为什么先设计工作流，再谈模型选择
很多人开始做 AI 视频时，第一句问的是「现在哪个模型最强」。这个问题本身没有稳定答案。同一个模型在不同题材上的表现差异，往往大于两个模型之间的平均差异：它在写实风景上惊艳，在多人对话场景里可能立刻崩坏；它对慢镜头运镜理解到位，对快速打斗却只能生成一团模糊像素。把成败押在模型选择上，等于把可控性交给外部变量。
真正决定成片质量的是工作流，也就是从创意拆解、素材准备、提示词编写、生成筛选、一致性修补到剪辑交付的一整条链路。工作流稳定之后，模型的优劣只影响局部效率，而不会决定项目能否完成。
工作流解决的是三个具体问题
第一是可控性。你需要在生成之前就知道这一镜头要什么景别、什么光线、什么动作幅度、持续多少秒，而不是生成十条再凭感觉挑一条。
第二是可复现性。客户三个月后要求「按上次那个感觉再来一版」，如果你只有一份模糊的提示词，几乎不可能复现；如果你有完整的镜头清单、参考图、种子值和参数记录，复现就变成一次执行动作。
第三是可扩展性。一条 15 秒短片靠手感能做出来，一条 3 分钟品牌片或一组 20 条的信息流素材，就必须依赖流程和资产库。
一套可复用的七步骨架
把下面的骨架记住，后面所有章节都是它的展开：拆镜头 → 定路径 → 写提示词 → 锁一致性 → 调运镜 → 过质检 → 剪辑交付。每一步都有明确的输入和输出，输出不合格就不要往下走。很多项目失败的根源，是把「提示词写得不够好」当成唯一问题，实际上问题常常出在镜头拆解阶段就已经偏离了叙事目标。
从创意到镜头清单：把想法变成可执行任务
AI 视频最容易被低估的步骤是前期拆解。直接把一段营销文案贴进生成框，得到的结果通常是一堆漂亮但互不相关的镜头，剪在一起像素材拼接而非成片。
正确做法是先把创意转写成镜头清单。清单不是文学剧本，而是一张执行表：每一行对应一次生成任务，字段越具体，后面越省时间。
镜头清单应包含的字段
- 镜号与顺序：决定剪辑节奏，也方便后期定位。
- 景别：远景、全景、中景、近景、特写。AI 对景别的服从度远高于对抽象情绪描述的服从度。
- 主体与外观特征：人物年龄、发型、服装颜色与材质，越具体越好。
- 动作：一个镜头只描述一个主要动作，避免「同时转身、挥手并跳起」。
- 环境与时间：室内外、天气、昼夜、季节，直接影响光照方向。
- 光线与影调：硬光、柔光、逆光、黄昏暖调、冷调夜景。
- 运镜：固定、推、拉、摇、移、跟、升降、环绕。
- 时长：单段生成时长，决定后续是否需要拼接。
- 音效需求：环境声、动作音、是否需要后期配音。
这张表看起来繁琐，但填写一次之后，它可以复用到整个系列，边际成本会快速下降。
时长预算与节奏设计
新手常犯的错误是让每个镜头都生成最大可用时长，结果成片像幻灯片。合理的做法是先按叙事节奏切分：开场 3 秒建立氛围，中段每个信息点 2 到 4 秒，情绪高点可以用一个 5 到 6 秒的长镜头。总时长确认后，再回填每个镜头的生成时长。
还有一个实用技巧：把最难的镜头放在前面做。它决定了整条片子的视觉基准，如果难点镜头无法达成预期，你有时间调整方案，而不是在收尾阶段推倒重来。
分辨叙事镜头与氛围镜头
叙事镜头承载信息，观众必须看懂发生了什么；氛围镜头提供质感，不承担信息量。AI 生成在氛围镜头上成功率高得多，所以策略上应该用 AI 大量铺氛围镜头，用最扎实的提示词和参考图去攻叙事镜头，必要时用真人素材或静态图合成补位。
生成路径选择：文生视频、图生视频与混合路径
同一个镜头可以用不同路径生成，成本、可控性和成功率差别很大。选错路径，后面再怎么优化提示词也无济于事。
什么时候用文生视频
文生视频适合三种情况：题材是自然景观、抽象图形、流体与材质特写；只需要氛围不要求精确构图；你需要快速探索视觉方向。它的优势是启动快、想象力宽，缺点是主体位置、构图和角色外观随机性强。
什么时候用图生视频
当你已经确定了构图、角色外观或产品形态，图生视频几乎总是更好的选择。你可以先用图像工具生成或修出一张满意的关键帧，再让视频模型把它动起来。这样构图、配色、人物五官都被锁定，视频模型只需负责运动与光照演化的合理性。
产品广告、人物口播、需要精确 Logo 位置的项目，都应优先走图生视频。
首尾帧与转场控制
如果模型支持首尾帧输入，你可以直接定义运动的起点和终点。这在哪两种场景里特别有用：一是需要精确落幅的运镜，比如镜头从街道推到门牌号；二是需要无缝衔接两段生成的接缝镜头。
混合路径：把分工交给不同模型
现实项目里最稳的做法是分层：
- 用图像模型做关键帧与参考图，锁定外观。
- 用擅长写实运动的模型跑主体镜头。
- 用擅长风格化的模型跑氛围与转场镜头。
- 在剪辑阶段统一调色，让不同来源的镜头看起来像同一部片子。
不要在一条片子里同时追求「全部镜头由同一个模型生成」。风格统一靠调色和剪辑完成，比靠单一模型可靠得多。
提示词结构：可控的五层写法
提示词不是越长越好，而是越有层次越好。推荐按五层组织，每层解决一个维度的问题。
第一层：主体与外观
写清谁、什么、什么材质、什么颜色。避免「一个漂亮的女孩」这种无信息量描述，改成「二十多岁的亚洲女性，齐肩黑发，米色针织衫，左耳戴细金属耳环」。具体的细节反而会降低模型自由发挥造成的翻车概率。
第二层：动作与时间线
一个镜头一个主动作，用动词开头描述。如果需要动作演化，按时间顺序写：「先低头看手，再缓慢抬头看向镜头」。动作幅度要匹配时长：2 秒内不要要求人物完成三次转身。
第三层：镜头与构图
明确景别、机位高度、焦段感和运镜方式。常见写法如「中近景，平视机位，浅景深，镜头缓慢横移」。运镜词对结果影响极大，值得单独整理一份自己的词汇表。
第四层：光线与影调
写清光源方向和质感。「清晨侧逆光，柔和过渡，地面有长阴影」比「电影感光线」有效得多。影调词可以指定整体倾向：低饱和冷调、暖黄复古、高对比硬调。
第五层：质感与技术约束
包括画幅比例、帧率感、颗粒、镜头特性。需要写实感时可以加入「轻微手持抖动、真实皮肤纹理、不过度磨皮」；需要干净商业感时改成「稳定器拍摄、光滑表面、干净背景」。
常见提示词误区
- 堆砌形容词：十几个风格词互相冲突，模型只能随机取一个。
- 负向描述当成正向用：与其写「不要模糊」，不如直接描述「清晰锐利」。
- 忽略画面外信息：画面里出现多余的人，往往是因为环境描述太笼统。
- 一次改太多变量：调参要单变量，否则你永远不知道是哪句话生效了。
一致性与长视频接缝：让角色和场景不跳脸
一致性是 AI 视频从「能看」到「能用」的分水岭。观众可以接受轻微的光影漂移，但无法接受同一个角色在相邻镜头里换了脸。
建立角色参考资产
为每个主要角色准备三到五张参考图：正面、半侧面、侧面、全身，最好在同一光照条件下拍摄或生成。参考图越统一，生成时的脸型漂移越小。把这些图按角色命名归档，是整个项目最有价值的准备工作之一。
用多图参考锁定外观
支持多参考图的模型可以同时接收人物、服装、场景三类参考。使用时的原则是：参考图只承载它擅长的信息。人物参考图用干净背景的半身像，服装参考图用平铺或模特图，场景参考图用无人的环境照。如果一张图里同时有脸、服装和场景，模型容易把它们混成一团。
分段生成与接缝处理
超过单段生成上限的镜头必须分段。三种接缝策略，按可靠性排序：
- 首尾帧对接：让第二段的首帧就是第一段的尾帧，几乎看不出接缝。
- 重叠生成后交叉溶解：两段各多生成一小段重叠内容，剪辑时用短溶解掩盖。
- 切在运动模糊或遮挡处：利用快速动作、暗部或物体遮住镜头制造自然剪辑点。
绝对要避免的接缝方式是「两段独立生成后硬切」在人物静止或缓慢运镜的画面上，任何细微的姿态差异都会被放大成跳帧。
场景一致性的小技巧
同一场景的多个镜头，尽量复用同一张场景参考图，并在提示词里保持环境描述完全一致（包括墙上的画、桌上的杯子这类细节）。如果模型在中途改变了家具位置，宁可重生成，也不要在剪辑里硬凑。
镜头语言与帧级控制：把导演意图写进参数
运镜是 AI 视频里性价比最高的控制手段。同一个主体，换成缓慢推近或环绕，情绪就从旁观变成参与。
一份够用的运镜词汇表
- 固定镜头：稳定、观察感，适合产品展示与人物独白。
- 推近：加强情绪，聚焦细节。
- 拉远：交代环境，制造收尾感。
- 横移与平移：展示空间，适合场景介绍。
- 跟拍：代入感强，适合行走与运动。
- 升降：从细节过渡到全景，常用于开场。
- 环绕：塑造立体感，适合人物与产品。
- 手持晃动：纪实与紧张感。
写提示词时，把这些词与速度绑定：「非常缓慢地环绕半圈」比「环绕」可控得多。
帧级控制什么时候值得用
如果工具支持指定某几帧的画面，你可以精确控制关键姿态，比如第 0 帧手在胸前、第 24 帧手已抬起。这在角色动作需要精确匹配配音或音乐的镜头里非常有用。代价是准备成本高，所以只用在少数关键镜头上。
速度与流畅度
很多模型在快速运动上会糊，解决办法不是换模型，而是降低速度要求：把「快速跑过街道」改成「匀速跑过街道」，或在后期用变速调整节奏。放慢生成速度再用剪辑加速，通常比直接要求高速运动更清晰。
质检与筛选：生成之后该怎么挑
生成十条挑一条并不等于质检。一个稳定的筛选流程能显著降低后期返工。
逐层过滤的质检清单
第一层看硬伤：肢体数量、手指、文字、穿模、闪烁。有硬伤直接淘汰，不要指望后期修。
第二层看服从度：景别、运镜、动作是否与镜头清单一致。不一致的进入备选池，可能在剪辑阶段有别的用法。
第三层看风格匹配：色调、质感是否接近整片基准。风格偏差可以通过调色解决，但要在心里记下。
第四层看情绪：是否传达出预期感受。这一层最主观，但也是最终决定成片好坏的层次。
建立命名与归档规范
建议按「项目_场次_镜号_版本」命名，例如 brandA_s02_sh07_v3。废除的版本不要立即删除，集中放到 rejected 目录，因为客户改主意时你会需要它们。
记录有效参数
每一次成功生成，把提示词、参考图、种子、时长、模型名抄进一张表。坚持几次之后，你会拥有自己的私有经验库，这比任何通用教程都更有价值。
剪辑、声音与交付规格
AI 视频的成片质量有很大一部分是在剪辑台上决定的。生成的素材只是原材料，节奏、声音和调色才是成品。
剪辑节奏的三条经验
第一，开场三秒内必须有视觉变化，否则观众会划走。第二，每个镜头在它「讲完信息」的瞬间就切走，宁可短一点。第三，同一场景连续使用三个以上相似机位会显得重复，中间插入一个不同景别的镜头作为呼吸点。
配音与环境声
AI 生成视频通常没有可用音轨，需要独立处理：人物口播用配音工具生成，环境声用音效库铺垫，动作音（脚步、开门、布料摩擦）单独贴。声音的质量感对观众判断成片水平的影响，常常超过画质本身。
字幕建议单独分层，不要烧进画面，方便后续改语言与平台适配。
导出参数建议
- 横版：1920×1080 或 3840×2160，帧率与素材保持一致，避免混帧率导致的抖动。
- 竖版：1080×1920，注意把主体放在中间安全区，避免被界面元素遮挡。
- 码率：交付母版用较高码率，社交平台版本按平台推荐值导出。
- 色彩：统一在同一色彩空间下处理，避免不同来源素材出现色偏。
成本、时间与迭代管理
AI 视频项目最容易失控的地方是反复重生成。把成本控制理解为「减少无意义的生成次数」，比事后压缩预算更有效。
三个降低浪费的习惯
一，先用低分辨率或短时长试方向，方向确认后再做正式生成。二，单变量调试，一次只改一个描述维度，并记录结果。三，为每个镜头设定最多尝试次数，超过就换策略（换路径、换参考图、或改用其他镜头覆盖）。
时间分配参考
一个成熟的工作流里，前期拆解与素材准备大约占三成时间，生成与筛选占四成，剪辑与声音占三成。如果生成阶段占到七成以上，说明前期准备不足，提示词在承担本该由参考图承担的职责。
什么时候该放弃一个镜头
当同一个镜头连续多次无法达成预期，通常意味着技术路径与需求不匹配。此时有两个高效替代方案：换成静止画面加镜头运动（肯·伯恩斯式缓推），或改成文字与图形动画。观众并不会因为你少了一个复杂运镜而失望，但会因为你交不出成片而不满。
常见故障排查
画面闪烁与纹理跳动
常见原因是动作幅度过大或帧间一致性不足。降低动作强度、缩短单段时长、提高参考图权重，通常能明显改善。
人物五官漂移
检查参考图是否光照统一、是否同时包含多个不同角度。把参考图换成同一次拍摄的连续照片，效果往往立竿见影。
多余肢体与穿模
把人物从背景中分离出来描述，减少画面中的主体数量，避免复杂的肢体交叠动作。两人拥抱、打斗这类高度交叠的场面，目前仍是薄弱环节，建议用分镜切换替代单一长镜头。
文字与 Logo 变形
生成模型对精确文字的支持有限。最稳的做法是生成无文字的干净画面，再在剪辑或设计软件里叠加真实文字与标识。
运镜方向不听话
把运镜词放在提示词前部，并用更明确的参照物描述，例如「镜头从画面左侧向右移动，经过桌上的杯子」。移动速度也应当写明。
常见问题 FAQ
我需要会画画或剪辑吗？
不需要专业水平，但需要理解景别、节奏和光线这三件事。它们是判断素材好坏的基础，比软件操作更难速成。
一套完整流程需要多长时间才能熟练？
以每周完成一条短片计算，通常四到六周后就能形成稳定的个人模板，包括提示词模板、参考图库和质检清单。
应该同时使用多个生成工具吗？
建议保留两个到三个主力工具，各自承担明确分工，比如一个负责写实人物，一个负责风格化氛围。工具太多会让流程碎片化。
生成结果和参考图差别很大怎么办？
先降低对运动的野心，再检查参考图质量和数量。很多所谓的「模型不听话」，实际上是参考图给的信息太少。
如何判断一个镜头是否合格？
把它静音、单独播放。如果脱离上下文你仍然能看懂它在表达什么，这个镜头就是合格的。
做竖版和横版要注意什么？
竖版的空间更窄，主体应该更靠近中心，景别适当收紧；横版可以承载更多环境信息。建议从一开始就按目标比例生成，而不是生成后再裁切。
结语：把创意变成可重复的流程
AI 视频的门槛已经不在工具，而在流程。工具会持续更迭，今天顺手的模型明天可能被替代，但镜头拆解、提示词分层、一致性管理、质检标准和交付规范这些能力是可以迁移的。
如果你现在只能做一件事来提升成片质量，那就从写一份完整镜头清单开始。它会把你的创作从「碰运气」变成「做项目」，而这正是业余作品和专业作品之间最明显的界线。
