工作流优先：为什么顺序比模型更重要
大多数人接触AI视频的第一件事，是打开工具列表比较哪家画质最好。这个顺序是反的。模型只是流水线上的一个环节，而真正决定成片质量的，往往是它前后的步骤：分镜是否清晰、参考素材是否统一、提示词有没有把变量拆开、后期是否把镜头缝合起来。
把AI视频当成一条生产线来看，会得到稳定得多的结果。一条完整链路至少包括：创意与脚本 → 分镜与时长设计 → 提示词与参考素材 → 模型生成 → 素材筛选 → 后期剪辑与声音 → 发布与数据反馈。任何一个环节缺失，都会在后面以“画面乱飘”“人物换脸”“节奏散掉”的形式暴露出来。很多创作者以为是模型不行，其实是流程缺了一环。
模型的可替换性比想象中高。今天某个模型擅长写实，过几周另一个在动画风格上更强，这类变化几乎每个月都在发生。如果你的工作流把模型当成可插拔的组件，那么更换模型只是换一个渲染器；如果把全部希望押在某个模型上，每次技术更迭都意味着重做一遍。
还有一个容易被忽略的成本：切换模型的隐性代价。同一份提示词在不同模型上的反应并不相同，有的对镜头语言敏感，有的对光线描述更敏感。如果你没有把自己的提示词结构固定下来，换模型就等于重新学习一遍写作方法。所以在讨论“用哪个模型”之前，先把自己的流程和语言固定下来。
本文按“工作流优先”的顺序展开：先讲怎么把创意拆成可执行的分镜，再讲提示词怎么写、模型怎么挑、一致性怎么保住，最后落到批量生产、后期与发布。
第一步：把创意拆成可执行的分镜脚本
AI视频最常见的失败不是画面不美，而是画面不听话。而“不听话”的根源，通常在于脚本层面就没有把动作说清楚。写一份分镜表，是把模糊创意变成可执行指令的最低成本手段。
分镜表至少要包含哪些字段
一份能直接喂给生成工具的分镜表，建议至少包含以下字段：镜头编号、时长、景别（远景/中景/近景/特写）、画面主体、主体动作、镜头运动、环境与光线、音频或对白、与前一个镜头的衔接方式。字段不必多，但“主体动作”和“镜头运动”必须分开写，因为它们对应提示词里两个不同的控制维度。
一个反例是“主角在一个很酷的场景里做很酷的事”。这句话无法生成任何稳定的画面。一个正例是“中景，一位穿深灰色风衣的男性从画面左侧走入，停在路灯下抬头看，镜头缓慢向右平移，夜晚，暖黄路灯，地面有湿反光，轻微雾气”。第二种写法把摄影师需要的信息全部交代清楚了。
用“最小可行动作”代替抽象描述
一个镜头里塞进三个以上动作，模型通常会选择性忽略其中两个，或者把它们揉成一团。把复杂动作拆成多个镜头：推门、走进、坐下、抬头，每个镜头承担一个动作。这样不仅生成更稳定，剪辑时也更容易调整节奏。
如果必须在一个镜头里表现连续动作，就明确主次：把最重要的动作写成句子的主干，其余作为环境描述。动作的幅度也要写出来，“缓慢转身”和“猛地转身”完全是两种结果。
时长预算与节奏设计
生成模型对单段时长通常有上限，常见区间是几秒到十几秒。与其硬凑长镜头，不如按节奏拆：开场用一个两到三秒的强视觉镜头抓住注意力，中段用五到八秒镜头承载信息，情绪高点可以给一个八到十秒的缓慢运镜。
在写脚本阶段就把每段时长标出来，可以避免后期发现素材长度不够、只能靠放慢速度硬撑的尴尬。一张几十行的分镜表，能省掉几百次无效生成。
音频与对白的预留
如果成片需要旁白或人物对白，在分镜阶段就标出每句话落在哪个镜头。AI生成的口型与语音很难精确对齐，务实做法是把关键台词放在画外音或背影镜头里，把对白密集的部分交给后期处理。提前规划，可以避免后期为了对口型而反复重生成。
第二步：提示词工程，把画面拆成可控变量
提示词不是咒语，而是一份规格书。好的提示词让人一眼看出画面里有什么、在动什么、镜头怎么走、光从哪来。
六层结构：主体 / 动作 / 镜头 / 光线 / 材质 / 风格
把提示词按六层组织，写作时逐层填充，排查问题时也能逐层删除：
- 主体层：人、物、场景的身份与外观特征
- 动作层：主体在做什么，幅度与速度如何
- 镜头层：景别、机位高度、运动方向与幅度
- 光线层：光源类型、方向、色温、时间与阴影
- 材质层：皮肤纹理、布料、金属、水面的表面质感
- 风格层：写实、胶片、广告感、动画、纪录片等整体影像语言
示例：主体＝三十岁女性，短发，米色针织衫；动作＝缓慢转身并微笑；镜头＝中近景，轻微手持晃动，缓慢推近；光线＝清晨侧逆光，柔和阴影；材质＝皮肤自然纹理，针织纹理清晰；风格＝写实广告片质感。
六层结构最大的好处是可复用。做一个新项目时，你只需要替换主体层和动作层，其余四层可以直接沿用上一个项目里已经验证过的描述。
负向提示词与排除项
负向提示词的作用是提高下限，而不是提高上限。常见需要排除的内容包括：画面中出现文字或水印、多余的手指或肢体、面部变形、镜头剧烈抖动、过度锐化、塑料感皮肤、不自然的慢动作。把反复出现的问题写进排除项，比每次重新描述更省事。
需要提醒的是，排除项不要一次性堆几十条。排除项太多会让模型变得保守，画面也会失去活力。按项目出现的实际问题逐条添加，才是最有效的做法。
参考图与首尾帧的用法
文字描述永远无法覆盖全部视觉信息，用参考图可以快速锁定风格和角色。三种常见用法：一是风格参考，用一张图定义色调和质感；二是角色参考，用同一人物的多角度照片锁定脸部；三是首尾帧，给定起始画面和结束画面，让模型补出中间的运动过程，这对控制运镜和物体位移尤其有效。
使用参考图时要注意一致性：如果同一场景的三个镜头分别用了三张色调不同的参考图，结果一定会跳色。建议为每个场景只固定一到两张参考图，并在整个项目里沿用。
提示词的迭代节奏：一次只改一个变量
这是提高效率最重要的习惯。同时改五个词，你无法知道是哪个词带来了改善。建议的迭代顺序是：先固定风格与光线，再调整主体外观，再调整动作幅度，最后微调运镜。每一轮只改一处，保留能用的结果并记录有效短语，几轮之后你会拥有一份属于自己的短语库。
这份短语库的价值会随时间复利增长。它是你的私人说明书，比任何公共提示词模板都更贴合你的题材和审美。
第三步：模型选择的决策框架
模型没有绝对强弱，只有适配与否。选择时可以按四个维度打分：画面类型、一致性能力、单段时长、生成速度与成本。
按画面类型选模型
写实人像、产品特写、自然风景、动画风格、二维插画、超现实概念图，这几类画面在不同模型上的表现差异很大。务实做法是：用同一个提示词在三个候选模型上各生成一次，直接比较结果，而不是看宣传片。测试时固定参数，才有可比性。
测试样本不要超过三组：一组人物近景、一组物体运动、一组环境镜头。三组做完，基本就能看出这个模型在你的题材上是否可靠。
按一致性与镜头长度选模型
如果项目需要同一个角色跨多个镜头出现，优先选择支持角色参考、首尾帧或视频续写的模型；如果项目以短平快的素材为主，可以更看重生成速度和批量能力。长镜头一致性通常是成本最高的能力，不要为不需要它的项目买单。
生成成本、速度与迭代次数的权衡
真正决定预算的不是单次生成的价格，而是“可用率”。一个便宜但十次只有一次能用的模型，实际成本高于一个贵但三次就出片的模型。评估时记录两组数字：平均每个可用镜头需要生成几次、每次生成需要等待多久。把这两个数字乘起来，才是你的真实生产效率。
举例来说，A 方案每次生成很快但平均要试八次，B 方案慢一倍但平均两次就够用。算下来 B 的总耗时通常更短，而且你的注意力消耗也更低，后者在长项目里往往比时间更宝贵。
多模型混合使用的策略
成熟的做法不是只用一个模型，而是分工：用擅长写实的模型做人物镜头，用擅长风格的模型做概念镜头，用擅长运动的模型做动作镜头。统一它们的方式是后期调色和统一的提示词风格描述。只要风格层描述一致，混用模型的画面差异通常可以在剪辑和调色阶段被抹平。
第四步：角色与风格一致性
一致性是AI视频里最容易翻车、也最能体现专业度的地方。观众记不住你的运镜，但一定会发现主角在第二个镜头里换了张脸。
建立角色设定表
为每个主要角色写一份设定表：年龄、脸型、发型、发色、瞳色、常穿服装、标志性配饰、体态特征、说话时的习惯动作。这份表既是提示词的素材库，也是团队协作时的沟通依据。设定越具体，不同镜头之间的偏差越小。
一个实用技巧是给角色设置一个“视觉锚点”，比如始终戴着同一副眼镜、同一枚戒指或同一件外套。当脸部出现轻微漂移时，观众的注意力会被锚点稳定住。
参考图、人脸锁定与多角度素材
准备角色的正面、侧面、四分之三角度、全身和半身素材各若干张。生成时优先使用带角色参考的功能，其次是用详细文字描述加相同风格参考。需要注意的是，参考图质量比数量重要，模糊或光线混乱的照片会把偏差带进结果。
场景与色调的一致性
角色一致只是第一步，场景一致同样重要。为每个场景固定：主光源方向、色温、时间、天气、地面材质。如果同一个场景在不同镜头里一会儿冷蓝一会儿暖黄，观众会立刻感到跳脱。后期调色可以小幅修正，但无法拯救方向完全相反的布光。
分段生成加后期修补
不要指望一次生成完美镜头。更可靠的流程是：先生成结构正确的版本，再针对有问题的局部重新生成或用后期修补。例如人物动作正确但背景飘移，就保留人物部分，在剪辑中用放大或局部处理的思路解决背景问题。
第五步：镜头运动、物理合理性与画面稳定
常见运动指令的写法
镜头运动有相对固定的词汇：推（缓慢靠近主体）、拉（远离主体）、摇（水平旋转）、移（平行移动）、跟（跟随主体移动）、升降（垂直移动）、环绕（围绕主体旋转）、手持（轻微不规则晃动）。写提示词时把运动方向和幅度都写出来，例如“缓慢向右平移，幅度小”，比只写“镜头运动”有效得多。
物理合理性的常见失败
AI视频在物理上最常出问题的地方包括：液体流动不符合重力、物体碰撞没有反馈、布料和头发运动僵硬、多人接触时肢体穿插、镜面与水面反射错误。规避方法是减少复杂性：少用高速动作，避免多个物体同时交互，把复杂动作交给短镜头加剪辑来表现。
手部、文字、反射与快速运动
这四类内容是当前模型的共同弱项。可行策略包括：让手离开画面或处在阴影中；把文字信息留给后期字幕而不是让模型生成；用固定机位减少反射变化；把快速运动拆成两个镜头，中间用剪辑衔接。这些处理听起来像妥协，但在成片里几乎看不出来。
用首尾帧约束运动
当需要精确控制物体的位置变化时，首尾帧是最直接的手段。给定起始和结束画面，模型只需要补中间过程，运动轨迹会稳定得多。这在产品展示、转场设计和特效镜头里尤其有用。
第六步：批量生成与任务管理
当项目从“试一个镜头”变成“做一支片子”，管理能力就变成了瓶颈。
队列、并发与失败重试
批量提交任务时，把镜头按优先级排序：先做关键镜头，再做填充镜头。对失败的任务设置自动重试，但重试次数要有上限，避免把时间耗在本身提示词就有问题的镜头上。如果连续两次失败，先改提示词再重试，而不是继续等运气。
版本命名与素材归档
一个简单但极其有效的规则：文件名包含项目、镜头号、版本号、日期和参数摘要，例如“项目-镜头号-版本-景别-参考图编号”。三周后回头看素材时，你会感谢自己。归档时按“可用”“备选”“废弃”分文件夹，不要让可用素材淹没在几百个文件里。
素材筛选：保留率与可用率
建立一个简单的记录表：每个镜头的生成次数、可用次数、最终采用版本。几周后你会清楚看到哪类提示词效率高、哪个模型在你的题材上更稳。这些数据比任何评测文章都更贴合你的实际需求。
团队协作与评审流程
多人协作时，把分镜表作为唯一事实来源：谁负责哪个镜头、当前状态（待生成/生成中/已选中/已定稿）、评审意见。避免用聊天工具传素材，因为版本会失控，而且没人知道哪一版才是最新的。
存储与备份
生成素材的体积通常比想象中大，尤其是高分辨率的多版本输出。建议项目中期和交付后各做一次完整备份，并保留一份精简的“成片素材包”，只包含最终采用的文件、对应提示词和参数记录。下一个项目启动时，这份素材包就是最省时间的起点。
第七步：后期制作，把素材变成成片
生成只是半成品，成片质量的一半来自后期。
剪辑节奏
AI素材通常缺少自然的呼吸感，所以剪辑要比常规素材更主动。开场前两秒必须有视觉钩子；每个镜头切点落在动作完成或视线转移的位置；不要因为是“AI生成的”就舍不得剪短。观众不会心疼你的生成次数，他们只会离开。
色彩匹配与画质修复
不同模型、不同镜头之间的色温和对比度差异，用统一的基础调色（白平衡、对比、饱和度、轻微颗粒）可以明显拉齐。画质方面常用处理包括：降低噪点与闪烁、轻微锐化、必要时提升分辨率。注意不要过度锐化，那会让AI痕迹更明显。
配音、音乐与音效
声音是提升质感最快的手段。人声配音、环境音、动作音效三层的组合，可以让画面里的瑕疵被忽略。音乐选择上，节奏点尽量与剪辑点对齐；如果找不到合适的配乐，先用简单节拍器对齐节奏，再替换成正式音乐，效率会高很多。
字幕与本地化
字幕既能传递信息，也能掩盖口型与文字的瑕疵。做多语言版本时，优先保持画面无文字，把文字全部放在后期，这样一套素材可以复用到多个市场。
导出设置
导出时按平台要求选择分辨率和码率，不要为了“保留画质”导出超大文件，上传平台往往还会二次压缩。建议保留一份高码率母版，再按平台各导一份适配版本。
第八步：发布、分发与复用
不同平台的比例与时长
横版、竖版、方版的需求不同。建议在生成阶段就用较宽的构图，后期裁切出竖版；如果主要投放竖屏，则直接按竖屏构图生成，避免裁切后主体被切掉。构图时把关键动作放在画面中央区域，是最省事的保险做法。
一稿多投
同一批素材可以拆成：完整版、短剪版、花絮版、静帧图文版。把最抓人的三秒放在最前面，其余按平台习惯调整节奏。一次生成投入，往往可以支撑三到四个不同渠道的发布需求。
数据反馈回到提示词
发布后的完播率、停留时间、互动率，是下一轮提示词优化的依据。如果观众在第三秒大量流失，说明开场镜头的钩子不够；如果中段掉得厉害，可能是节奏拖沓或信息密度不足。把结论写回分镜表，下一个项目就会更快。
常见错误与常见问题
常见错误速查
| 现象 | 可能原因 | 处理方式 |
|---|---|---|
| 人物脸部在不同镜头中不一致 | 缺少角色参考，描述过于笼统 | 建立角色设定表，固定同一组参考图 |
| 画面物体无端变形 | 提示词中动作过多，物理交互复杂 | 拆镜头，减少同屏交互 |
| 镜头抖动明显 | 运镜描述矛盾，手持与稳定指令混用 | 明确写清运动方向与幅度 |
| 画面偏色跳变 | 场景光线描述不一致 | 固定光源方向与色温，后期统一调色 |
| 生成结果总是差一点 | 一次修改多个变量 | 每轮只改一处，记录有效短语 |
| 素材很多却无法成片 | 缺少分镜与时长设计 | 回到脚本阶段补齐镜头表 |
常见问题解答
一个项目需要准备多少参考图？ 每个主要角色建议准备三到五张不同角度的清晰照片，每个场景准备一到两张风格参考。质量比数量重要。
生成出来的片段太短怎么办？ 不要硬拉长时间。用多个短镜头加剪辑来表现连续动作，通常比一个长镜头更稳定、更好看。
是否需要同时使用多个模型？ 如果项目对一致性和风格有明确要求，分工使用多模型是常规做法；如果只是快速产出，单模型已经足够。
提示词用中文还是英文？ 多数模型对英文理解更稳定，一些中文模型对中文语境的细节更敏感。建议用一种语言写主提示词，并在全项目保持一致，避免混用造成风格漂移。
怎么判断一个镜头可以定稿了？ 三个标准：动作与分镜意图一致、与前后镜头在光线和角色上连贯、单独观看时不出现明显扭曲。三条都满足就可以进入剪辑。
预算有限时应该先省哪一步？ 先省生成次数，而不是省分镜和后期。分镜不清会浪费最多生成，后期不足会让好素材变得廉价。
怎么减少重复劳动？ 把所有有效的提示词短语、参考图和参数记录归档，做成自己的模板库。第二个项目开始时，你会省下一半时间。
怎么处理模型突然更新导致风格变化？ 在做重要项目期间不要随意更新工具链。把当前可用的参数和提示词版本记录下来，等交付完成再测试新版本。
把流程当成可复用的资产，才是这个领域真正的长期优势。工具会持续变化，但一份清晰的分镜表、一套分层提示词、一组稳定的参考素材、一份筛选与版本记录，再加上扎实的后期，这些组合起来就是可复用的生产能力。工具只是把它们串起来的那根线。
