查：给出一个逐条核对的方法，确认「文字内容 = 配音内容」，并指出这次 10 条里如果有不一致该怎么改。要求：只给参数和检查方法，不要改写文案；位置要用百分比或像素给具体值；第 2 项要说明提前或延后的具体代价。
实测记录
素材是 10 条 60 秒口播的成片和后台数据。回看诊断 15 分钟、写 10 条钩子 40 分钟、加文字层 30 分钟，合计 85 分钟。文字层改完直接重新导出，没有重剪。
结果：前 3 秒留存从 58% 到 79%，提升 21 个百分点；平均观看时长从 12.4 秒到 21.3 秒，多 8.9 秒，相对提升 72%。10 条钩子里数字型 4 条、反常识型 3 条、场景型 3 条。
两个数值得记。一是原来 10 条里有 7 条从打招呼开始，而这 7 条的前 3 秒留存全部在 60% 以下。二是结论句原来平均出现在第 38 秒——意味着大部分人（平均看到 12.4 秒）根本没听到结论就走了。这两个数字放在一起，问题就很清楚：不是内容不行，是内容给得太晚。
最容易错的 3 个地方
第一，开头先自我介绍。观众第一眼只判断「跟我有没有关系」，不关心你是谁。这次 7 条打招呼开头的留存全在 60% 以下。把自我介绍挪到第 8 秒之后，愿意留下的人已经留下了，再说也不迟。
第二，只加文字不改配音。静音的人靠文字，开声音的人靠配音，两边都要接住。这次有一版文字写了「周报 2 小时→20 分钟」、配音还是完整句，两边的重点不一样。文字和配音必须是同一句，一个字别改。
第三，钩子写太长。超过 28 字，按 5.5 字/秒念要 5 秒以上，前 3 秒只说到一半，等于没钩住。这次 10 条全控制在 22 到 28 字，前 3 秒说出前半句，第 4 秒接上后半句。
可复用的东西
结论句前置：把原片第 38 秒的那句判断挪到第 1 秒。这是整套流程的核心动作，其它都是辅助。
三种钩子类型：数字型最稳、反常识型波动大、场景型靠精准。一条只用一种，别混。
22 到 28 字：按 5.5 字/秒，念完 4 到 5 秒。前 3 秒说前半句就能留住人。
文字与配音同句：文字给静音的人看，配音给开声音的人听，两边内容必须一致。
文字位置：竖屏上部三分之一，避开底部按钮区。字号 42，两行内。
常见问题解答
为什么开头不能先自我介绍
因为观众在看第一眼时只在判断「这条跟我有没有关系」，不关心说话的人是谁。这次 10 条原开头有 7 条从「大家好，我是…」开始，前 3 秒留存 58%。改成直接说结论句（「周报写 2 小时，是因为你每周五才开始回想」）后留存到 79%。自我介绍挪到第 8 秒之后，那时愿意留下的人已经留下了。
文字钩子加在画面上有什么用，光靠嘴说不行吗
两种通道叠加比单一强。很多人刷的时候是静音状态，光靠嘴说等于没说；文字先被看到，才知道值不值得打开声音。这次的做法是文字和配音同步出现，同一句话——文字给静音的人看，配音给开着声音的人听，两边都接住。文字不要另写一句，另写会造成音画信息不一致。
三种钩子类型哪种效果好
这次 10 条里数字型 4 条、反常识型 3 条、场景型 3 条，量太小不能定论，只能说数字型的稳定性最好——4 条都进了前 3 秒留存 80% 以上。反常识型波动大，有一条到 88%，也有一条只有 62%，差别在于反的那个「常识」是不是真的有人这么想。场景型居中。想稳妥就用数字型。
把结论放前面，后面还有必要讲过程吗
有，但顺序变了。原来是「过程 → 结论」，现在是「结论 → 为什么」——先给答案让人留下，再用过程解释这个答案是怎么来的。这次改完平均观看 21.3 秒，比原来多 8.9 秒，多出来的时间正好够讲清一个理由。如果只有结论没有理由，看完就走，也留不住。
本网站的部分内容可能来源于网络或用户投稿，仅供大家学习与参考，如有侵权，请联系客服： hhxmw778 进行删除处理。
本站一切资源不代表本站立场，并不代表本站赞同其观点和对其真实性负责。
教程如引导您添加微信或有另外收费服务，请自行甄别！
如遇充值环节或绑定支付账户或输入支付密码之类的异常步骤，建议停止操作！本站不对操作项目的损失负责！
本站一律禁止以任何方式发布或转载任何违法的相关信息，访客发现任何资源有问题请向站长举报下架
(手机微信用户建议用默认浏览器打开，可体验完整功能)
按岗位找 AI 实操步骤 · 提示词可收藏