为什么“换一个模型”解决不了你的问题
大多数人接触 AI 视频的第一步，是打开一个生成工具，输入一段描述，然后等待结果。第一次看到画面动起来的时候确实震撼，但第三次、第四次之后，问题就暴露出来了：同一个角色在第二个镜头里换了脸，第三段的光线和前两段完全接不上，第四段跑起来像在冰面上滑行。于是人们得出结论——“这个模型不行”，然后换下一个工具，重复同样的循环。
真正的问题不在模型，而在工作流。AI 视频生成已经从一个“抽卡式”的娱乐行为，变成了需要前置规划、中间控制、后置整合的制作流程。一个成熟的流程至少包含六个环节：目标定义、分镜拆解、参考素材准备、提示词与参数控制、音画整合、验收与返工。任何一环缺失，最终成片的质量上限都会被锁死。
把流程拆开看，你会发现模型的角色其实很清晰：它只负责“把已经想清楚的东西渲染出来”。它不负责帮你想清楚镜头怎么切、角色穿什么、节奏怎么走。所以本文不再讨论“哪个模型最强”这种没有稳定答案的问题，而是给出一套可以直接落地的制作方法，让你在面对写实、动画、广告、短剧、口播等不同目标时，都能快速找到合适的路径。
三种常见工作流的取舍
第一种是“单模型全流程”：只用一个工具从第一个镜头做到最后一个镜头。优点是风格天然统一，学习成本低；缺点是遇到它不擅长的场景（比如复杂手部动作、快速转场、长镜头调度）就会卡住，而且很难针对单个镜头做优化。适合短片、概念片、风格化动画。
第二种是“多模型分工”：按镜头类型分配工具，写实空镜用擅长环境的模型，人物特写用擅长面部的模型，情绪爆发镜头用擅长动态的模型。优点是每个镜头都能拿到相对更好的结果；缺点是风格一致性需要靠后期和参考图强行拉齐，管理成本明显上升。适合预算和周期都允许反复打磨的项目。
第三种是“主线模型 + 补拍模型”：以某个模型作为主风格基准，只在关键的三到五个镜头用另一个模型补强，然后通过统一调色和统一参考图把差异抹平。这是目前性价比最高的一种做法，既保留风格统一，又保留局部优化的空间，也是本文后续推荐默认采用的路线。
开工前的四个决定性变量
在写第一个提示词之前，先把下面四个变量定下来。它们决定了你后面 80% 的技术选择，如果边做边改，返工量会成倍增加。
变量一：写实度与风格化程度
目标如果是“像实拍”，那么镜头运动必须克制，光线逻辑必须可解释，人物皮肤纹理、镜头景深、轻微的手持抖动都要模拟出来，任何一次夸张的推拉或者不符合物理规律的运动都会立刻暴露“这是生成的”。目标如果是“风格化动画”，则可以做更自由的运镜，但必须保证整片用同一套视觉语法——线条粗细、色块边界、阴影处理方式要统一，否则观众会感到割裂。
一个实用的判断标准：先问自己“如果这是真人拍的，摄影指导会不会这样运镜”。如果答案是不会，那这个运动大概率要收敛。
变量二：总时长与镜头数
三分钟以内的内容适合用“镜头表”直接管理，每个镜头单独生成、单独验收。超过五分钟，就需要引入“段落—镜头”两级结构：先把内容拆成若干段落，每个段落有自己的情绪目标和视觉基调，再在每个段落内部拆镜头。这样做的好处是你在生成阶段可以按段落批量推进，不用等全片素材齐了才发现节奏不对。
一般来说，一个 10 秒的成片镜头，从生成到可用，需要 3 到 8 次尝试；特写和复杂动作更多，空镜和静态构图更少。按这个比例估算，一个 60 秒的片子大概需要 40 到 80 次生成，这个数字应该提前写进排期。
变量三：交付渠道与画幅比例
竖屏、横屏、方形三种画幅会直接影响构图和运镜选择。竖屏不适合大幅度横向运动，因为横向空间被压缩后，运镜容易让主体瞬间出画；横屏不适合把主体放在正中央的大特写，因为两侧留白过多，观众注意力无处可去。
更稳妥的做法是：确定一个主画幅进行主体创作，然后再为其他渠道做二次裁切版本，而不是一开始就同时生成多套画幅。多画幅并行生成会让素材库迅速膨胀，后期整合难度也随之上升。
变量四：预算与时间边界
明确“每个镜头最多试几次”和“每天最多生成多少个镜头”，这两条约束比任何提示词技巧都更能提升效率。没有上限的反复重试是 AI 视频项目最常见的成本黑洞：一次不理想就再来一次，最后在几个镜头上耗掉整周时间，其他镜头只能草草收尾。
从创意到镜头表：把文字拆成可执行的分镜
AI 生成失败的最常见原因，是给它的信息量太少。一段两百字的剧情梗概，不可能变成一段有节奏的影像。你需要把它拆成镜头表，每一行写清一个镜头里能看见的一切。
镜头表的字段设计
一份好用的镜头表至少包含八列：镜头编号、所在段落、时长、景别、主体动作、环境、光线氛围、运镜方式。进阶版本再加上参考图编号、模型选择、音频备注和验收状态。字段越多不代表越专业，关键是每个字段在生成时都能被用上。
举例来说，“夜晚、巷口、男子点烟”这样一行信息，在镜头表里应该被写成：中景，主体背对镜头站在巷口，右手抬起打火机，火光照亮下颌，背景有积水反光，环境光为冷蓝，主光源为暖橙，镜头缓慢向前推进，时长 5 秒。这样的描述直接对应一段可执行的提示词，而不需要现场再构思。
段落基调的统一定义
每个段落开头，写三句话：这一段要传达什么情绪、主色调是什么、镜头节奏是快还是慢。这三句话会渗透到你写的每一条提示词里，成为保持全片统一感的关键。很多片子看起来“散”，不是因为单个镜头不好，而是因为没有段落级的统一意图。
先画故事板还是先写提示词
如果团队成员之间需要对齐，先画简笔故事板更高效；如果是个人创作，直接用文字镜头表更快。故事板不必精致，能标出主体位置、画面重心和运动方向即可。它的价值在于提前暴露问题：当你把五个镜头并排画出来，会立刻发现有三个镜头构图几乎一样，这种重复在实际生成后会显得非常单调。
提示词工程：四段式结构与镜头语言词汇
提示词不是越华丽越好，而是越结构化越稳定。推荐使用四段式写法，顺序固定，方便你批量替换变量。
第一段：画面主体与动作
写清“谁在做什么”。主体要具体到外观特征：年龄区间、发型、衣物材质、关键配饰。动作要写成可见的物理过程，而不是抽象意图。“表现出犹豫”是无效描述，“右手停在门把手上，停顿两秒后缓慢放下”才是有效描述。
第二段：环境与光线
环境包含地点、时间、天气、材质细节。光线包含光源方向、色温、强度对比。这一段的技巧是使用摄影术语：侧逆光、柔光箱、实用光源、高对比阴影。这些词汇在多数视频模型里都有相对稳定的理解。
第三段：镜头与运镜
明确景别（特写、近景、中景、全景、远景）、机位高度（平视、俯视、仰视）、运动方式（固定、推、拉、摇、移、跟、升降、环绕）以及运动速度。如果模型支持相机参数，也可以补充焦段感（如“接近 35mm 视角”）和景深倾向。
第四段：风格与画质约束
最后一段定义整体质感：写实电影感、胶片颗粒、纪录片手持、动画赛璐璐、水彩插画等。同时写明负面约束，比如“无文字水印、无多余肢体、无快速闪烁”，这些负面项能显著降低废片率。
一个可直接套用的模板
把四段拼起来，就是一条完整提示词：主体与动作 + 环境与光线 + 景别与运镜 + 风格与负面约束。用同一个模板写完整片所有镜头，是保证风格统一最简单有效的方法。当你需要调整时，只改其中一段，其他三段保持不变，这样你能清楚知道是哪一段导致了变化。
运镜词汇的稳定性排序
经验上，固定机位和缓慢推进是最稳定的两种运动，几乎不会崩坏；横向移动和环绕运动中等问题较多，容易出现背景扭曲；快速推拉、手持剧烈晃动、复杂升降最容易产生形变。所以关键情绪镜头优先用稳定运镜，把复杂的运动留给短时长、低细节要求的过渡镜头。
角色一致性：跨镜头不“变脸”的工程做法
这是 AI 视频制作中最难、也最值得投入的部分。角色一旦在镜头之间发生变化，观众的沉浸感会瞬间断裂，前面所有努力都会被抵消。
建立角色参考图集
不要只准备一张参考图。一个可靠的角色参考包至少包含五张图：正面平视、四分之三侧面、侧面、全身、以及一张带情绪的特写。这五张图应该使用同一套光照条件拍摄或生成，服装、发型、妆容完全一致。如果参考图之间本身就存在差异，模型只会把差异放大。
用特征锚点代替形容词
“气质清冷”对模型没有意义，“颧骨偏高、眼距较窄、嘴角自然下垂、深棕色直发过肩”才是锚点。把三到五个最显著的面部特征写在每条提示词的固定位置，可以明显提升跨镜头相似度。这个特征短句最好在整个项目里一个字都不改。
多图融合与身份锁定
当工具支持多张参考图融合时，把全身图作为构图参考，把特写图作为面部参考，把侧面图作为角度参考。不同参考图承担不同职责，比一股脑塞进去五张图效果更好。同时注意：参考图数量增加会提升相似度，但也会降低模型的动作自由度，所以动作幅度大的镜头可以适当减少参考图数量，优先保证动态自然。
服装、道具与光线的连续清单
角色一致性不只是脸。衣服的褶皱位置、纽扣数量、随身物品的左右手位置、前一镜头是雨天后面却出现干燥地面，这些穿帮同样致命。建议为每个角色维护一份“连续性清单”，在生成每个镜头前对照检查。这份清单在剪辑阶段还能当作验收依据。
什么情况必须重生成，什么情况可以后期救
如果只是色调偏了、轻微形变、边缘闪烁，通常可以通过后期稳定、调色和局部修补解决，成本远低于重新生成。但如果是五官结构改变、手部多指、服装颜色完全错误，就必须重生成，因为后期修补这类问题的代价往往高于重新来一次。这个判断标准能帮你省下大量时间。
图生视频、首尾帧与运动控制
文本生成视频的自由度最高，但可控性最差。当你需要精确控制起止画面时，应该切换到图生视频或首尾帧模式。
首帧控制：从静图出发
把已经确认满意的静态画面作为首帧，让模型只负责运动，是提升稳定性的最有效手段之一。静态画面可以用图像生成工具反复打磨到满意为止，因为单张图的重试成本远低于视频。确认后再进入视频环节，废片率会大幅下降。
尾帧控制：把两个镜头接起来
当两个镜头需要在视觉上连贯时，把前一镜头的最后一帧和后一镜头的第一帧都作为控制条件，可以让转场几乎无缝。这在需要长时间连续动作的场景里尤其有用，比如一个人从房间走向街道的全过程。
运动幅度的分层设计
一段镜头内部的运动可以分三层：主体自身的动作、镜头的运动、环境元素的运动（风吹树叶、人群走动、灯光闪烁）。三层同时大幅度运动，画面最容易崩坏。稳妥的做法是同一时刻只让一到两层处于强运动状态，其他保持轻微或静止。
物理合理性检查
生成完成后，用三个问题快速检查：重量感对不对？惯性对不对？接触点对不对？脚踩在地上有没有打滑，物体落地有没有弹跳，布料摆动是否符合风向。这些细节是“AI 感”的主要来源，也是普通观众说不清但能感觉到的地方。
音画与后期：生成只完成了一半
很多人以为视频生成完了项目就结束了，实际上生成素材通常只占最终工作量的四成，剩下的六成在音频和后期。
配音与口型
如果需要人物说话，建议先确定配音，再根据音频节奏生成画面。反过来做会让口型对不上，后期调整极其困难。对于口播类内容，可以把配音的停顿点标注出来，让画面在停顿处切换镜头，节奏会自然很多。
音效与配乐
AI 生成画面往往是无声的，而观众对“真实感”的判断很大程度来自声音。环境底噪、脚步、衣物摩擦、远处车流，这些细节音效的加入会立刻提升质感。配乐则负责情绪引导，建议在剪辑基本定型后再铺音乐，避免为了贴合音乐而反复改剪辑。
稳定、去闪烁与调色
生成素材常见的三种瑕疵是：轻微抖动、亮度闪烁、色调不统一。处理顺序建议是先去闪烁，再稳定，最后调色。如果先调色再稳定，稳定过程会引入新的亮度变化，等于白做。调色阶段的目标不是美化，而是统一——把不同模型、不同批次的素材拉到同一条色彩基准线上。
剪辑节奏
生成镜头的时长通常比实际需要的长，剪辑时要果断裁掉冗余。一个经验法则：如果某个镜头在前两秒内没有传达新信息，就应该缩短它。AI 生成的画面细节信息量大，观众需要时间消化，但一旦超过舒适阈值，注意力就会流失。
质量控制与返工排查
把验收做成清单，而不是凭感觉。下面这份清单覆盖了最常见的六类问题及其成因。
| 问题现象 | 常见成因 | 优先处理方式 |
|---|---|---|
| 角色五官漂移 | 参考图不一致、特征描述缺失 | 重建参考图集，固定特征短句 |
| 画面闪烁或抖动 | 运动幅度过大、帧间一致性不足 | 降低运动强度，减少同屏运动层数 |
| 肢体结构异常 | 复杂动作、遮挡关系复杂 | 改用首尾帧控制，或缩短镜头时长 |
| 光线前后不接 | 提示词光源描述不统一 | 统一光线段落模板，后期统一调色 |
| 画面过度平滑 | 质感词缺失、风格约束过弱 | 补充胶片颗粒、手持、真实材质描述 |
| 转场生硬 | 缺少尾帧衔接设计 | 使用尾帧控制或加入过渡镜头 |
返工时遵循一个原则：先改提示词，再换参考图，最后才换模型。大部分问题在前两步就能解决。换模型是成本最高的手段，因为它会带来风格的连锁变化。
批量验收比逐个验收更高效
把同一个镜头生成的多个版本并排放在一起看，比一个一个单独看更容易发现差异。人眼对比能力远强于记忆能力，并排比较能让你在三秒内挑出最好的那一个。
团队协作、素材管理与排期成本控制
当项目从一个人变成两三个人，混乱会成倍增加：同一个镜头被生成三次，最新版本找不到，参考图被覆盖。管理规范不是形式主义，而是直接决定效率。
命名规范
推荐使用“项目_段落_镜头_版本”的命名方式，例如“广告A_P02_S05_v3”。版本号只用数字递增，不要用“最终版”“真的最终版”这类命名。所有素材按段落分文件夹存放，参考图单独一个文件夹并标注不可覆盖。
版本与交接
每次交付都要附带一份镜头状态表，标明哪些已确认、哪些待定、哪些需要重做。这样任何人都能接手而不需要口头解释。生成参数也要记录在案：用了哪个模型、什么参考图、什么提示词、哪一版本。这些记录在需要复现某个效果时价值极高。
分阶段排期
一个可执行的排期建议是：企划与镜头表占 20%，参考素材与提示词准备占 15%，生成与筛选占 35%，音画后期占 20%，验收与修改占 10%。生成阶段最容易超时，所以一定要设置每日生成上限，把时间留给筛选和后期，而不是无止境地重试。
批量生成策略
同一场景的多个镜头可以一次性排队生成，但不要一次性生成整片所有镜头。先做第一段落的完整流程，从生成到后期走通一遍，确认视觉基准后再批量推进后续段落。这样可以避免基准错误被复制到全片。
常见问题解答
新手应该先学提示词还是先学分镜？
先学分镜。分镜决定了内容的骨架，提示词只是填充细节。一个分镜清晰但提示词写得普通的人，产出的片子通常比提示词华丽但不分镜的人更完整。
一个镜头生成多少次比较合理？
把 5 次作为默认上限，超过就说明提示词或参考图有问题，应该回头修改输入，而不是继续抽。遇到特别关键的镜头可以放宽到 10 次，但要相应压缩其他镜头的尝试次数。
为什么我的画面总是显得“太干净”？
通常是因为缺少质感描述和光线层次。补充环境颗粒、皮肤纹理、材质反射、前景遮挡物，并加入非对称光源，画面会立刻真实很多。
长视频能做吗？
可以，但不要试图一次生成长视频。正确做法是把长内容拆成大量短镜头，每个镜头单独生成，再通过剪辑组合。连贯性来自镜头表的设计和角色参考的一致性，而不来自单次生成的长度。
不同模型生成的素材能混用吗？
能，但要付出统一化的代价。建议在混用前先确定主风格，统一色温、对比度和颗粒感，并尽量让同一段落只使用同一个模型，避免段内风格跳动。
生成速度重要吗？
在探索阶段很重要，因为它决定了你能试多少次；在交付阶段不那么重要，因为你已经有确定的方案。合理做法是在前期用速度快的工具做大量尝试，在后期用质量更高的工具做最终渲染。
需要多少素材才算够？
按最终成片时长的三到五倍准备原始素材比较稳妥。剪辑时你会发现很多镜头看起来不错但并不适合整体节奏，留有余量才能剪出理想的版本。
音频可以后配吗？
可以，但如果有人物对白，最好先定音频再生成画面。口型与节奏的匹配是后期最难修的部分，前置处理能省掉大量麻烦。
怎么判断一个项目该不该用 AI 做？
看三点：是否需要大量非常规场景或人物设定，是否有明确的时间与预算压力，是否接受风格化或半写实的视觉呈现。三点都符合时，AI 流程的效率优势最明显；如果需要极高精度的真实细节和复杂交互动作，传统拍摄仍然更可靠。
把流程跑通一次，比收藏一百个技巧更有价值
AI 视频生成的技术迭代速度很快，今天好用的参数明天可能就被新版本取代。但工作流不会那么快过时：目标定义、分镜拆解、参考素材准备、提示词结构化、音画整合、验收返工，这套骨架在任何工具上都适用。
对你来说，最实际的第一步不是再买一个工具，而是挑一个三到五个镜头的小项目，完整体验一遍从镜头表到成片的全部环节。走完这一轮，你会清楚地知道自己在哪一环最薄弱：是分镜想不清楚，还是提示词写不出画面，还是后期拉不齐风格。补上那一环，你的产出质量会有明显跃升。
最后记住一条原则：把每一次生成都当作一次有依据的实验，而不是一次赌博。记录输入、观察输出、只改一个变量。做到这一点，AI 视频对你来说就从“偶尔出好片”变成了“稳定可交付”。
