为什么 AI 视频生成需要流程，而不是堆工具
AI 视频生成的能力在最近两年被反复重估。第一波兴奋来自"一句话出片"，第二波来自画质与物理表现的跃升，而如今真正卡住大多数团队的，已经不是"能不能生成"，而是"能不能稳定地、按交付标准地生成"。同一段提示词在不同时间、不同参数、不同随机种子下产出差异巨大，如果没有流程约束，创作就会退化成不断重抽的赌博。
一个可复现的工作流通常要解决三类问题。第一类是风格漂移：开头像电影，中段像贴图动画，结尾像插画。第二类是角色不一致：同一个角色在三秒内换了脸型、发型和年龄。第三类是镜头不可控：想要一个缓慢推近，得到的却是一个不知为何在旋转的镜头。这三类问题几乎都不是"模型不够强"造成的，而是缺少镜头级规划、缺少参考资产、缺少参数规范。
把流程搭起来还有一个现实收益：它让 AI 视频从个人技巧变成团队能力。当提示词结构、分镜表字段、命名规范、质检清单都被写下来，新成员不需要理解每个模型的内部机制，也能产出达到及格线的片段。工具会不断更新，流程才是留下来的资产。
下面讨论的重点是工作方法，而不是某一个平台的独家功能。你在任何工具组合里都可以套用这套结构，只是具体按钮和参数名称不同。
前期策划：把模糊创意变成可执行的镜头清单
很多人拿到需求就直接打开生成工具，结果生成到第三十个片段时才发现整体方向错了。前期策划不是形式主义，它直接决定后面所有环节的重试次数。
先把交付要求定死
在生成第一个镜头之前，至少确认六件事：成片时长与投放平台（竖屏还是横屏、十几秒还是六十秒）；分辨率与帧率；是否需要字幕与品牌露出；配音语言与音色倾向；是否需要口型对齐；交付格式与文件命名规则。这些看似与"生成"无关，实际上直接决定模型选择。需要长镜头叙事的项目，必须优先考虑支持更长单段时长和更强物理表现的模型；需要竖屏产品特写的项目，则更依赖细节稳定性与浅景深表现。
还有一个常被忽略的约定：画面里的文字尽量交给后期处理。让模型直接生成中文或英文标识，失败率很高，而且一旦失败就要重做整段。把留白位置规划好，在剪辑阶段叠加文字，效率高得多。
分镜表的字段设计
分镜表是整条流程的中枢。字段太少，生成时不断补设定；字段太多，没人愿意填。一个经过验证的字段组合如下。
| 字段 | 作用 | 示例 |
|---|---|---|
| 镜号 | 唯一标识，贯穿命名与版本 | S01-03 |
| 时长 | 决定生成长度与剪辑点 | 4 秒 |
| 景别与运镜 | 约束镜头语言 | 中近景，缓慢推近 |
| 画面描述 | 提示词的主要来源 | 人物坐在窗边翻书，逆光 |
| 角色与服装 | 关联角色资产包 | 林晓，灰色毛衣 |
| 场景与光线 | 统一视觉基调 | 老式书房，午后侧光 |
| 台词与旁白 | 音频与口型的依据 | 我们从头再来 |
| 音效 | 后期补足的信息 | 翻页声、远处车流 |
| 参考图 | 一致性的锚点 | char_lin_03.png |
| 状态 | 追踪进度 | 待生成 / 待审 / 已通过 |
字段填得越具体，提示词的质量上限越高；字段空着，后期就得用更多人工去弥补。对五到十个镜头的短片来说，这张表可能只花一小时，却能省下大量重复生成的时间。
建议为每个镜头预留两个到三个备选方案，标出"首选模型"和"备选模型"。当首选模型在某个镜头上连续失败，你可以直接切换，而不是在同一处反复消耗。
模型选择：按镜头类型决定，而不是按热度
选型的第一个原则是：不要试图找到一个全能模型。更可靠的做法是按镜头类型分工，让每个镜头用最擅长它的工具。
评估一个模型的六个维度
- 一致性：同一角色在不同镜头里能否保持面部、发型与服装稳定。
- 可控性：是否支持首帧、尾帧、关键帧或姿态参考等约束条件。
- 单段时长上限：能一次生成几秒，是否需要拼接。
- 细节与分辨率：近景皮肤质感、材质反射、微小纹理是否可辨。
- 运动合理性：肢体、布料、液体、烟尘是否符合直觉。
- 稳定产出率：连续生成十次，有几次能达到可用标准。
其中"稳定产出率"最容易被忽略，却最影响排期。一个画质惊艳但十次里只成功两次的模型，实际耗时往往超过一个画质中上但次次可用的模型。
按镜头类型匹配能力
| 镜头类型 | 最关键的能力 | 选型思路 |
|---|---|---|
| 人物近景与对话 | 面部稳定、口型、肤质 | 优先选一致性强的模型，缩短单段时长 |
| 产品特写 | 微距细节、材质反射 | 选细节强的模型，运镜限定为轻微推拉 |
| 风格化动画 | 风格保留、线条稳定 | 先定风格锚点图，再批量生成 |
| 大场景与航拍 | 几何稳定、远景层次 | 选擅长广角与缓慢运动的模型 |
| 复杂动作 | 运动合理性、无肢体崩坏 | 缩短动作单元，必要时拆分两段 |
| 含文字画面 | — | 生成时不带文字，后期叠加 |
混用策略与降级路径
成熟团队通常采用混合策略：把最稳定的模型留给角色镜头，把风格表现力最强的模型用于空镜与氛围镜头，把速度快的模型用于粗剪阶段的占位片段。粗剪时用低精度快速出片确认节奏，精剪阶段再对通过的镜头做高质量重生成。这样做的好处是，节奏问题在低成本阶段就被解决，不会等到所有镜头都渲染完才发现某段多余。
同时准备一条降级路径：如果某个复杂镜头反复失败，就把它拆成一个更简单的镜头，或者改用静态画面加轻微运镜，用音效与剪辑节奏弥补。观众记住的是整体节奏，而不是某一次生成是否完美。
提示词结构：六段式模板与常见误区
提示词的稳定性来自结构，而不是辞藻。把一句话拆成固定顺序的六个部分，可以显著降低随机性。
六段式模板
- 主体：谁或什么，年龄、外观、服装、材质。
- 动作：一个明确、可在一个镜头内完成的动作。
- 环境：地点、天气、背景元素、时间感。
- 光线：光源方向、软硬、色调、明暗对比。
- 镜头：景别、角度、运镜方式、镜头类型。
- 风格与技术：影像风格、色彩倾向、画质描述、比例参数。
一个可直接套用的中文示例：
一位三十岁左右的女性，短发，深灰色针织衫；她坐在窗边的木桌前慢慢翻开一本书，指尖停在其中一页；老式书房，背景有堆叠的书架与绿植；午后侧光从右侧窗户进入，光线柔和，浅色墙面形成自然反光；中近景，镜头从肩后缓慢推近到侧脸，浅景深；写实电影感，低饱和暖色调，画面干净无噪点，竖屏 9:16。
对应的英文写法建议保持同样的顺序，不要中英混排在同一句里，否则部分模型对语序的解析会出现歧义。
负面提示词该怎么写
负面提示词不必堆一长串。按类别写三类即可：解剖类（多余手指、四肢错位、面部扭曲）、画面类（闪烁、过曝、噪点、水印、字幕、拼接缝）、风格类（卡通化、油画感、过度锐化）。写太多互相冲突的负面词，反而会让模型在生成时失去重点。
三个高频错误
- 形容词堆叠："唯美、梦幻、史诗、震撼"这类词对画面没有约束力，模型只能随机选择一种理解方式。把形容词换成可拍摄的具体描述。
- 动作冲突：在一个四秒片段里要求角色"转身、拿起杯子、走出房间、回头看镜头"，结果通常是每个动作都做了一半。一个片段只放一个动作单元。
- 视角矛盾：同时写"俯视"和"平视"，或者既"固定机位"又"环绕运镜"。运镜只保留一个。
角色一致性与风格统一的具体做法
这是 AI 视频最容易翻车的部分，也是最值得投入流程建设的地方。
建立角色资产包
为每个主要角色准备六到八张参考图：正面、左侧、右侧、背面、两个表情、一个全身。所有参考图保持相同服装、相同光线条件、相同背景色。角色资产包越统一，模型在不同镜头里还原它的概率越高。
资产包还要记录一份"特征清单"：瞳色、发型分界、是否有刘海、配饰位置、服装材质与版型、鞋款。这些细节在质检时逐条对照，比凭记忆判断可靠得多。
多图融合与首尾帧衔接
当工具支持多张参考图同时输入时，把角色图与场景图一起提供，可以让模型在保留人物特征的同时融入环境。需要注意参考图的权重分配：角色特征优先，场景其次，风格图最后。
镜头之间的衔接，最稳的做法是首尾帧续接——把上一个镜头生成的最后一帧导出，作为下一个镜头的首帧参考。这样人物位置、光线方向和朝向会自然延续，观众不会察觉剪辑点。
风格锚点与固定参数
选定一个风格锚点图之后，尽量固定以下参数：随机种子（如工具支持）、风格描述词、色彩倾向词、镜头类型词、比例参数。改变其中任何一项，都要重新检查三个镜头的连贯性再继续批量生成。
质检方法是抽帧并排对比：把同一角色的多个镜头各抽一帧，横向排列，观察发际线、眉形、瞳色、配饰与服装色差。差异超过可接受范围，就回到参考图与提示词，而不是靠后期调色硬救。
运镜与镜头语言控制
镜头语言是 AI 视频里最容易被忽略、又最能提升观感的部分。
常用运镜词表
- 推近：镜头缓慢靠近主体，适合强调情绪。
- 拉远：从细节拉出到全景，适合结尾或揭示环境。
- 横移：镜头水平移动，适合展示空间与陈列。
- 环绕：围绕主体弧形运动，适合人物展示与产品展示。
- 跟随：镜头跟随移动主体，适合行走与运动。
- 升降：镜头垂直移动，适合开场与转场。
- 手持：轻微晃动，适合纪实感与紧张感。
- 固定：完全静止，适合对话与需要后期合成的情况。
写提示词时把运镜放在句子末尾，并且只写一个。需要复合运动（例如边横移边推近）时，先测试单段能否稳定执行，再考虑是否值得。
时长、节奏与剪辑友好度
每个镜头以三到五秒为一个动作单元最稳。动作要在片段内形成闭环，即开始、过程、结束都在同一段里，避免出现"动作做到一半被切断"的尴尬。
为剪辑预留余量：如果计划使用三秒，就生成四到五秒，前后各留几帧，剪辑时才有调整空间。需要更长的连续动作时，拆成两段并用末帧续接，比强迫单段生成长镜头更可靠。
节奏层面，先确定整片情绪曲线，再决定每段的时长与运镜强度。快节奏段落可以连续使用短推与横移，慢节奏段落则以固定镜头与轻微推近为主。全部镜头都在运动，观众会疲劳；全部静止，又会显得沉闷。
音频、配音与口型：让画面真正成立
很多 AI 视频看起来"假"，问题其实出在声音上。画面只有环境底噪或完全没有声音，观众就会感觉不真实。
音频先行的工作方式
先做配音，再定镜头时长。把旁白或对白录制（或合成）出来，标注每句话的起止时间，然后按这个时间轴设定每个镜头的时长。这样剪辑点天然对齐语音停顿，成片节奏会立刻提升一个档次。
配音时注意三点：语速略慢于日常对话，留出呼吸感；句尾不要上扬，除非确实需要疑问语气；专有名词单独试听一遍，避免合成音色读错。
口型与表演细节
需要口型对齐的镜头，尽量让角色正面或四分之三面向镜头，避免手部、杯子和头发遮挡嘴部。台词长度与镜头时长要匹配，四秒的镜头里塞进两句长台词，口型一定对不上。
如果口型精度达不到要求，可以采用侧面或背影处理，用画面动作与音效表达情绪。这比勉强对齐一个扭曲的嘴部形态更专业。
声音的层次
一条成片的声音通常包含四层：对白或旁白、环境声、动作音效、音乐。至少铺满三层，画面才会有"空间感"。环境声是最容易被省略、也最容易提升质感的一层——风声、远处车流、房间混响、纸张摩擦，都能让 AI 生成的画面落地。
音乐与剪辑点的对齐不需要精确到帧，但关键转场、标题出现、情绪转折的位置最好落在节拍上。
后期合成与质检：把片段变成成片
生成只完成了一半工作。剩下的部分决定成片是否可信。
质检清单
逐条检查每个通过的镜头：
- 手部结构是否正常，手指数量与关节弯曲是否合理。
- 牙齿与口腔内部是否变形。
- 双眼注视方向是否一致，有无斜视或眼球漂移。
- 画面中是否出现意外文字、水印或标识。
- 物理表现是否符合重力与惯性。
- 是否存在帧间闪烁、色块跳动、噪点突变。
- 主体边缘是否有撕裂或抖动。
- 面部特征在片段内是否发生漂移。
- 服装颜色与配饰在同一角色的不同镜头间是否一致。
- 时长、帧率、比例是否符合交付要求。
- 音画是否同步，口型是否对得上。
常见失败与修复路径
| 现象 | 可能原因 | 修复方式 |
|---|---|---|
| 手部崩坏 | 动作复杂、手部遮挡 | 缩短动作、改用手部特写或后期遮罩 |
| 面部漂移 | 参考图不足、时长过长 | 补充角色资产图、拆分为短片段 |
| 画面闪烁 | 帧间一致性不足 | 开启稳定选项、后期补帧与时域降噪 |
| 运镜失控 | 提示词冲突 | 只保留一个运镜词，重写镜头段 |
| 风格突变 | 风格锚点未固定 | 固定种子与风格词，重新批量生成 |
| 边缘撕裂 | 主体与背景对比过强 | 调整背景、增加羽化、局部重绘 |
修复的优先顺序是：能重生成就重生成，能改提示词就不要靠后期硬补，能换镜头设计就不要死磕同一个失败镜头。
产能、协作与资源控制
流程稳定的下一步是产能稳定。
模板化与批处理
把每个通过的提示词存成模板，把参数组合存成预设。同一天的生成任务尽量按类型分组：先集中生成所有角色近景，再生成所有空镜。这样上下文切换少，参数调整的次数也少。
命名规范与版本管理
统一命名结构：项目_场景_镜号_版本_状态，例如 demo_s01_03_v2_ok。版本号只在通过质检后升级，失败版本保留但不进入剪辑。分镜表里同步记录版本号，避免剪辑时用到错误文件。
审片节点
设置三个审片节点：粗剪前审分镜与占位片段，确认节奏与结构；单镜通过后审画面质量，确认一致性与细节；成片后审音画与交付格式。把审片集中在节点上，比随时打断生成效率高得多。
重试率才是真正的成本变量
资源消耗不只取决于生成次数，而取决于"多少次里有一次可用"。建议统计每个模型在每类镜头上的通过率，把通过率低的模型限定在空镜与氛围镜头使用。记录重试次数还有一个作用：它能告诉你问题出在提示词、参考图还是镜头设计。
给自己设一个时间盒：单镜连续五次重试仍未通过，就回到策划阶段，重新拆解这个镜头。继续抽样的边际收益极低，而调整设计的成功率很高。
常见问题 FAQ
单段生成多长最合适？
三到五秒是稳定产出率最高的区间。超过五秒，面部与服装的一致性风险明显上升。需要更长镜头时，用末帧续接的方式拼接，观众几乎不会察觉。
同一段提示词，为什么结果差异这么大？
生成过程带有随机性，种子、采样步数、模型版本都会影响结果。解决办法不是写更长的提示词，而是固定参数、固定参考图，并接受"同一提示词多生成几次，取最好的一条"这一工作方式。
没有美术基础，能做出统一风格吗？
可以。你不需要画得好，只需要会挑。选一张风格锚点图，把它作为参考输入，并把风格描述词固定下来，后续所有镜头都沿用同一套词。风格统一靠的是约束和重复，而不是绘画能力。
手部总是崩坏怎么办？
三个办法按优先级排列：让手离开画面或处于虚焦区域；缩短动作时长，减少手指运动；单独生成手部特写再与主镜头剪接。尽量避免让角色在镜头前做精细的手部操作。
生成片段怎么衔接才自然？
优先使用首尾帧续接，其次用同方向运镜衔接，最后才用转场特效遮盖。剪辑点的位置也有讲究：在动作进行中切，比在动作结束后切更流畅。
竖屏和横屏能共用同一套提示词吗？
主体与光线部分可以共用，镜头部分必须改写。竖屏适合中近景、人物居中、上下留白；横屏适合环境镜头与横向运动。比例参数改变后，最好重新生成一条测试镜头再批量执行。
每个镜头都需要参考图吗？
有角色的镜头需要，纯氛围与空镜可以只给风格锚点图。参考图越多越统一，但超过一定数量后收益递减，反而可能互相干扰。六到八张是实践中的平衡点。
团队协作最容易出问题的环节是哪里？
不是生成本身，而是文件命名与版本对齐。剪辑师拿到错误版本、审片人看的是旧文件、素材目录里出现三个同名版本，这些问题的修复成本远高于一次生成失败。把命名规范写进流程的第一页。
资源有限时，优先把钱和时间花在哪一步？
优先花在参考资产与音频上。统一且干净的角色资产包能直接提升所有角色镜头的通过率；一段打磨过的配音能让画质一般的片段也变得可信。相比追求更高分辨率，这两件事的性价比高得多。
怎么判断一个片段是否可以交付？
用三个问题判断：角色看起来还是同一个人吗；画面里有没有让人立刻出戏的瑕疵；这段与前后镜头接得上吗。三个都过关就通过，不要在单个镜头上无限打磨。成片的整体观感比任何单帧的完美更重要。
把上面的环节串起来，你会发现 AI 视频生成的核心并不在于找到某个神奇工具，而在于把策划、选型、提示词、一致性、镜头语言、声音、质检和产能管理连成一条可重复的流水线。从一条十五秒的竖屏片段开始，完整走一遍这套流程，记录每一步的失败与修正，第二支片子就会快得多。流程积累下来，才是真正属于你的能力。
