工作流优先：为什么工具清单不是起点
几乎每个接触 AI 视频的人，第一步都是去搜"哪个模型最强"。这个问题本身没有错，但它把顺序搞反了。真正决定成片质量的，不是你在某个瞬间选了哪个模型，而是你在按下生成键之前，已经把多少不确定因素消灭在了流程里。
一个稳定的 AI 视频生产流程，大致包含七个环节：需求定义、脚本与分镜、素材与角色资产准备、模型选择、生成与筛选、后期整合、交付与归档。模型的角色，只是其中第五环节的执行工具。如果你跳过前四步直接开始生成，那么无论用多先进的模型，你都会得到一堆"看起来不错但拼不起来"的片段。
更实际的说法是：AI 视频的瓶颈通常不在生成能力，而在"可复现性"。同一个提示词，今天跑出来的效果和明天不一样；同一个角色，第二个镜头就换了张脸；同一个场景，光线方向突然反转。工作流的价值，就是把这些随机波动的范围收窄，让创作从"抽奖"变成"生产"。
本文不推荐某一家平台，也不讨论任何交易或分成机制，而是给出一套可以迁移到任意工具组合的实战方法：怎么拆镜头、怎么写提示词、怎么保住角色一致性、怎么筛片段、怎么把零散素材剪成能交付的成片。你可以把它当成一份可反复查阅的操作手册。
按任务分工理解 AI 视频模型
把模型按"能力类型"而不是"品牌热度"来分类，是选型效率最高的一步。不同模型真正拉开差距的维度其实只有五个：可控性、单段时长、分辨率与细节、跨镜头连续性、以及单次生成的资源消耗。把候选模型按这五项打分，比看任何排行榜都靠谱。
文生视频、图生视频与视频转视频
文生视频适合做概念探索和氛围镜头：天空、海面、城市远景、抽象转场。它的优势是自由度高，劣势是同一主体很难保持一致，所以不要指望用它来完成有连续人物的叙事段落。
图生视频是目前商业项目的主力。你提供一张构图和角色都确定好的静帧，让模型只负责"动起来"。这样一来，构图、服装、长相的控制权回到了你自己手里，模型只需要处理运动逻辑，失败率会显著下降。绝大多数需要角色一致的镜头，都应该走这条路。
视频转视频适合做风格迁移和素材修复：把实拍素材转成动画质感，或者把低帧率的现有镜头补成流畅运动。它的上限取决于输入素材的质量，输入越干净，输出越可控。
真实感路线与风格化路线
真实感路线追求物理合理性：光影方向、皮肤次表面散射、布料垂坠、液体流动。这类模型通常对提示词里的"光线"和"镜头"词汇更敏感，也对错误指令更敏感——你说"柔和的侧逆光"它真的会照做，你说"电影感"它可能给你一堆毫无信息量的油腻滤镜。
风格化路线追求视觉一致性：动漫、定格动画、水彩、像素风。这类模型的关键词是"稳定"，同一个风格标签在不同镜头之间不能漂移。做风格化内容时，最好锁定一个风格参考图，而不是靠文字描述风格，因为文字描述在不同模型之间几乎没有可移植性。
决定性因素：把选型变成打分表
实践建议是准备一张自己的模型评分表，每个项目开始前花十分钟填一次。列包括：这个镜头是否需要角色一致（需要 → 图生视频优先）、是否需要超过单段最长时长（需要 → 提前规划分段与接缝）、是否有文字或 Logo 出现（有 → 需要检查文字畸变，必要时后期单独合成）、是否要求多机位连续动作（要求 → 优先考虑可控性强的模型并减少运镜复杂度）。
这张表会逼你直面一个事实：很多"模型不好用"的问题，其实是需求本身超出了当前技术边界。把需求调整到合理区间，比换十个模型都有效。
从脚本到分镜：可执行镜头清单的写法
分镜表是整条流水线的中枢。它既是给模型看的输入说明，也是给剪辑师看的组装图纸，还是给客户看的验收依据。写得好，后面所有环节都会变快。
一份够用的镜头清单至少包含以下字段：镜号、预计时长、景别（远/全/中/近/特）、运镜方式（固定/推/拉/摇/跟/升降）、主体与动作、环境与光线、声音设计、参考图编号、模型偏好、验收标准。最后一项最容易被忽略，但它恰恰是减少返工的关键——你必须提前写清楚"什么样算过"。
举例："镜 07，4 秒，中景，缓慢推近；主体为女主坐在窗边翻书，抬头看向窗外；环境为午后客厅，左侧窗户自然光，暖色调；声音为翻书声与远处街道声；参考图 R03；模型偏好为图生视频；验收标准为面部无明显变形、书本页数连续、光线方向与镜 06 一致。"
注意最后两个验收条件。镜头之间的连贯性从来不是靠模型自己维持的，而是靠你在分镜阶段就把"连续性约束"写成明确条目。光线方向、服装状态、道具位置、时间流逝感，这些都应该逐镜标注。
另一个实用技巧是给镜头排优先级：A 类镜头必须完美，B 类镜头合格即可，C 类镜头是填充和过渡。资源永远是有限的，如果每个镜头都按 A 类标准死磕，项目会在中段失去动力。先保证故事能被看懂，再回头打磨高光镜头。
提示词与镜头语言：让模型听懂导演意图
提示词不是形容词堆叠比赛。一个可复用的结构是：主体 + 具体动作 + 场景 + 光线 + 镜头 + 质感 + 约束。七段各司其职，任何一段缺失都会让模型自行脑补，而补出来的东西通常不是你要的。
主体要具体到可识别特征，但避免与参考图冲突。如果你已经提供了角色参考图，提示词里就不要再详细描述五官，否则模型会在"参考图"和"文字"之间摇摆，产生融脸。
动作要写成可观察的物理过程，而不是情绪判断。"她很难过"没有意义；"她低头，手指停在书页边缘，肩膀缓慢下沉"才有意义。模型理解的是位移、速度和节奏，不是心理状态。
镜头部分的词汇要谨慎使用。"慢推""跟拍""固定机位""浅景深"这类词在不同模型上的响应强度差异很大，建议在自己的模型组合里做一次小规模对照测试，记录下每个模型真正听得懂的镜头词汇表。这份表格价值极高，会一直用下去。
约束部分负责排除你不想要的东西：不要字幕、不要水印、不要多余人物、不要镜头切换、不要画面缩放。多个负面约束同时出现时，优先级需要你自己判断，必要时拆成两次生成。
常见的三个提示词错误值得单独强调。第一是自相矛盾，比如同时要求"固定机位"和"环绕运镜"，结果往往是画面抖动。第二是时间维度模糊，想让动作在片段中段发生，却没有说明节奏，模型可能从第一帧就开始运动，导致无法接剪。第三是过长的场景描述挤占了动作描述，模型把注意力全放在背景细节上，主体反而不动。
写完提示词后做一次朗读检查：如果一段话里找不到"谁在做什么、怎么动、从哪看"，那它还不够格按下生成键。
角色一致性：跨镜头稳定的系统方案
角色不一致是 AI 叙事内容最大的敌人。它不会让单个镜头失败，却会让整部片子在观众眼里"散掉"。解决办法不是找更聪明的模型，而是建立三层锚点。
第一层：参考图策略
为每个主要角色准备三到五张高质量静帧：正面中性表情、四分之三侧脸、全身站姿、以及一个标志性动作。这些图需要在同一光影条件下生成或拍摄，避免"一张冷光一张暖光"导致模型在两种肤色之间反复横跳。参考图的分辨率要足够，模糊的参考图会直接把模糊传递到视频里。
第二层：文字锚点
为每个角色写一段不超过两行的固定描述，包含年龄段、发型、服装主色、一个独特识别物（眼镜、疤痕、项链、手套）。这段描述在每个镜头的提示词里原样复制，不做同义改写。同义改写是灾难："深蓝色夹克"和"藏青色外套"在你眼里是同义词，在模型眼里是两个不同的人。
第三层：分段与接缝处理
如果一个动作超过单段生成时长上限，就把它拆成两到三段，并让相邻段共享若干帧的画面状态。具体做法是：第一段结尾的最后一帧导出为静帧，作为第二段图生视频的输入。这样运动方向和构图能延续，接缝处的跳变会明显减少。剪辑时再在接缝位置放一个短转场或动作遮挡，观众基本察觉不到。
检查方法与验收节奏
生成后先看三件事：脸型是否与参考图一致、服装颜色是否漂移、头发边缘是否出现闪烁。前三秒没问题不代表后面没问题，务必完整播放一遍，尤其注意运动幅度最大的中段。建立一张"角色一致性检查表"，逐镜打勾，比凭印象判断可靠得多。
生成、筛选与迭代：控制产出质量与节奏
生成阶段最大的浪费不是资源，而是注意力。如果一次生成二十条片段然后逐条细看，你的判断力会在第十条之后急剧下降，最后凭疲劳感做决定。建议把筛选分成两轮：第一轮只看前两秒的构图和主体形态，快速淘汰明显不合格的；第二轮才完整播放幸存片段，检查运动逻辑和一致性。
单变量调整法
当一条片段接近可用但某处不对时，只改一个变量再跑。这次只调光线描述，下次只调运镜词，再下次只换参考图。同时改三四个变量的结果是：你永远不知道是哪一项起了作用，也就无法积累经验。单变量法会让你的提示词库在几个项目之后变得极其锋利。
关于随机性
视频生成天然带随机性，同一条提示词多次运行会有差异。这不是缺陷，而是一种可用资源：当你需要某个特定瞬间的表情或动作时，多跑几次并挑出最好的那条，比反复改写提示词更高效。但要注意设上限——给每个镜头设定一个最大尝试次数，超过就接受当前最好的结果，否则项目会无限延长。
质量闸门
给项目设两个闸门。第一个闸门在分镜确认后：镜头清单定稿，之后只做小幅调整，不再增删镜头。第二个闸门在主要镜头生成完成后：此时开始粗剪，判断叙事是否成立，再决定哪些镜头需要重做。很多项目失败的原因是跳过第二个闸门，一路生成到结尾才发现故事讲不通。
后期整合：从片段到成片的最后三成
生成的片段加起来不等于成片。后期这一步，通常要花掉整个项目三成左右的时间，而它决定了观众对"专业感"的第一印象。
第一步是统一规格。把所有片段的分辨率、帧率、色彩空间对齐，否则剪辑时会出现忽明忽暗、边缘锯齿、动作节奏不一致的问题。AI 生成的片段经常在帧率上有细微偏差，导入剪辑软件后先做一次统一处理，再开始排列。
第二步是节奏。AI 片段往往运动缓慢、信息密度低，如果按原速播放会显得拖沓。适度的速度调整、关键帧裁切、以及用短镜头打断长镜头，都能明显提升可看性。经验法则是：让每个镜头的存在都有明确理由，如果一段画面只是"好看"却不推动信息，就把它压到一秒以内当转场。
第三步是声音。声音是 AI 视频最容易被低估的部分。环境底噪、脚步、衣物摩擦、呼吸声这些细节能极大提升真实感，而完全静音的画面会让人立刻意识到"这是生成的"。配音、音效、音乐三条轨道分开处理，最后再统一做响度匹配。
第四步是调色与收尾。把所有片段放在同一条时间线上做统一调色，而不是逐段调，这样能消除模型之间色调不统一的问题。最后加上字幕、片头片尾、必要的画面稳定处理，然后导出多个版本：横版、竖版、以及用于社交平台的无字幕干净版。
协作、版本与资产沉淀
当项目从个人创作变成两三个人的协作时，混乱通常从文件命名开始。建议建立一套极简但强制的命名规范：项目代号-镜号-版本号-状态。状态用固定几个关键词：草稿、待审、通过、废弃。任何人打开文件夹都能立刻知道什么能用。
目录结构也值得提前定好：脚本与分镜、参考图与角色资产、原始生成片段、选中片段、音频素材、成品导出。把"原始"和"选中"分开非常关键，前者是素材池，后者是决策结果，混在一起会导致剪辑师误用废片。
第三件事是提示词台账。每个通过的镜头，把最终生效的提示词、使用的模型、参考图编号、以及特殊参数记录下来。这份台账在未来会变成你最有价值的资产：新项目遇到类似镜头时，可以直接复用经过验证的组合，而不是从零试错。
最后，建议为每个项目做一次不超过十分钟的复盘：哪些镜头一次通过、哪些反复失败、失败原因是提示词问题还是需求本身不合理。三次复盘之后，你会形成属于自己的判断直觉，这比任何教程都可靠。
常见错误与排查清单
下面这些问题几乎每个团队都会遇到，提前知道处理方向能省下大量时间。
画面整体模糊或细节糊成一团：通常源于参考图分辨率不足，或提示词里没有任何质感描述。处理方式是换一张更干净的参考图，并补充具体的材质与光线描述，而不是无脑提高清晰度关键词。
主体出现闪烁与边缘抖动：多数与生成帧率、运动幅度过大、以及画面中存在大量细小纹理有关。降低运动速度、简化背景细节、或在后期做一次轻微稳定处理，往往就能解决。
手指、牙齿、文字变形：目前仍属高频问题。回避策略比修复策略有效：调整构图避免手部特写，让角色手持道具，文字改为后期叠加而不是让模型生成。
运动方向漂移或主体越走越偏：提示词里缺少机位与方向约束。补上"固定机位""主体向画面右侧移动"这类明确指令，能把漂移压到可接受范围。
风格在镜头之间跳变：风格化项目尤其常见。解决方式是锁定风格参考图并复用同一段风格描述，避免在不同镜头里使用不同风格词。
音画不同步：先检查剪辑工程的时间基准是否统一，再检查音频素材本身是否存在起始静音。多数不同步问题来自素材头部的空白，而不是软件 bug。
生成结果与提示词无关：先确认负面约束是否过多导致冲突，再把提示词压缩到七段结构。提示词越长越不一定越好，超过一定长度后模型的注意力会被稀释。
常见问题
一个项目应该同时用几个模型？
两到三个通常是最优区间。一个负责角色与叙事镜头，一个负责氛围与远景，一个负责特殊效果或风格化。用太多模型会让风格统一变成噩梦，后期调色也救不回来。
新手最容易跳过的步骤是什么？
分镜表。很多人直接从脚本跳到生成，结果在剪辑时才发现缺少衔接镜头、缺少环境空镜、缺少情绪过渡。补拍这些镜头的代价，比一开始写清楚高得多。
生成出来的片段都不是很满意，应该怎么办？
先判断问题层级。如果是构图不对，改参考图；如果是动作不对，改动作描述；如果是光线不对，改光线段；如果是整体气质不对，说明模型选错了，换模型比继续改提示词更快。逐层排查，不要一次全改。
角色一致性能做到百分之百吗？
不能，也不需要。观众的记忆是宽容的，只要关键识别特征（发型、服装主色、面部轮廓）稳定，个别镜头的细微差异并不会被注意。把精力放在识别特征上，而不是追求像素级一致。
多长的片段适合放进成片？
AI 片段普遍适合短切。两到四秒是常见区间，超过六秒且没有明显运动变化时，观众注意力会掉。需要长时间停留时，用多机位切换或加入新信息来维持张力。
需要专业的剪辑基础吗？
不需要专业级，但需要理解三件事：节奏、连续性、声音层次。掌握这三点的基本逻辑，比熟练使用复杂特效更能提升成片质量。
怎么判断某个镜头是否值得重做？
问一个问题：如果观众看到这个镜头会出戏吗？会，就重做；不会，就保留。把判断标准从"我是否满意"改成"观众是否会出戏"，能显著减少无意义的返工。
团队协作时最容易出问题的地方在哪？
在版本管理。同一个镜头存在多个版本、却没有明确标记哪一版通过，几乎是所有协作混乱的根源。强制命名规范加上一份简单的状态表，能解决九成问题。
把流程跑通，再谈工具升级
AI 视频的门槛正在快速降低，但"能生成"和"能交付"之间的距离并没有缩短多少。这段距离由分镜的清晰度、提示词的结构化程度、一致性方案的严谨度、以及后期整合的细致度共同决定。工具会持续更新，而这些方法会一直有效。
如果你是第一次系统性地做 AI 视频，建议从一个三十秒的项目开始：三个镜头、一个角色、一段配音。完整走一遍从分镜到导出的流程，把遇到的问题记录下来。第二遍你会发现，真正花时间的不是生成，而是决策。把决策流程标准化，你的产出速度会以倍数提升。
从今天开始可以做的三件事：建立自己的模型评分表，写下第一份七段式提示词模板，并且为下一个角色准备四张统一光线的参考图。这三件事完成后，你已经超过了大多数还在纠结"选哪个模型"的创作者。
