为什么现在需要一套稳定的 AI 视频工作流
生成式视频工具的进步，几乎全部体现在「单次生成」的质量上：画面更细腻、运动更合理、可出片的时长更长。但一个团队能否持续交付，取决的不是某一次惊艳的结果，而是「下一次还能不能做到同样好」。工具决定上限，工作流决定下限。
更现实的问题是：单点能力提升并不等于成片质量提升。你可以在某个模型上生成一条极漂亮的镜头，但它可能与前后镜头在光影、焦段、人物长相、运动节奏上完全不搭，剪辑时才发现无法拼接。把生成能力转化为交付能力，靠的是流程、规范和验收标准，而不是继续换工具。
没有工作流时，最常见的五种浪费是：
- 反复重生成同一个镜头，却不知道问题出在提示词、参考图还是运动描述；
- 角色在不同镜头里脸型、发型、服装漂移，剪在一起像不同的人；
- 音频与画面对不上，口型和节奏全靠后期硬拗；
- 素材命名混乱，几天后找不到「哪一版才是最终版」；
- 每次开工都从零开始，上一支片子的经验无法复用。
一套稳定的工作流至少解决三件事。第一是可复现：同样的输入能得到接近的输出，好结果可以被记录、被复用。第二是可协作：换一个人接手同一个项目，能在十分钟内看懂进度和资产位置。第三是可验收：有明确的通过标准，而不是「感觉还行」。
整个链路可以压缩成七个阶段，下面是总览：
| 阶段 | 核心交付物 | 主要风险 | 通过标准 |
|---|---|---|---|
| 立项与剧本拆解 | 剧本、节奏块、信息点 | 一个镜头塞太多信息 | 每个节奏块只有一个记忆点 |
| 分镜与提示词 | 镜头表、提示词、负面提示 | 运镜与动作混写 | 每条提示词可被他人复现 |
| 角色与风格一致性 | 角色设定卡、参考图组、风格锚点 | 参考图中途更换 | 并排对照无明显漂移 |
| 静帧转动态 | 候选镜头、选定镜头 | 运动幅度过大 | 选片率稳定在可接受区间 |
| 声音设计与同步 | 分句配音、混音工程 | 响度忽大忽小 | 音画误差小于 2 帧 |
| 剪辑、调色与输出 | 时间线、成片、输出文件 | 逐镜调风格导致越调越花 | 规格与平台要求一致 |
| 验收与复盘 | 验收清单、问题表 | 无标准的主观判断 | 清单逐项打勾 |
建议的用法是：先用一个小项目把这七个阶段完整走一遍，哪怕只有 15 秒。走通之后，再针对自己最容易出错的那一环做优化。这比追逐每一个新模型更能提升实际产能。
阶段一：立项与剧本拆解，把创意变成生产清单
先定成片规格，再写脚本
很多返工源于顺序错误：先写脚本、再做画面，最后才发现画幅和时长根本装不下。正确顺序是先锁规格。需要确定的字段包括：
- 平台与画幅：竖屏 1080×1920 还是横屏 1920×1080；
- 总时长：15 秒、45 秒还是 3 分钟；
- 单镜时长区间：竖屏建议 3–6 秒，横屏可放宽到 4–8 秒；
- 帧率：24、25、30fps，一旦确定全片统一；
- 字幕：硬字幕还是外挂，是否需要双语；
- 是否需要对口型：这决定后期是「配音优先」还是「画面优先」；
- 交付格式与码率。
规格一旦确定，就不要在中途改动画幅。竖屏构图和横屏构图对运镜的要求完全不同：竖屏适合中近景和垂直方向运动，横屏才能承载大远景和横向调度。中途改画幅等于重拍。
三步拆解法
第一步，写主题句。用一句话说清「谁在什么处境下做了什么，结果如何」。如果这句话写不出来，说明创意还没成型，不要急着进入画面阶段。
第二步，切节奏块。把总时长切成 4–6 块，每块给一个时长预算。以 45 秒竖屏短片为例：
- 0–3 秒：钩子，必须出现一个反常画面或一句反问；
- 3–12 秒：铺垫，交代人物与处境；
- 12–25 秒：冲突，问题升级；
- 25–35 秒：转折，给出解法或反转；
- 35–45 秒：收束，落到品牌或行动指引。
第三步，给每块只保留一个信息点，并写下来。信息点超过一个，观众通常一个都记不住。把信息点写成一句话，后续所有创作决策都以它为裁判。
交付物清单与命名规范
一个可执行的立项包应包含：剧本（带镜号）、节奏块时长表、信息点清单、角色设定卡占位、命名规范。
命名规范看起来琐碎，却是团队协作中最省时间的一条规则。推荐格式：项目名_场次_镜号_版本_日期，例如 咖啡短片_S02_007_v03_0612。不要用「最终版」「最终版2」「真的最终版」这类命名，它们会在大约第三天失效。
阶段二：分镜设计与提示词工程
镜头表该写哪些字段
镜头表是整条工作流的脊柱。推荐字段：镜号、时长、景别（远/全/中/近/特）、机位与运镜、光线与色温、主体动作、环境与道具、情绪关键词、声音备注。字段越齐全，生成阶段的猜测越少。
一个高频错误是把「运镜」和「主体动作」写在一起，比如「镜头推进，人物走近」。模型会理解成两者都做一点点，结果画面容易抖动或语义混乱。请把它们分成两栏：运镜写相机怎么动，主体动作写人怎么动。
提示词的四层结构
把提示词拆成四层，能显著提高可复现性：
- 主体与外观：年龄、发型、服装材质与颜色、标志性特征；
- 动作与状态：正在做什么、速度、幅度；
- 环境与光线：时间、天气、光源方向、景深；
- 镜头与质感：焦段、机位高度、运动方式、颗粒感。
模板示例（可直接改写）：
- 主体：28 岁女性，齐肩黑发，米白色羊毛外套
- 动作：缓慢转身看向镜头，右手抬起整理领口，幅度小
- 环境：清晨的旧书店，侧逆光，浮尘可见，浅景深
- 镜头：35mm 视角，平视，极缓慢横移，自然颗粒
另一个镜头的写法：主体不变，动作改为「低头翻书，手指停在书页边缘」，环境改为「黄昏窗边，暖光源从右侧进入」，镜头改为「50mm 特写，固定机位」。注意：主体描述一字不改地复用，这是保持一致性的最省力手段。
负面提示与随机种子
负面提示优先处理最常见的问题：多余手指、文字与水印、面部扭曲、多余肢体、突然出现的路人、画面撕裂。不要一口气堆二十个词，那会削弱主体描述的作用力。挑选三到五个最影响当前项目的项目即可。
更重要的是记录随机种子。当一条镜头效果不错，把种子、提示词、参考图、模型版本一起存档。这是把运气变成资产的唯一方式：下次需要类似镜头时，先复用存档再微调，而不是重新赌一次。
迭代顺序：先构图，再光影，最后细节
多数人反着来：在构图明显不对的画面上反复修手指，浪费时间却得不到可用镜头。正确顺序是先确认主体位置与画面比例，再调整光线方向和强弱，最后才处理皮肤、纹理、配饰等细节。前三层没问题，再进入下一层。
阶段三：角色与风格一致性控制
角色设定卡包含什么
一张设定卡至少要写清五项：基准图（正面、侧面、四分之三视角各一张）、服装配色与版型、发色与发型、标志性配饰、不允许改变的特征（例如疤痕位置或眼镜框形）。同时写清允许变化的范围：表情、姿态、手势可以变，脸型与发际线不可以变。
参考图准备的四条规则
- 分辨率足够：短边不低于 1024 像素，避免模型放大时产生涂抹；
- 背景干净：优先中性灰或纯色，避免把参考图的杂乱背景带进生成结果；
- 光线中性：不要用强逆光或极端色温的照片做基准图；
- 数量克制：一个角色三到五张足够，过多参考图会互相干扰。
跨镜头一致性的四个手段
第一，固定参考图。同一组参考图贯穿全片，不因场景变化而更换。场景变化应通过环境描述和光照描述来实现，而不是换参考图。
第二，多图融合。把角色基准图与场景参考图同时输入，让模型在保持身份特征的同时适配场景光线。这在「同一个人出现在白天街道和夜晚室内」这类需求上特别有效。
第三，局部重绘。当整体构图已经满意、只有脸部或手部出问题时，只重画局部，保留已经生成好的身体与环境。整帧重生成会把之前的好结果一起丢掉。
第四，风格锚点。用一句固定的风格描述出现在每个提示词末尾，例如「柔和自然光、低饱和、轻微颗粒、浅景深」。它是全片质感的黏合剂，一句话就能大幅降低拼贴感。
一致性检查点
每完成三到四个镜头，就把角色截图并排放在一张对照图上，检查五个点：脸部轮廓、发际线、服装版型、配饰位置、肤色在不同光源下的表现。并排看比单帧看更容易发现漂移。这个动作只花几分钟，却能避免成片后的大规模返工。
阶段四：从静帧到动态镜头
文生视频还是图生视频
判断标准很简单。如果画面里有人物身份或品牌元素必须精确，用图生视频，先出满意的静帧再驱动运动；如果只是一个不强调具体身份的过渡镜头、空镜或氛围画面，文生视频更快，也更容易得到自然运动。
运动描述的三个维度
- 相机运动：固定、横移、推进、拉远、环绕、升降、手持晃动；
- 主体运动：幅度（极小/小/中/大）、速度（慢/中/快）、方向；
- 环境运动：风吹、雨落、人群走动、光影闪烁、烟尘飘动。
一次只强调一个维度。三个维度都写「很大」，画面会失控。经验做法是：主体运动给「小」，相机运动给「极缓慢」，环境运动给「轻微」，多数模型在这种克制描述下表现最好。
时长、批次与候选数量
单镜生成 3–6 秒成功率最高。需要更长镜头时，拆成两段并在剪辑中接起来，接点选在动作停顿处。一次生成 4 个候选，选出最佳后在此基础上微调；不要一次生成二十个再挑，比较疲劳会让你误判，也会显著拖慢节奏。
如果连续三批候选都不满意，不要继续加量。回到镜头表检查：是不是主体与动作混写了？是不是参考图不当？是不是运动幅度超出模型能力？调整输入比增加次数有效得多。
运动模糊与稳定性的取舍
轻微模糊有助于掩盖生成瑕疵，尤其是在快速动作和转场镜头中。但如果主体本身模糊、细节无法辨认，就说明运动幅度超出模型能力，应降低幅度或把镜头拆成两段。宁可要一条干净克制的镜头，也不要一条炫技但不可用的镜头。
阶段五：声音设计与语音同步
三种声音方案的适用场景
- 先配音后对口型：适合口播、讲解、访谈类内容，稳定可控，返工量最小；
- 先生成画面后配音：适合氛围片和叙事短片，但节奏需要靠剪辑对齐，对剪辑能力要求更高；
- 无口型需求：只用旁白、音乐与音效，成本最低，出错概率最小。
多数团队在时间紧张时应该直接选第三种，把口型需求压缩到一两个关键镜头。
配音流程的五个步骤
脚本分段 → 试听两到三个音色 → 固定语速 → 按句子切分导出 → 与画面对齐。关键点是按句子而不是按整段导出，这样某一句不满意时可以局部替换，不必重配全片。
选音色时不要只看音色本身，要放到画面里听。同一句话配不同的画面节奏，感受差别很大。语速建议先在整片范围内统一，再针对个别句子微调，避免忽快忽慢。
口型对齐的实用技巧
- 每句台词控制在 8–15 个字，过长会导致口型松散、中间糊掉；
- 句子之间留 0.3–0.5 秒停顿，给剪辑留出余量；
- 对齐仍不理想时，改用侧脸、背影或插入 B-roll 掩盖；
- 特写对口型的镜头不要超过两秒，超过就容易暴露瑕疵。
音乐、音效与响度
响度是业余与专业最明显的分界线之一。参考区间：人声 –16 至 –12 LUFS（短视频平台可略高）；音乐垫底比人声低 12–18 dB；转场音效不要每个切点都加，只加在节奏块交界处；关键台词前留半秒静音，比再加一个音效更有效。
整体混音完成后再统一做一次响度归一化，而不是逐段手动调音量。逐段调的结果通常是人声忽大忽小，观众在移动端会立刻察觉。
阶段六：剪辑、调色与输出
时间线组织
建议三条视频轨：主画面、插入画面（B-roll）、字幕；两条音频轨：人声、音乐与音效。把生成的候选镜头标为「备选」，不要与「已选用」混在同一条轨上。每个镜头两端各留 6–12 帧余量，方便对齐台词和音乐节拍。
剪辑顺序建议是：先铺人声与节奏，再填主画面，最后加 B-roll 与字幕。先铺画面后配音，往往会在对齐时被迫裁掉关键画面。
调色三步
生成镜头的色彩往往不一致，这是拼贴感的主要来源。做法是：第一，用一级校色把每个镜头拉回中性（统一白平衡与曝光）；第二，套统一的风格曲线或 LUT；第三，做局部提亮，把面部提出来。
不要逐镜调风格，否则越调越花。如果某个镜头怎么调都不合群，最省时间的做法通常是重新生成一条，而不是在调色台上耗一小时。
转场与节奏
AI 生成镜头之间用硬切最安全，因为硬切不会暴露运动轨迹的不连续。需要柔和过渡时，用叠化或轻微模糊过渡，时长控制在 6–12 帧。避免复杂的变形转场，它会把两个镜头的瑕疵同时放大。
节奏上，短视频前 3 秒必须出现钩子：一个反常画面、一句反问或一个快速动作。中段每 4–6 秒给一次视觉变化（景别变化、光线变化、出现新元素），否则观众会在第 10 秒左右划走。
输出规格速查
- 竖屏：1080×1920，30fps，H.264 高码率；
- 横屏：1920×1080，24 或 25fps；
- 字幕：竖屏建议硬烧，长视频可外挂；
- 交付前导出 15 秒样片，确认压缩后画质仍可接受；
- 保留一份无损母版，平台压缩不可逆。
质量验收与常见错误排查
验收清单
生成完成不等于成片完成。交付前逐项打勾：
- 角色在全部镜头中身份一致，无明显漂移；
- 无多余手指、肢体、文字或水印；
- 每个镜头的运动方向与镜头表一致；
- 音频与画面对齐误差小于 2 帧；
- 全片响度统一，无爆音或突然静音；
- 首 3 秒出现钩子；
- 字幕无错别字、不遮挡主体与关键信息；
- 输出规格、时长、码率与平台要求一致；
- 「已选用」与「备选」素材分目录存放。
常见错误排查表
| 现象 | 可能原因 | 处理方式 |
|---|---|---|
| 画面闪烁、纹理跳变 | 运动幅度过大，或各镜所用模型版本不一致 | 降低幅度，统一版本，缩短单镜时长 |
| 角色脸型漂移 | 中途更换了参考图，或缺少参考图 | 恢复同一组参考图，改用局部重绘 |
| 手指异常 | 手部占比小且运动快 | 让手离开画面，或用插入镜头替代 |
| 画面干净得像塑料 | 缺少质感描述 | 加入颗粒、光斑、浅景深描述 |
| 声音忽大忽小 | 分段配音未做整体归一化 | 全片统一响度后再混音 |
| 生成慢、反复不满意 | 提示词没有结构化 | 按四层结构重写，先定构图 |
| 拼贴感强 | 各镜光线方向不统一 | 在提示词中固定光源方向与色温 |
| 观众前 5 秒流失 | 开场无钩子、信息点过多 | 把最反常的画面提到第 1 秒 |
团队协作、资产管理与产能估算
目录结构与版本管理
推荐结构：项目名 / 01_脚本 / 02_分镜 / 03_参考图 / 04_生成候选 / 05_选定镜头 / 06_音频 / 07_成片 / 08_交付。命名带两位版本号 v01、v02。保留「选定」与「备选」两个子目录，避免误删好素材。
另一条实用规则：任何素材在被选进时间线之前，都不算「选定」。这样能避免出现「我以为这条已经用了」的混乱。
交接文档
一页纸写清四件事：当前进度、下一步、已知问题、待确认项。团队协作中最大的损耗往往不是技术问题，而是「不知道别人做到哪一步了」。交接文档不需要长，需要的是每天更新。
产能估算（经验值）
- 30 秒竖屏动画短片：约 8–14 个镜头，2–3 天（含返工）；
- 60 秒产品讲解：约 12–20 个镜头，3–5 天；
- 3 分钟叙事短片：约 30–50 个镜头，2–3 周。
把「生成时间」和「挑选与返工时间」分开估算。后者通常占总时长的 50% 以上，忽略它会导致排期严重失真。
成本与时间的取舍
想做长片，优先控制镜头数量，而不是单镜质量；想做品牌片，优先控制一致性，而不是镜头数量。两个目标同时拉满，工期通常失控。需要精确手部动作、复杂多人互动、真实品牌道具或长镜头连贯运动时，考虑用实拍补拍，而不是继续用生成去逼近。
模板化与复用
把跑通的成果沉淀成模板：镜头表模板、提示词四层模板、负面提示清单、验收清单、混音响度预设。下一次开工时从模板开始，能省下的时间通常比换一个更快的工具更多。
常见问题 FAQ
一条镜头要生成多少次才算够？
经验上四个候选里挑一个是效率最高的区间。若连续三批都不满意，问题多半不在运气，而在提示词结构、参考图或运动描述，回到镜头表逐项检查。
没有美术基础能做吗？
可以。把「构图」换成可执行规则：主体占画面三分之一、眼睛位于上三分之一线、背景元素不超过三个。规则比直觉更容易复制，也更容易交给别人执行。
竖屏和横屏能共用同一套素材吗？
部分可以。中景和特写通常能裁切复用；大远景和需要横向空间的动作镜头建议分别生成，否则构图会被裁坏。
如何避免「一眼就是 AI」的观感？
三个有效手段：加入轻微镜头呼吸与颗粒；不要每个镜头都完美对焦；让光线有明确方向而不是均匀平光。此外，剪辑节奏比画面本身更影响观感。
团队里谁负责提示词？
一个人写词会成为瓶颈。更好的分工是：一人负责镜头表与提示词规范，其余人按规范执行，并回填「哪条结构最有效」。规范与执行分离，效率最高。
需要多强的硬件？
主要算力开销在生成与渲染环节，剪辑与调色用中等配置即可。没有本地算力时，采用云端生成加本地剪辑的组合更灵活，也更容易扩容。
60 秒的片子应该有几个镜头？
竖屏建议 12–20 个，平均单镜 3–6 秒。镜头太少的后果是每个镜头都要承担太多信息，观众来不及消化；镜头太多则节奏碎，观众记不住主线。
每次都要写负面提示吗？
建议保留一份固定清单（多余手指、文字水印、面部扭曲、多余肢体），再针对具体项目增删两到三项。完全不用负面提示，通常会在细节上浪费时间。
把工作流跑通之后，你会发现真正省时间的不是更快的工具，而是更少的返工。先用一个小项目把七个阶段完整走一遍，再集中优化你最容易出错的那一环——这比追逐每一个新模型都更能提升产能。
