先把“可交付”定为目标：AI 视频工作流的定位
生成式视频最大的诱惑，是把它当成一台许愿机：写一句话，按下生成，期待一条能直接用的片子。真正试过的人都知道，这种方式的成功率极低，而且完全没法重复。决定产出的不是某一次生成的运气，而是围绕生成能力搭起来的工作流：创意怎么拆、素材怎么管、参数怎么固定、失败怎么回滚、成片怎么验收。
把目标改写成一句可检验的话：在固定时间内，稳定产出符合渠道规范、品牌调性一致、可以直接投放的成片。这句话里有三个可度量指标。
- 稳定度：每十次生成里，有多少条能进入成片。良性工作流通常能到三条以上。
- 速度：从拿到简报到达标成片的时间。短视频广告以小时计，品牌宣传片以天计。
- 可复用度：这次用到的提示词、参考图、分镜模板，下一次能不能直接拿来改。
三个常见误解
误解一：AI 会替我完成创意。实际上它只擅长把已经想清楚的画面变成像素，想不清楚的部分会以更混乱的方式回到你面前。误解二：工具越新越好。模型换代很快，但流程资产——分镜模板、品牌词汇表、命名规范——不受换代影响，越早积累越值钱。误解三：生成一次不满意就换工具。多数失败来自提示词过载、画面信息量过大、动作过于复杂，换工具解决不了这些问题。
要不要建工作流的判断标准
每周产出三条以下素材，可以靠手工慢慢打磨；每周十条以上，必须有模板和素材库，否则团队会被重复劳动拖垮；每月只做一条宣传片，重点应放在视觉规范与后期统一，而不是批量效率。先判断自己落在哪一档，再决定投入多少时间搭流程。
短视频广告与品牌宣传片：两套成功标准
这两类视频都属于“视频”，但目标完全不同，不能用同一把尺子衡量。
短视频广告的目标是在前三秒拦住滑动的手指。它允许夸张、快节奏、高信息密度，制作上追求数量与迭代速度。典型规格是六到三十秒，竖版优先，四到十个镜头。品牌宣传片的目标是让人记住你是谁。它需要统一的视觉语言、克制的运镜、完整的叙事弧线，制作上追求质感与一致性。典型规格是六十到一百八十秒，横版优先，十五到四十个镜头。
中间还有一种常见形态：三十到六十秒的产品或服务介绍。它同时承担信息密度与叙事责任，通常用实拍承担人物与产品细节，用生成画面承担氛围与转场。
混用的代价
把宣传片的克制搬到广告里，前三秒留不住人；把广告的碎剪搬到宣传片里，观众看完记不住一个完整主张。更隐蔽的问题是预算错配：用宣传片的标准去做每天更新的投放素材，成本会失控；用广告的标准去做品牌片，质感会显得廉价。
选择方向的五条判断
- 渠道决定比例与时长优先级：竖版信息流优先考虑前三秒，官网首屏与展会大屏优先考虑完整叙事。
- 目标决定取舍方向：以数量取胜就固化模板，以质感取胜就锁定视觉规范。
- 预算决定实拍占比：实拍越多，人物与产品越可信，生成画面越适合做补充。
- 素材现状决定生成路径：已有产品渲染图就优先用图生视频。
- 团队能力决定是否外包后期：剪辑、配音、调色三项里，最弱的一项应该外包。
脚本与分镜：把创意拆成可生成的镜头清单
脚本阶段只解决一条主线索
一条主线索包含三个部分：一个钩子、一个主张、一个行动号召。钩子在前三秒出现，可以是反常识的结论、一个具体数字，或一个正在发生的动作；主张是全片唯一要观众记住的信息；行动号召是明确的下一步。
钩子有个简单的检验方法：把这句话念给完全不了解产品的人听。如果对方在三秒内追问“然后呢”，钩子成立；如果对方只是点头，钩子太软。主张的检验方法是让同事看完后复述，只要复述内容偏离，就说明主张不够单一。
常见反例是一条十五秒广告塞进三个卖点，结果观众一个都没记住。正确的处理是砍到只剩一个，把其余卖点放进系列的第二支、第三支。
分镜表要写成可执行字段
好的分镜不是文学描述，而是结构化字段。建议每条镜头至少填写以下内容：场景与地点、时间与天气、主体与动作、动作起止状态、景别、机位、运镜方式、镜头时长、光线与色调、屏幕文案、音频意图。
举个四镜示例，方便对照理解。
- 镜头一：中景，清晨厨房，人物打开冰箱取出饮料瓶，平视机位，缓慢推近，两点五秒，侧逆光暖调。
- 镜头二：特写，瓶身水珠滑落，微距，固定机位，一点五秒，冷调补光。
- 镜头三：全景，户外街道跑步，跟拍横移，三秒，自然光。
- 镜头四：中景，产品居中偏下，屏幕文案并置，固定机位，两秒，白色软光背景。
把这张表填满，生成工作就变成机械执行，而不是反复猜测。每个镜头控制在一到四秒之间，超过五秒的生成镜头容易出现主体结构漂移。
把抽象词翻译成可拍摄描述
写脚本时最常出现的词是“高端”“年轻”“自然”，这些词模型无法直接理解。翻译方法如下：“高端”对应大画幅浅景深、低饱和、深色背景、单点主光；“年轻”对应高饱和撞色、手持轻晃、快速切换、贴纸式字幕；“自然”对应柔和日光、环境杂音、树叶与窗帘的轻微晃动。翻译完成后，抽象词汇就变成了可复制的视觉指令。
生成路径选择：文生视频、图生视频与混合流程
三条路径的适用场景与代价
文生视频适合概念探索与快速打样。没有现成素材时，用文字直接得到动态画面，代价是可控性低，角色五官、服装、产品细节容易漂移，适合用来试方向，不适合直接交付。
图生视频适合已有品牌资产或明确风格参考的场景。先确定一张满意的静态画面，再让它动起来，画面稳定性明显更好，包装、标识位置、材质质感的还原度更高。它多了一个前置步骤，但整体返工次数通常更少。
混合流程最常见：用文生视频找构图与氛围，选定后再用图生视频重做关键镜头，最后用首尾帧衔接或局部重绘补齐转场与细节。
路径决策清单
- 画面里是否必须出现真实产品？是，优先图生视频。
- 是否需要同一角色贯穿多镜头？是，先建立角色参考图，再图生视频。
- 是否只是测试创意方向？是，文生视频快速试三到五个方向即可。
- 是否已有可用实拍素材？是，用实拍做首帧，生成只负责扩展与转场。
- 镜头是否包含复杂多人交互？是，简化动作或改实拍。
- 画面是否需要精确文字？是，文字放到后期合成。
提示词的三层结构
第一层是画面内容：主体、动作、环境。第二层是摄影语言：镜头类型、焦段感、光圈、机位、运动方式。第三层是质感与氛围：颗粒、柔光、体积光、色彩倾向。
以“一个女孩在喝饮料”为例。只写第一层，得到的是随机构图与随机光线。补齐三层后可以写成：中景平视，女孩在窗边举起玻璃杯，逆光下轮廓带边缘光，浅景深，背景虚化为模糊的绿植，三十五毫米焦段感，轻微手持，柔和暖调，细微胶片颗粒，画面克制安静。三层都写清楚，结果才会稳定；只写第一层，等于把一半控制权交给随机性。
首尾帧与转场衔接
镜头之间的生硬跳切，多半来自缺少衔接设计。三种实用手法：把上一镜的末帧作为下一镜的首帧参考；让相邻镜头共享同一张环境参考图；使用匹配剪辑，让形状、颜色或动作在切换处对齐。运镜方向也要连续，上一镜向右移动，下一镜继续向右或转为跟拍，避免观众产生方向错乱。
品牌一致性：视觉词汇表、角色参考与关键帧
把品牌手册翻译成可提示词汇
品牌手册里的“年轻、活力、可信”无法被模型直接理解，需要翻译成具体词汇并固定成文档，团队所有人共用同一套说法。示例如下。
- 色彩：低饱和青灰为主，暖橙作为点缀，饱和度不超过中等。
- 光线：柔和侧光为主，阴影过渡自然，避免硬边阴影与顶光。
- 材质：哑光塑料、细腻织物、磨砂玻璃，避免过度反光。
- 构图：大量留白，主体居中偏下，景深较浅。
- 运动：缓慢横移、轻微手持、稳定器跟随，避免快速甩镜。
角色一致性靠三件事
第一，固定的角色参考图，每个镜头都带上同一张。第二，固定的描述词字符串，包含年龄、脸型、发型、发色、服装、气质，顺序不要改动——顺序变化会让模型重新分配权重，导致脸型与服装出现可见差异。第三，固定的随机种子或参考强度数值。
跨镜头拍摄时，只改动动作与环境部分，人物描述整段原样复制。这个习惯看起来笨，但它是角色不“变脸”的最有效手段。
产品与文字放到后期
生成模型对精确文字与标识的支持有限，包装上的小字、价签、招牌尤其容易变形。与其反复重试，不如把这些元素放到后期合成，或用遮罩与贴图叠加。产品外观则优先使用实拍或渲染图作为首帧，避免模型自由发挥细节。
一致性的自检清单
成片前逐项核对：整体色调是否统一、光线方向是否连贯、角色服装是否前后一致、产品外观是否还原、字幕字体与位置是否统一、音乐段落是否与画面转场对齐。任何一项失控，观众说不出问题在哪里，但会觉得不对劲。
高频短视频广告：批量生产与变量测试
把验证过的结构固化成模板
常用模板结构是：钩子镜头零到三秒、痛点或场景镜头三到八秒、产品展示镜头八到十五秒、卖点字幕与行动号召十五到二十秒。模板的价值不在重复，而在变异：替换主体、场景、文案，就能产出大量变体，同时保留已经被数据验证过的节奏。
变量矩阵：每轮只改一个维度
一次生成十条不同风格的广告是浪费，因为数据无法解释。正确做法是控制变量：第一轮固定画面与节奏，只测试不同的钩子文案；第二轮固定文案与节奏，只测试不同的主体与场景；第三轮固定前两者，只测试节奏与音乐。每轮只改一个维度，结果才有可读性。
每轮建议至少跑四到六个变体，样本太少容易被偶然波动误导。投放时使用同一渠道、同一受众、同一时段，减少外部干扰。
命名与版本记录
批量生产时最容易失控的是文件。建议命名规则采用产品、渠道、版本、日期的组合，并在表格里记录每条素材使用的提示词、参考图与关键参数。两周之后回头看，这份记录就是团队最有价值的资产，也是新人最快的上手材料。
同质化疲劳与主动变化
高频输出容易让观众产生疲劳。每输出三到五条，应主动引入一次结构性变化：换叙事视角（用户视角、幕后视角、对比视角）、换镜头语言（由特写开场改为全景开场）、换节奏（由快切改为长镜）。否则数据会先涨后平，最后连自己都分不清哪条是哪条。
品牌宣传片：叙事结构、节奏与可控运镜
结构与时长分配
宣传片通常包含六段：开场氛围、问题或背景、核心主张、证据或过程展示、情绪收束、品牌落版。时长分配上，开场控制在百分之十以内，主体占百分之六十到七十，收束留百分之十五到二十给观众回味。
开场氛围镜头最适合用生成完成：城市晨光、车间运转、原材料特写、抽象的材质流动，这些画面不需要精确信息，只需要情绪与质感。主体部分如果涉及真人访谈或产品操作，实拍会更可信。
呼吸感节奏
宣传片的节奏建议采用慢、快、慢的呼吸感：开场缓慢铺陈，中段提升信息密度，结尾放慢并把情绪落到品牌落版上。开场的慢要给观众建立空间感，中段的快要让信息集中出现，结尾的慢要让观众有时间形成记忆。
哪些镜头适合生成，哪些必须实拍
适合生成：环境空镜、氛围转场、抽象概念可视化、产品使用场景的氛围部分、流程的示意性展示。必须实拍或后期合成：人物对白、需要精确信息传递的动作、产品关键细节、包装文字、需要承担法律责任的宣称画面。混合方案通常在成本与质感之间取得更好的平衡。
声音的权重
宣传片里人声的可信度最高，音乐负责情绪引导，环境音负责真实感。三者比例失衡会明显削弱成片：人声被音乐盖住，观众会放弃理解；完全没有环境音，画面会像静默的素材堆叠。剪辑前先确定每条声音的出现时机与时长，再决定画面长度，比反过来容易得多。
后期整合、交付规范与团队资产
剪辑顺序：先定节奏，再放画面
专业剪辑的顺序是先铺音乐与节奏点，再按节奏点安排镜头长度。生成镜头常带有轻微抖动或过长的动作铺垫，剪辑时要果断裁掉前后冗余，只保留信息量最高的两秒。判断标准很简单：如果去掉这一秒观众没有损失，就删掉它。
配音与字幕
可以先用文字转语音快速验证节奏，再决定是否需要真人录制。字幕遵循一行不超过十四个字、单屏不超过两行的原则，关键数字与卖点单独成屏。字幕与配音的顺序是先锁定配音时长，再按语音节奏切字幕，不要先写满字幕再倒推配音，那样几乎必然对不上。
多语言版本建议直接重做字幕与配音，而不是依赖自动翻译，语义偏差在广告里代价很高。同时检查画面里出现的文字元素，包装、路牌、屏幕文字都需要替换。
画质与质感修复
生成分辨率不足时，可用放大工具提升清晰度，但要注意过度放大带来的塑料感。必要时叠加轻微颗粒、细微色差与轻微暗角，恢复真实质感。相反，如果画面本身噪点过多，先做降噪再放大，顺序颠倒会放大噪点。
交付清单
交付前逐项确认：比例（竖版、横版、方形）、分辨率与码率、字幕安全区、时长上限、文件大小限制、首帧封面、是否有音频峰值超标。不同投放渠道的规范差异很大，建议把每个渠道的要求整理成一页检查表，每次交付前对照勾选，避免因为格式问题被退回。
目录结构与版本管理
统一目录结构：项目、渠道、版本、素材类型。最终版只保留一个，历史版本归档但不删除。提示词、参数、参考图与生成结果放在同一目录，方便复现与交接。团队协作最容易失控的从来不是创意，而是文件。
常见错误排查与合规注意事项
十个高频问题
问题一：角色在不同镜头中变脸。原因通常是描述词顺序不一致或缺少参考图，处理方式是固定角色描述字符串，并为每个镜头附带同一张参考图。
问题二：产品标识变形。生成模型对精确文字与图形支持有限，处理方式是放到后期合成，或用遮罩与贴图叠加。
问题三：动作不自然、肢体扭曲。处理方式是缩短动作时长、减少复杂交互（握手、递物、多人同框），或改用更简单的动作描述。
问题四：画面“AI 味”很重。通常是光线过于均匀、材质过于光滑、镜头运动过于完美，加入颗粒、轻微失焦、手持感与真实环境杂物能明显改善。
问题五：镜头之间跳切。检查首尾帧是否衔接、运镜方向是否连续、色调是否统一。
问题六：反复生成失败或排队时间过长。把复杂镜头拆成更简单的单元，减少单次生成承载的内容量，非关键镜头改成静态图加轻微运镜。
问题七：批量产出后无人使用。多数情况是缺少脚本与投放策略，素材再好也找不到位置，先定渠道与受众，再决定产出量。
问题八：字幕与配音对不上。先锁定配音时长，再按语音节奏切字幕。
问题九：成片时长超标。剪辑时以渠道上限为硬约束，先砍信息密度最低的镜头，而不是压缩每个镜头的时长。
问题十：音乐或音效无法确认授权。建立素材来源台账，记录每个音频文件的来源与授权范围，避免成片上线后被要求替换。
合规提醒
涉及真人形象的生成内容，需要确认肖像授权范围；涉及音乐与音效，要确认商用许可；涉及产品功能宣称，要保留可验证依据。越来越多渠道要求在 AI 生成或深度修改的内容上做标识，交付前确认投放平台的具体要求，避免投放被拒或事后下架。合规检查应当放在脚本阶段，而不是成片之后。
常见问题解答
没有设计基础，能做出可用的广告吗？
可以，但前提是接受模板先行。先用成熟结构套内容，把精力放在钩子与卖点表达上，而不是追求画面创意。前十条素材的目标是跑通流程，不是拿奖。等流程稳定了，再逐步加入自己的视觉表达。
一条十五秒广告需要多少镜头？
四到八个比较合适。镜头太多会导致每个镜头不足一点五秒，观众来不及理解；太少则画面显得拖沓，容易让人失去耐心。前三秒建议至少包含两个镜头，让节奏先建立起来。
生成一次不满意，应该重试还是改提示词？
如果构图基本正确、只是细节偏差，可以重试或局部修改；如果构图方向就不对，重试很多次也没有意义，应该重写提示词的前两层。判断依据是：换提示词能不能预测结果会怎么变，能预测就改提示词。
生成式画面会影响品牌调性吗？
会，如果缺少视觉规范。解决办法是把品牌规范翻译成可提示的词汇表，并在后期统一调色与字幕样式，让不同来源的素材看起来出自同一套系统。规范越具体，调性越稳定。
宣传片能完全用生成画面完成吗？
氛围镜头、环境镜头、抽象转场可以完全生成；人物对白、产品细节、需要精确信息传递的部分建议实拍或后期合成。混合方案通常在成本与质感之间取得更好的平衡。
如何判断一条素材值得加量投放？
看两个指标：前三秒留存与完播率。前三秒留存低说明钩子无效，完播率低说明中段节奏或信息密度有问题。先修这两个指标，再谈加量，否则只是把无效素材放大。
多语言版本怎么做最省力？
先确定一条主版本，再按语言重做字幕与配音，同时注意画面中出现的文字元素。包装、路牌、屏幕文字都需要替换，否则会产生明显的违和感。不同语言的字幕长度差异很大，排版规则要提前预留空间。
生成速度慢的时候该怎么办？
把长镜头拆短、降低单次生成的画面复杂度、把非关键镜头改成静态图加轻微运镜，都是有效的提速手段。速度瓶颈往往来自提示词过载，而不是工具本身。
同一个镜头反复失败怎么办？
先判断失败类型：如果是主体结构错误，换路径，用图生视频给一张参考图；如果是动作错误，简化动作；如果是风格错误，把第三层描述写得更具体。连续失败三次以上就应该换方案，而不是继续微调。
团队只有一个人，应该先做什么？
先做一页创意简报和一张六镜分镜表，再确定品牌词汇表，然后完成一条十五秒广告并小流量测试。把这条素材的提示词、参数与数据整理成一份模板，再扩量。一个人最容易犯的错误是同时推进太多方向。
把随机性变成可复制的流程
生成式视频真正的门槛不在工具，而在流程设计。把创意压缩成可执行分镜，把品牌规范翻译成可提示的词汇，把生成路径按场景固定下来，把后期与合规纳入交付标准，产出的稳定性就会从偶尔惊艳变成持续可用。
对营销团队来说，更现实的目标是：用一套稳定工作流，每周产出固定数量的可用素材，并让数据反馈持续优化模板。当流程跑顺之后，生成能力就不再是新奇玩具，而是内容生产线上一个可靠的环节。
