为什么AI视频项目需要工作流，而不是“抽卡”
很多创作者第一次接触文生视频，体验都差不多：输入一句描述，等上几分钟，得到一个十几秒的片段。画面确实惊艳，但经常在第二秒就开始漂移——人物脸型变了、手指数量不对、背景突然从夏天换成冬天。于是再抽一次，再抽一次，最后把时间和耐心都耗在了碰运气上。
问题往往不在模型本身，而在于我们把一个需要工程化管理的生产过程，当成了单次调用。一个三十秒的成片，意味着几十个镜头、上百次生成、若干次局部重做，还要配上音乐、旁白、字幕和调色。任何一个环节缺少护栏，都会在后面被放大。
一套可复用的AI视频工作流能带来三个直接收益：
- 可预测：每个阶段有明确的输入和交付物，你知道自己卡在哪一步，也知道下一步该做什么。
- 可复用：角色设定、提示词模板、镜头语言词表、质检表都可以沉淀下来，下一个项目直接套用。
- 可交付：客户和平台要的是能过审、能上线的成片，而不是一堆“很酷但接不上”的片段。
还有一个容易被忽略的现实：不同模型各有所长。有的擅长写实光影，有的擅长动画风格，有的对中文提示理解更准，有的在图生视频上更稳。把它们当成一个工具箱来调度，比押注单一工具更接近专业制作的真实需求。
本文不讨论某一家平台的功能清单，而是给出一套与工具无关的工作流方法。无论你最终使用哪一种视频生成模型，这套流程都能直接套用。
工作流全景：七个阶段与它们的交付物
先看整体。把AI视频项目拆成七个阶段，每个阶段都有明确的产出，避免“一边做一边想”。
| 阶段 | 核心任务 | 主要输入 | 交付物 | 时间占比参考 |
|---|---|---|---|---|
| 一、创意开发 | 明确目标、受众、时长、调性 | 需求简报 | 一句话创意＋剧本初稿 | 10% |
| 二、分镜与关键帧 | 把剧本拆成镜头，画出关键画面 | 剧本 | 分镜表＋关键帧图 | 20% |
| 三、模型与路由 | 为每个镜头匹配生成方式 | 分镜表 | 任务清单＋参数模板 | 5% |
| 四、一致性控制 | 锁定角色、场景、风格 | 参考图、词表 | 身份锚点提示词包 | 10% |
| 五、生成与质检 | 批量生成、打分、重跑 | 任务清单 | 通过质检的镜头素材 | 30% |
| 六、剪辑与声音 | 拼节奏、配乐、配音、字幕 | 镜头素材 | 粗剪与精剪版本 | 15% |
| 七、交付与归档 | 输出规格、命名、备份 | 精剪版本 | 成片＋工程文件 | 10% |
这张表最大的价值不是时间分配，而是提醒你：真正决定成片质量的，是第二、四、六三个阶段，而这三个阶段恰恰是大多数人跳过的。很多人把90%的时间花在第五阶段的反复生成上，结果依然得不到能用的成片。
阶段一：创意开发与“可生成剧本”
传统剧本写给导演和演员看，AI视频剧本还要写给模型看。这意味着剧本里除了情节，还必须包含可被视觉化的信息：谁、在哪、什么时候、做什么动作、镜头怎么运动、光线如何。
把创意改写成模型能执行的脚本
一个可执行的分镜脚本，每一条至少包含六个字段：
- 镜头编号：如 S01-03，方便后期对应。
- 景别与机位：远景、中景、近景、特写，平视、俯拍、仰拍。
- 主体与动作：一句话说清主体在这一镜里完成的动作，不要写两个动作。
- 环境与时间：室内外、天气、昼夜、季节，越具体越稳定。
- 光线与色调：逆光、侧光、霓虹、冷调、暖调、低饱和。
- 时长与节奏点：这一镜大约几秒，是否有转场。
例如，把“她很伤心地走在街上”改写成：“中景，女性角色沿人行道缓慢前行，低头，风衣下摆被风吹动，夜间城市街道，霓虹灯光从侧面打在她脸上，冷蓝色调，约四秒。”后者生成的可控性会高出一个量级。
建立镜头语言词表
词表是工作流里投入产出比最高的资产。把常用的描述固化成短语，团队成员直接复制，避免每个人写出风格迥异的提示词。建议词表至少覆盖：
- 景别：大远景、全景、中景、中近景、特写、大特写。
- 运动：推、拉、摇、移、跟、升降、环绕、手持轻晃。
- 光线：黄金时刻、阴天散射、硬光、柔光、轮廓光、实用光源。
- 质感：胶片颗粒、数字锐利、浅景深、广角畸变、长焦压缩。
- 情绪：克制、紧张、温柔、荒诞、纪实。
词表要写成中英双列。多数模型对英文摄影术语的理解更稳定，但中文创作时先写中文更方便沟通，交付前统一翻译成英文提示词即可。
阶段二：分镜与关键帧设计
关键帧先行，而不是先跑视频
初学者最常见的顺序是：写一段提示词 → 生成视频 → 不满意 → 改提示词 → 再生视频。这个循环既慢又贵。更高效的做法是反过来：先把关键画面做成静态图，确认构图、人物、色调都没问题，再让图片动起来。
理由很简单。静态图的迭代速度比视频快几倍，修改成本也低得多。当你在图片阶段就把构图、比例、光线、角色长相全部锁定，视频生成阶段就只剩“运动是否自然”这一个变量了。
具体做法是：
- 按分镜表为每个镜头生成1到3张候选关键帧。
- 挑选最好的一张，做轻度修图：修正手指、清理多余物体、统一色调。
- 用这张图作为首帧，进入图生视频流程。
- 需要更长时长时，把上一段的末帧作为下一段的首帧，接力生成。
图生视频的衔接技巧
接力生成最怕的是“接缝感”。三个经验可以减少断裂：
- 重叠一小段：让第二段从第一段的最后一秒附近开始，剪辑时再裁掉重叠部分。
- 保持提示词后缀一致：风格、光线、色调的描述在两段里逐字相同，只改动作部分。
- 避免在运动最快的地方切：动作幅度大的瞬间切帧，观众最容易看出形变。选一个动作趋缓的节点作为接缝。
如果某个镜头无论怎么接都不顺，别硬接。改成一次生成更短的完整动作，再在剪辑里用另一个机位衔接，观感通常更好。
阶段三：模型选择与任务路由
按镜头类型分配工具
把所有镜头都交给同一个模型，是最省事也最容易翻车的做法。更合理的方式是按镜头类型路由：
- 写实人物近景：优先选对皮肤质感和面部稳定性处理更好的模型。
- 大幅度动作与运动镜头：选物理运动更连贯、形变较少的模型。
- 风格化动画与插画感：选风格一致性强的模型，避免中途“跳风格”。
- 文字、标识、UI 界面：尽量用后期合成，不要指望生成模型把中文字写对。
- 环境空镜与转场：可以用相对轻量的模型，成本低、速度快，观众注意力也不在细节上。
判断标准其实很朴素：观众会盯着看的地方，用最强的模型；观众一扫而过的地方，用最快的模型。
分辨率、时长与帧率的取舍
参数不是越高越好，而是要和交付场景匹配。
- 短视频竖屏：1080×1920 已经足够，帧率 24 或 30。
- 横屏中长视频：1080p 起步，帧率 24 更有电影感，30 更接近纪录片。
- 大屏与投影：考虑生成后做放大处理，而不是直接用模型生成超高分辨率，后者既慢又不一定更稳。
单段时长建议控制在四到八秒。更长的镜头拆成多段，不仅更容易重跑，也方便剪辑时调整节奏。
队列、批处理与成本意识
生成任务是可以批量的。把同一批镜头按统一参数提交，睡前排队，第二天统一质检，比一条一条盯着看效率高得多。
同时要养成“成本意识”而不是“成本焦虑”：每个项目结束后统计一次总生成次数与最终使用镜头数的比值。这个比值通常在第一部作品里高达 20:1，工作流跑顺之后会降到 5:1 以内。这个数字比任何教程都更能说明你的流程是否有效。
阶段四：角色与风格一致性控制
这是AI视频里最难、也最能拉开差距的环节。
参考图策略
让角色保持一致，最可靠的办法是给模型足够多的身份信息。建议为每个主要角色准备一组参考图：
- 正面、四分之三侧面、侧面各一张，表情中性。
- 同一套服装至少两张，避免模型把服装也当成变量。
- 不同光线条件下的两张，让模型理解“同一个人”而不是“同一种打光”。
- 如果有条件，加一张全身图，用于远景镜头。
参考图本身要干净：背景简单、无遮挡、无其他人脸、分辨率足够。模糊或杂乱的参考图，会把噪声一起带进生成结果。
提示词中的身份锚点
把角色描述固定成一段标准文本，每次生成原样复制。这段文本里不要出现“微笑”“奔跑”这类会变化的词，只保留不会变的部分：年龄段、发型与发色、面部特征、服装款式与颜色、体态。
变化的动作、表情、机位写在锚点之后，作为独立的一段。这样做的意义在于：模型每一帧看到的是同一份身份描述，漂移的概率会明显下降。
漂移的六种典型表现与修复
| 表现 | 可能原因 | 修复方向 |
|---|---|---|
| 脸部逐渐变形 | 参考图不足或身份描述被动作词稀释 | 增加参考图，拆分身份与动作段落 |
| 服装颜色变化 | 光线描述与服装描述冲突 | 明确服装颜色，减少光线对色相的干扰 |
| 发型长度改变 | 缺少侧面参考 | 补充侧面与背面参考图 |
| 场景风格突变 | 分段生成时风格描述不一致 | 统一风格后缀，逐字复制 |
| 手指与肢体异常 | 手部入镜过近、动作过于复杂 | 改写机位避免手部特写，或后期修复 |
| 背景元素无端增减 | 提示词里存在冗余物体词 | 精简提示词，只保留必要元素 |
遇到漂移，先检查提示词是否“贪多”。一句里塞进三个以上主体、两种光线、四个动作，几乎必定出问题。
阶段五：生成执行、质检与重跑策略
一套可复用的质检打分表
把主观感受变成可比较的分数，团队协作才不会陷入“我觉得不行”。建议四个维度，每项一到五分：
- 角色一致性：与参考图相比，脸型、发型、服装是否可辨认。
- 运动自然度：是否出现抽搐、闪烁、肢体扭曲、场景跳动。
- 构图与曝光：主体位置、留白、亮度是否符合分镜意图。
- 可用性：是否能直接进剪辑，还是需要修复。
总分低于十四分的直接重跑，不要试图在后期救。救一个三分的素材，花的时间足够生成五条新的。
常见瑕疵分类与优先级
- 闪烁与噪点：最容易修复，后期降噪即可，优先级低。
- 轻微形变：可用遮罩局部重做或短片段替换解决，优先级中。
- 主体错误：比如人物变成另一个人，必须重跑，优先级高。
- 物理逻辑错误：穿过物体、物体凭空消失，必须重跑。
- 文字错乱：一律用后期合成替换，不要重跑。
什么时候重跑，什么时候修
判断标准是“瑕疵是否在观众注意力的中心”。观众盯着主角的脸，那么脸上任何问题都要重跑；瑕疵在画面边缘的远景人群里，可以用模糊、压暗或裁切处理掉。把有限的精力集中在观众真正看的地方，是质量控制的核心原则。
对于需要长镜头的情况，可以用“分段生成＋局部重做”替代整段重跑：只重做出问题的那两秒，再把前后接回去。这样既省时间，也避免了重跑后整段风格再次变化。
阶段六：剪辑、音频与后期整合
节奏决定成败
AI生成的素材往往“太满”——每一秒都在运动，每一帧都在炫技。真正专业的成片需要呼吸感。剪辑时可以做三件事：
- 删掉开头和结尾各零点几秒，通常这两段最不稳定。
- 在不同镜头之间插入短促的空镜或特写，给观众一个心理换气点。
- 音乐先铺，画面后剪。先确定音乐的情绪曲线，再按节拍点安排镜头长度，成片的专业度会立刻提升。
声音与口型
口型同步是目前最容易被高估、也最容易被滥用的功能。实用建议：
- 说话镜头尽量用中景或侧脸，正面大特写的口型瑕疵会被放大。
- 旁白型视频干脆不露口型，用画面＋配音的方式，成片质量立刻上一个台阶。
- 配音先录、再生成画面，比先出画面再配口型更容易对齐。
- 环境音与音效不要省。脚步声、风声、键盘声能让观众相信画面是真的。
修复、放大与降噪
生成素材进入后期前，统一做三件事：去闪烁、轻度降噪、锐度与颗粒的平衡。需要对大屏输出时，用专门的视频放大工具处理，而不是重新生成更高分辨率的版本。放大后的画面往往比重新生成更稳定，因为构图和表演已经被锁定了。
调色阶段要注意统一。不同模型生成的片段，白平衡和对比度往往不一致。为每个项目建一个基础调色预设，所有镜头先套一遍，再逐个微调，是效率与质量兼顾的做法。
阶段七：交付、归档与团队协作
命名规范与版本管理
混乱的文件名是项目后期最大的隐形成本。建议采用固定结构：
项目名_场次_镜头号_版本_状态
例如：brandfilm_S02_S03_v04_approved
状态只用四个值：draft（草稿）、review（待审）、approved（通过）、final（定稿）。任何人在文件名里看不到这几个词，就说明命名不规范。
生成过程中的提示词也要存档。每一条通过的素材，都应附带它所用的完整提示词和参数。下周需要补拍一个类似镜头时，这份记录能省下几个小时。
交付清单
一次完整交付通常包含：
- 成片主版本（不同画幅与分辨率各一版）。
- 无字幕版，便于二次剪辑。
- 字幕文件独立输出，不要烧死在画面里。
- 音频分轨：旁白、音乐、音效分开。
- 提示词与参数存档。
- 素材备份与项目工程文件。
最后一项经常被忽略，但它决定了这个项目能不能被复用。三个月后客户要求改一个字幕，如果没有工程文件，你只能从头再来。
常见问题解答
没有美术基础，能做好分镜和关键帧吗？
可以。分镜的核心是信息而不是画功。用简单的火柴人加箭头标注机位和运动，同样能清楚表达意图。关键帧则可以直接用生成模型来做，你只需要判断“这张图对不对”，不需要自己画。
一部三分钟的视频大概需要生成多少次？
这取决于流程成熟度。流程不熟练时，每个镜头生成十次以上很常见；流程稳定后，平均每个镜头三到五次就能得到可用素材。重点不是减少生成次数，而是减少无效生成的次数。
角色一致性要求很高，有什么顺序上的建议？
先做角色参考图组，再做关键帧，最后做视频。任何一步前提不稳，后面都会返工。不要一边生成视频一边调整角色设定，那样前后镜头一定对不上。
竖屏短视频和横屏长片的工作流一样吗？
框架一样，参数不同。竖屏更强调前两秒的视觉冲击，镜头可以更短，平均两到三秒一个；横屏长片需要更多环境交代和情绪铺垫，单个镜头可以到六到八秒。
生成出来的素材总感觉“不够真实”，是模型的问题吗？
多数时候是提示词和后期的问题。真实感来自三处：具体的光线描述、合理的镜头运动、以及后期的颗粒与调色。只写“写实风格”四个字，几乎不可能得到真实感。
团队协作时，最容易出问题的是哪一步？
提示词和素材的版本管理。两个人用同一套角色设定却写出了不同版本的描述，结果就是成片里出现了“两个人”。解决办法只有一个：把提示词模板当成共享资产，写进文档，所有人复制同一份。
预算有限时，应该把资源集中在哪个阶段？
集中在角色一致性和剪辑节奏上。前者决定观众是否相信这个故事，后者决定观众是否看得下去。特效与画面细节反而是最值得妥协的部分。
这套流程需要多久才能跑顺？
通常第一部完整作品会很慢，第二部开始明显提速，第三部时大部分模板已经成型。真正值得投入的不是某一个技巧，而是这套可以被反复使用的流程本身：词表、模板、质检表、命名规范。它们不会因为模型换代而失效，反而会在每次工具升级时释放出更大的价值。把工作流当成产品来维护，是AI视频创作里最稳的长期策略。
