为什么瓶颈已经从模型转向工作流
过去两年，AI 视频生成的能力提升速度远超大多数人的预期。文生视频、图生视频、视频改写、口型同步、镜头控制的可用度都在快速逼近“能直接进剪辑软件”的水平。结果是：真正拉开创作者差距的，不再是“你有没有用上某个新模型”，而是“你有没有一套稳定的工作流”。
模型越多，混乱越多。同一个项目里可能出现七八个不同来源的片段：有的画质极佳但风格跳脱，有的角色稳定但动作僵硬，有的运镜漂亮但时长只有三秒。如果没有一套清晰的流程把这些碎片拼成成片，模型能力只会变成返工的理由。
一套成熟的 AI 视频工作流通常包含五层：需求定义层、素材准备层、生成层、一致性控制层、后期整合层。每一层都有明确的输入和输出，出了问题可以定位到具体一层，而不是全盘重做。判断一套工作流是否成熟，可以用一个简单的标准：如果换掉其中任意一个模型，项目还能继续推进，说明流程是健康的；如果换掉一个模型就全盘停摆，说明你把流程绑死在工具上了。
本文不会围绕某个平台的功能清单展开，而是按“接到需求到交付成片”的顺序，把可迁移的方法、判断标准和常见坑讲清楚。无论你最终用哪几种工具，这套框架都可以直接套用。
先定义交付标准，再选工具
多数 AI 视频项目失败，不是因为生成质量差，而是因为一开始就没有说清楚“什么样算做完”。先写交付标准，再挑工具，顺序不能颠倒。交付标准不需要写成正式文档，一张纸、几行字就够，关键是它必须是可检查的，而不是需要感受的。
三类典型项目与它们的不同约束
社交媒体短视频：时长 8 到 30 秒，竖屏为主，前 2 秒必须抓住注意力，画面可以夸张但不能出戏，允许较高比例的 AI 痕迹，只要节奏和情绪到位。对这类项目，生成速度和批量出片能力比单帧画质更重要。
品牌广告与产品演示：时长 15 到 60 秒，横屏或方形，产品外观必须准确，颜色和材质不能漂移，人物出现时要保持自然的皮肤质感与手部结构。这类项目对一致性和可控性的要求远高于对想象力的要求，往往需要参考图和关键帧双重锁定。
叙事短片与系列内容：单集 1 到 5 分钟，需要角色跨镜头一致、场景空间连贯、镜头语言有设计感。这类项目对模型的要求最综合，也最依赖前期分镜和素材库管理，如果没有规范命名和版本记录，做到第三集就会失控。
把模糊需求写成可验收条目
把“要高级感”这类描述翻译成可检查的条目，例如：画面无明显手部畸变；主体在镜头中占比不低于三分之一；同一角色的发色、服装、配饰在全集内保持一致；字幕不遮挡主体面部；音画同步误差小于一帧。这些条目会直接决定你选哪种生成方式、要不要做首尾帧衔接、后期需要投入多少时间。
一个实用技巧是给每条标准标注“硬性”或“偏好”。硬性条目不过关就不能进入下一阶段，偏好条目可以在成片阶段权衡取舍。这样做的好处是，评审时不会因为一句“感觉不太对”而全盘推翻已经确认的部分。
模型选择的决策框架
不要问“哪个模型最好”，要问“这个镜头需要什么，哪个模型最不容易在这个需求上翻车”。模型选择不是一次性决策，而是逐镜头决策，同一个项目里混合使用两到四种工具是常态。
文生视频、图生视频与视频改写
文生视频适合概念探索和空镜生成。它的优势是自由度高，劣势是可控性低，同一段提示词跑三次可能得到三种完全不同的构图。适合用在不需要精确复现的段落，例如氛围镜头、抽象转场、环境空镜。
图生视频适合需要精确构图的镜头。你先把关键画面做出来——可以用图像模型，也可以用实拍截图或三维渲染——再让视频模型把静态画面动起来。可控性显著提升，代价是前期要多花时间准备参考图。
视频改写适合已有素材的风格迁移和局部替换。它的优势是保留原有运动信息，适合把实拍素材转成动画风格，或者替换背景、服装、天气。注意改写类操作对原素材质量很敏感，抖动严重的素材会放大瑕疵。
一致性优先还是画质优先
如果项目里有固定角色，先解决一致性，再优化画质。原因是：画质差一点的片段可以通过后期调色、锐化、降噪部分弥补，但角色长相变了，观众立刻出戏，没有后期手段能救。
判断方法很简单：把同一个角色在三个不同镜头里的截图并排放在一起，如果第一眼看不出是同一人，说明一致性还没达标，不要急着往下做。更严格一点，可以把截图缩小到手机屏幕尺寸再看一遍，很多在电脑上不明显的差异，在小屏幕上反而更突出。
速度、成本与迭代次数
把预算换算成“能跑多少次生成”，而不是“单次多少钱”。一个需要 30 秒成片的项目，通常要准备 60 到 120 次生成的余量，其中大部分会被丢弃。如果某类模型单次生成时间很长，那它更适合用在最终定稿的少数镜头上，而不是用来试错。
实用的组合策略是：用快速模型做分镜预演，确定构图、节奏和转场；再用高质量模型重跑确认过的镜头。这样可以把昂贵算力集中在真正需要的镜头上，而不是平均撒在探索阶段。
| 需求类型 | 优先考虑 | 尽量避开 |
|---|---|---|
| 空镜与氛围 | 文生视频，速度快、风格统一 | 过度精确的构图要求 |
| 固定角色 | 图生视频加参考图 | 纯文本描述角色外貌 |
| 实拍改造 | 视频改写，保留运动 | 抖动严重、光线过暗的原素材 |
| 产品展示 | 固定机位加关键帧锁定 | 大幅度运镜和快速切换 |
| 长镜连续动作 | 拆成短镜头再衔接 | 一次性生成十秒以上复杂动作 |
提示词工程：把创意翻译成镜头语言
提示词的本质是把导演脑中的画面翻译成模型能理解的参数集合。写得越接近镜头描述，结果越稳定。很多人以为提示词是“写作文”，其实它更接近填写一份拍摄通告单。
结构化提示词模板
一个稳定的结构是：主体 + 动作 + 环境 + 光线 + 镜头 + 风格 + 画质约束。
主体：谁或什么，外貌关键特征，服装，道具。
动作：具体动词，动作幅度，速度，方向。
环境：地点，时间，天气，背景元素。
光线：光源方向，软硬程度，色温倾向。
镜头：景别，机位高度，焦段感，运动方式。
风格：写实、动画、胶片质感、纪录片等。
画质约束：清晰度、噪点、畸变排除项。
示例：一位穿深灰色风衣的年轻女性，从街道左侧向镜头走来，步伐平稳，双手插兜；雨后的夜间城市街道，霓虹灯牌在湿地面反射；侧逆光，冷蓝主光搭配暖色招牌光；中景到近景缓慢推近，手持轻微晃动；电影感写实风格，浅景深；避免手指变形和面部扭曲。
注意最后一行。负面约束不是可选项，而是稳定输出的重要部分，尤其对于手部、面部、文字和对称结构。
常用运镜与光线术语
运镜：推近、拉远、横移、跟随、环绕、升降、俯冲、手持、斯坦尼康、延时。
景别：大远景、远景、全景、中景、近景、特写、大特写。
光线：顺光、侧光、逆光、顶光、轮廓光、黄金时刻、蓝调时刻、伦勃朗光、高调、低调。
术语不只是“显得专业”，它们能显著降低模型随机发挥的空间。当你把“好看一点”换成“中景，侧逆光，浅景深”，可复现性会明显提高。建议把自己常用的二十个术语整理成一张小卡片，写提示词时直接对照使用，比临场回忆效率高得多。
提示词误区
误区一：堆砌形容词。模型对“震撼、史诗、极致、大师级”这类词的反应并不稳定，具体描述比情绪形容词有效得多。
误区二：一句话塞进多个动作。模型倾向于只执行一个主要动作。要多个动作，就拆成多个镜头。
误区三：忽略画面比例和时长。横竖屏比例、目标时长会直接影响构图选择和运动设计，最好在提示词或参数里明确。
误区四：不做负面约束。手指数目、文字乱码、多余肢体是最常见的失败点，提前排除比后期修补省力得多。
误区五：每次换同义词。同一个概念换一种说法，模型可能给出完全不同的视觉结果。确认有效的表述就固定下来，做成可复用的文本块。
角色与风格一致性：参考图、关键帧与风格锁定
一致性是 AI 视频从“玩具”变成“生产工具”的分水岭。观众可以接受画风夸张、比例失真，但很难接受同一角色在两秒之内换了一张脸。
参考图策略
准备三到五张参考图，覆盖不同角度和光线：正面、四分之三侧面、侧面、全身、半身。只给一张正面图，模型在角色转身或侧脸时很容易漂移。
参考图尽量干净：背景简单、光照均匀、没有遮挡面部的手或头发。如果角色有标志性配饰，至少两张图里要清晰可见，否则模型会把它当成可选项。
如果角色来自真人演员或已有 IP，务必确认素材使用范围，避免在商业交付里埋下版权隐患。这类问题一旦出现在成片阶段，返工成本极高。
首尾帧与转场衔接
需要两个镜头之间无缝衔接时，用上一镜的尾帧作为下一镜的首帧，可以大幅降低跳变感。具体做法：先生成第一个镜头，导出最后一帧，作为下一个镜头的起始参考，再补一段与上一镜结尾动作方向一致的提示词。
对于动作连贯性要求高的段落，还可以固定机位、固定景别，只让主体动作变化，这样即使跨模型生成，观感上的连续性也会好很多。
另一种常见做法是把转场本身设计成遮挡：让主体走出画面、让车辆经过镜头、让门关闭。遮挡会自然掩盖两个片段之间的差异，这在跨模型拼接时尤其有效。
风格锁定的实用技巧
把风格描述写成固定文本块，所有镜头复用同一段措辞，不要每次换同义词。风格关键词的细微变化会带来明显视觉差异。
如果项目跨越多种画风，给每种风格建立独立的关键词组和参考图组，不要混用。
在多图融合场景中，可以用同一组参考图同时约束角色和色调，权重上让角色参考更强，风格参考稍弱，避免风格图把角色特征覆盖掉。
建立一致性检查表：发色、发型、瞳色、服装主色、配饰位置、肤色倾向。每完成五个镜头对照检查一次，比等到整段做完再发现要省事得多。
音画同步与后期整合
生成画面只完成了一半工作。观众对声音的宽容度低于对画面的宽容度：画面略糊可以接受，声音对不上口型立刻出戏。
配音与音效
先定配音，再调整画面节奏，通常比反过来更容易。拿到配音后，按句子切分时间点，把镜头长度对齐句子边界，避免一句话跨两个镜头。
环境音决定空间感。室内场景加房间混响，户外加风声和环境底噪，空旷场景加轻微延迟，观众会自然接受画面的合成感。
如果要做多种语言的配音版本，注意语速差异。同一句话在不同语言里的时长可能相差两成以上，前期预留停顿和空镜，比后期硬剪更从容。
剪辑节奏
AI 生成镜头普遍偏短，且运动方向不易完全控制。剪辑时优先按动作方向匹配，而不是严格按时间顺序拼接。相邻镜头运动方向一致时，剪辑点会“藏”得更好。
镜头长度建议：开场镜头 1.5 到 2.5 秒，情绪铺垫 2 到 4 秒，高潮镜头可以短到 0.8 秒制造冲击。整段视频保持节奏变化，不要每个镜头都一样长。
另一个容易被忽视的点是画面明暗节奏。连续三四个暗调镜头会让观众视觉疲劳，哪怕每个镜头单独看都很漂亮。在暗调段落之间插入一个亮调空镜，整体观感会明显提升。
字幕与本地化
字幕位置避开主体面部和产品标识。如果要做多语言版本，把字幕单独作为一层导出，不要烧录在画面上，方便复用。
字幕断句按语义而不是按字数。一行字幕太长会让人来不及读，太短又会频繁闪动。一般建议单行不超过屏幕宽度的四分之三，单条停留不少于一秒。
批量生产：把单条视频变成可复用管线
单条视频可以靠灵感，系列内容必须靠流程。当你要在一个月内交付二十条视频时，决定成败的不是创意，而是素材能不能找到、参数能不能复用、错误能不能提前发现。
命名规范与素材库
统一命名规则，至少包含项目、集数、镜头号、版本、状态。例如 project-ep03-sh007-v2-approved。听起来琐碎，但当项目有两百个生成片段时，这是唯一能让你不靠记忆找到素材的方法。
素材库按类型分区：参考图、关键帧、生成片段、配音、音效、成片导出。每区再做版本管理，不要覆盖旧版本，模型迭代和参数微调随时可能让你需要回退。
额外建议保留一份“失败案例”文件夹。失败的生成片段是校准提示词的最好材料，把失败原因写在文件名里，下次遇到类似需求可以直接规避。
模板化与参数化
把重复使用的部分固定下来：提示词结构、负面约束列表、镜头术语表、转场规则、字幕样式、导出参数。把变化的部分参数化：角色、场景、服装、时间段。
这样新一集的制作就变成“替换参数 + 检查一致性 + 微调”，而不是从零开始。经验上，做到第三集之后，如果管线搭建得当，单集制作时间可以降到第一集的一半以下。
抽检与质量闸门
设定三道闸门：分镜确认、镜头确认、成片确认。每道闸门只解决一类问题，避免在成片阶段才发现角色设定不一致。
抽检比例建议不低于 20%。全量检查耗时太长，完全不查会漏掉系统性错误——尤其当某类提示词整体失效时，抽检能快速发现并止损。
闸门的作用不只是把关，也是沟通工具。把每道闸门要确认的条目写下来，评审人对同一份清单打勾，比围着一台电脑反复讨论“感觉对不对”有效率得多。
成本、时间与产能的平衡
把项目预算拆成四块：探索、生成、返工、后期。经验上探索和返工常常各占三成以上，很多人只预留了生成成本，结果中途停滞。
时间管理上，把最不确定的镜头放在最前面做。先做最难的角色转身、最复杂的群体镜头、最长的连续动作，如果这些做不出来，及早调整分镜比做到一半推倒重来便宜得多。
产能估算不要按“每天能做几条视频”算，而按“每天能确认多少个可用镜头”算。一个可用镜头通常意味着三到五次废弃生成，这个比例在前期更高。
最后，为审查和修改预留专门的时间。多数项目的最后一公里不是生成，而是改字幕、调节奏、换配乐、统一色调。把这些排在计划表里，而不是当作收尾的零碎时间，交付会稳定得多。
常见故障排查
角色长相变化：参考图不足或角度覆盖不够，回到参考图策略，补齐侧面和全身图，并把角色描述固定成同一段文本。
画面闪烁或细节抖动：镜头内元素过多，或者相邻帧参考不一致。简化场景元素，减少快速运动，必要时拆成两个更短的镜头。
动作僵硬或不自然：提示词里的动作描述过于笼统。改成具体动词加方向加速度，并给出明确的起始和结束状态。
手部畸变：加负面约束，让主体手部隐藏在画面外或口袋中，或者用道具遮挡。这是一种务实的规避策略，而不是妥协。
口型对不上：先确认配音的语速和停顿，再按句子边界重排镜头；如果模型支持口型驱动，优先用配音驱动而不是靠提示词描述。
风格忽明忽暗：风格关键词组没有固定。把风格描述写成模板并在全项目复用，必要时用统一参考图约束色调。
画面比例被裁切：导出前逐分辨率预览一次。竖屏素材放进横屏时间线时，提前决定是加模糊背景、加边距，还是重新构图生成。
常见问答
问：需要同时使用多个模型吗？
答：多数项目会。不同模型在写实、动画、动作、镜头控制上的强弱不同，组合使用比死守一个模型更容易达成目标。但每增加一个模型，就要增加一层一致性检查和素材管理成本，所以建议控制在两到四个。
问：没有美术基础能做吗？
答：可以，但需要把“审美判断”换成“检查清单”。用明确的验收条目替代直觉判断，例如主体占比、色彩数量、镜头长度、一致性对比截图，逐步建立自己的标准。
问：生成多少条才能挑出一条可用素材？
答：视复杂度而定，简单空镜可能两三条就够，复杂角色动作可能需要十几次。把生成次数当作成本项提前规划，比事到临头才发现不够更稳妥。
问：怎样减少返工？
答：把高风险镜头前置，把角色设定和风格模板固定下来，把负面约束写成常驻列表，并且每完成一个阶段就做一次抽检确认。返工的重灾区通常是角色一致性和节奏，把这两项做成固定检查点，效果最明显。
问：后期在整条链路里占多大比重？
答：常被低估。合成感强的素材尤其需要后期统一色调、补音效、调节奏。预留总工时的三分之一给后期，是比较现实的估计。
问：怎么判断一个镜头值得保留？
答：看三件事：主体是否清晰可辨，动作是否服务于叙事，画面是否与前后镜头在色调和运动方向上衔接。三项都过，才值得进入下一道闸门。
问：要不要给每个镜头都做高精度版本？
答：不必。观众注意力集中在前几秒和转折点上，这些位置值得投入更多生成次数。中段过渡镜头用标准质量即可，把预算留给关键帧和特写，整体观感反而更好。
