为什么AI视频需要工作流而不是单次提示词
很多人第一次使用AI视频工具时，会直接把一句描述丢进输入框，然后期待生成一段可以直接发布的成片。结果通常是：画面很惊艳，但角色前后不一致、镜头运动混乱、节奏拖沓、声音与画面不匹配。问题不在于模型不够强，而在于缺少一套从创意到交付的完整工作流。
AI视频创作更像传统影视制作，而不是抽奖。它包含需求定义、脚本、分镜、提示词、模型选择、生成筛选、后期剪辑、质量检查等环节。每个环节都有明确的输入和输出。只有把每个环节标准化，才能稳定地产出可用内容，并在客户修改意见到来时快速定位问题。
一个成熟的AI视频工作流通常包含五个核心阶段：策划阶段确定目标与规格，前期阶段完成脚本和分镜，生成阶段完成提示词与模型调用，筛选阶段完成版本比较和质量评分，后期阶段完成剪辑、声音、包装与输出。五个阶段环环相扣，任何一环缺失都会导致返工。
本文将围绕一条可复用的AI视频工作流展开，重点讨论脚本分镜、提示词设计、角色一致性、关键帧控制、批量生成、后期剪辑和常见问题排查。无论你制作的是短视频、广告片、剧情短片、产品演示还是知识口播，都可以把这套方法迁移到自己的项目中。
第一步：明确目标、平台与交付规格
先确定成片用途
在写任何提示词之前，先回答几个问题：这条视频给谁看？发布在哪个平台？主要目标是品牌曝光、产品转化、知识传播还是娱乐？不同目标会直接影响镜头密度、信息量和情绪强度。例如，产品演示需要清晰展示使用场景和细节特写，剧情短片则更依赖角色表演和镜头调度。
如果目标不明确，最常见的结果是画面很漂亮但信息没有重点。观众看完只记得氛围，却记不住产品、人物或观点。为了避免这种情况，可以在项目开始时写一句目标陈述：这条视频要让观众在看完后知道什么、感受到什么、采取什么行动。
画幅、时长与节奏
横屏、竖屏和方形画幅会改变构图策略。竖屏更适合人物近景和快速切换，横屏更适合大场景和空间关系。方形画幅常见于社交媒体信息流，需要在中心区域安排主要视觉元素。选择画幅时，要考虑最终发布平台和观看设备。
时长方面，短视频通常需要在极短时间内抓住注意力，因此前几秒必须出现明确冲突、结果或视觉钩子。长视频则需要更完整的起承转合，并预留转场和呼吸空间。一个实用的判断标准是：如果三秒内没有新信息、新情绪或新画面变化，观众就可能划走。
建议在项目开始时写一份简短的交付规格：分辨率、画幅、帧率、目标时长、字幕语言、配音风格、音乐情绪、品牌色和禁用元素。这份规格会成为后续所有生成和剪辑决策的验收标准。
风格参考与验收标准
收集三到五张参考图或参考视频，明确色调、光线、镜头质感和角色气质。不要只说“电影感”，而要拆解成可执行的描述：低饱和冷色调、逆光轮廓、浅景深、手持微晃、颗粒感、宽银幕比例。验收标准越具体，返工越少。
在平台规格方面，还要考虑安全区域。竖屏视频的上下边缘容易被界面遮挡，重要文字和人物面部要放在中间安全区。横屏视频的左右边缘在电视上可能被裁切。字幕位置要避开平台自带按钮和进度条区域。提前确认这些细节，可以避免成片导出后才发现文字被遮挡。
第二步：脚本、分镜与镜头表
从核心卖点到一句话故事
先写一句话概括：谁，在什么处境下，做了什么，结果如何。这句话是整条视频的骨架。然后扩展成三幕结构：开端建立人物和场景，中段制造冲突或展示核心信息，结尾给出结果或行动号召。对于产品视频，可以把产品当作解决问题的主角；对于剧情视频，则要让角色目标清晰可见。
一句话故事不需要复杂，但必须具体。比如“忙碌的上班族在雨天错过公交，用一款应用快速叫到车，最终准时到达重要会议”，比“展示出行应用的功能”更容易转化为镜头。分镜阶段所有镜头都应服务于这句话，而不是为了炫技而存在。
分镜表应该包含哪些字段
一个实用的分镜表至少包含：镜号、时长、景别、镜头运动、画面内容、角色动作、台词或旁白、音效、音乐提示、转场方式和生成备注。生成备注里记录使用的模型、提示词版本、参考图编号和关键帧文件。这样在后续修改时，你不需要重新回忆当时为什么这样生成。
分镜表样例可以这样写：镜号一，时长两秒，远景，固定机位，画面内容是清晨城市天际线，角色旁白介绍背景；镜号二，时长三秒，中景，缓慢推近，画面内容是主角站在窗前看手机，表情焦虑；镜号三，时长两秒，特写，手持微晃，画面内容是手机屏幕弹出提醒。通过这种结构化写法，生成和剪辑都更有依据。
镜头类型、转场与节奏设计
镜头类型包括远景、全景、中景、近景和特写。远景交代环境，中景展示动作，近景和特写传递情绪。镜头运动可以用推、拉、摇、移、跟和升降。转场可以是硬切、叠化、遮挡转场、动作匹配或声音先入。节奏设计要考虑信息密度：复杂信息需要更长的镜头，情绪爆点可以用短镜头快速切换。
建议先画一个简单的节奏曲线：开头三秒给钩子，中段每五到八秒给一次新信息，结尾留出品牌落版或行动号召。这样在生成素材时，你就知道哪些镜头必须优先保证质量。对于对话场景，可以使用过肩镜头和正反打；对于动作场景，可以使用跟拍和快速硬切；对于情绪场景，可以使用长焦近景和缓慢推镜。
第三步：提示词设计：把创意翻译成模型能理解的语言
六要素结构
一个好用的提示词可以拆成六要素：主体、动作、场景、镜头、光线和风格。主体要具体到年龄、服装、表情和状态；动作要说明幅度、速度和方向；场景要交代时间、天气、地点和背景元素；镜头要写明景别、焦段、机位和运动；光线要描述光源方向、色温和对比度；风格要指定写实、动漫、插画、胶片或三维渲染。
例如，不要写“一个女孩在街上走”，而可以写“二十多岁的短发女孩，穿深蓝色风衣，提着旧皮包，在雨后的石板街上快步行走，中景跟拍，低机位，傍晚冷蓝色调，霓虹反射在积水中，电影感浅景深”。后者给模型的信息更充分，生成结果也更可控。
镜头术语可以帮助你精确控制画面。广角适合环境交代，标准焦段接近人眼，长焦适合压缩空间和突出人物，微距适合细节特写。俯拍显得角色渺小，仰拍显得角色强大，过肩镜头建立对话关系，主观视角让观众代入角色。把这些词写进提示词，比只写“好看”更有效。
光线术语同样重要。顺光清晰但平淡，侧光立体，逆光有轮廓和氛围，顶光压抑，底光诡异。黄金时刻温暖柔和，蓝调时刻冷静忧郁，伦勃朗光适合人物肖像。不同光线会改变观众对角色和场景的情绪判断。
正提示词、负提示词与权重
正提示词描述你想要的画面，负提示词描述你不想出现的元素，例如多余手指、文字乱码、面部扭曲、肢体重复、过度锐化或水印。权重可以用来强调关键元素，但不要同时调整太多变量。权重过高容易导致画面僵硬或元素冲突。
如果工具支持分段提示词，可以把主体、动作、场景和镜头分开写，方便单独调整。对于角色一致性要求高的项目，建议把角色描述做成固定模板，每次只替换动作、场景和镜头部分。负提示词也要保持稳定，避免每次生成时把不同的禁用项混在一起。
迭代方法：一次只改一个变量
生成结果不理想时，不要一次性重写全部提示词。先判断问题属于哪一类：角色不像、动作不对、构图不对、光线不对还是风格不对。然后只修改对应部分。例如角色不像，就调整角色描述和参考图；动作不对，就修改动作动词和速度描述；构图不对，就调整景别、机位和镜头运动。每次只改一个变量，才能知道哪个改动真正有效。
建议为每个项目建立提示词版本表，记录版本号、改动内容、生成结果评分和采用情况。这样在团队协作时，其他人可以快速理解当前最优提示词是怎么来的。版本表不需要复杂，一个共享表格就足够，关键是坚持记录。
第四步：模型选择与组合策略
不同任务对应不同模型
写实人物、动漫角色、产品展示、建筑空间、自然风景和抽象图形，对模型能力的要求不同。写实类更看重皮肤质感、光影和镜头语言；动漫类更看重线条、色彩和角色表情；产品类更看重材质、边缘和文字清晰度；自然类更看重运动逻辑和细节稳定性。
选择模型时，不要只看单次生成的惊艳程度，还要看一致性、可控性、生成速度、失败率和后期可修复性。一个生成速度稍慢但角色稳定的模型，往往比一个速度快但十次里只有一次可用的模型更高效。评估时可以给每个模型建立评分卡，记录它在不同任务上的表现。
文生视频、图生视频与首尾帧
文生视频适合快速探索概念和氛围，图生视频适合把已经确定的画面变成运动镜头，首尾帧控制适合需要精确转场或动作收尾的镜头。实际项目中，三者经常组合使用：先用文生视频找感觉，再用图生视频锁定构图，最后用首尾帧控制关键动作。
如果工具支持运动笔刷或区域控制，可以把运动限制在特定区域，例如让人物移动而背景保持稳定，或者让头发和衣摆轻微飘动。这样能减少全画面乱动的问题。对于产品展示，可以让镜头环绕产品缓慢旋转，同时保持产品形状和文字不变。
多模型组合的常见方案
一条成片不一定只用一个模型。常见组合是：用写实模型生成人物镜头，用风景模型生成空镜，用图形模型生成字幕背景，再在剪辑软件里统一调色和节奏。组合的关键是保持光线方向、色调和镜头质感一致。如果不同模型的画面风格差异太大，后期需要花大量时间匹配。
建议在分镜阶段就标注每个镜头预计使用的模型类型，而不是生成时随意切换。这样可以提前发现风格冲突，并在提示词中统一色调、光线和镜头语言。对于关键角色镜头，尽量使用同一个模型或同一组参考图，以减少面部漂移。
第五步：角色一致性与场景连贯
角色设定表
角色一致性是AI视频最大的难点之一。建议为每个主要角色建立设定表，包含姓名、年龄、身高体型、脸型、发型、发色、瞳色、服装、配饰、气质、常用表情和参考图编号。设定表越详细，提示词越稳定。
设定表还要记录角色在不同场景中的变化，例如是否淋雨、是否受伤、是否换装、是否戴帽子。这些变化会影响面部和服装的生成结果。如果没有记录，下一镜头很容易回到默认状态，导致连贯性断裂。
多图参考与关键帧
多图参考可以让模型同时学习角色的正面、侧面、背面和不同表情。上传参考图时，要选择光线一致、背景干净、面部清晰的照片或插画。关键帧则用于锁定特定动作的起始和结束画面，减少中间帧漂移。
如果角色需要在多个场景中出现，可以先制作一张标准角色图，再用它作为图生视频的起点。每个镜头都从同一张标准图出发，角色一致性会明显提高。对于重要项目，还可以用同一角色的多角度图片训练一个轻量角色适配器，但训练前要确保素材风格统一、分辨率足够、没有遮挡。
服装、道具与光线连续性
除了脸，服装、发型、配饰和道具也会影响连贯性。例如，角色在上一镜头穿红色外套，下一镜头不能变成蓝色。光线方向也要连续：如果上一镜头光源在左侧，下一镜头最好保持左侧光，否则剪辑在一起会显得跳戏。
建议在分镜表里增加“连续性检查”一列，记录每个镜头的服装、道具、光线方向和角色情绪状态。拍摄真人影视时这叫场记，AI视频同样需要。每次生成新镜头前，先对照上一镜头的连续性记录，再写提示词。
种子与版本管理
如果工具支持种子值，固定种子可以在相同提示词下获得更稳定的结果。但固定种子不代表完全一致，模型版本、参考图和参数变化仍会影响输出。因此，最好把种子、模型版本、提示词版本和参考图编号一起记录。
版本管理可以使用简单的表格，也可以使用文件夹命名规范。例如：项目名_镜号_版本_日期_模型_状态。状态包括待筛选、已采用、备用和废弃。这样在剪辑时不会拿错素材。对于团队项目，素材库要设置明确的读写权限，避免多人同时覆盖同一文件。
第六步：批量生成、筛选与版本管理
批量生成的参数控制
批量生成时，不要一次改变太多参数。可以先固定提示词和参考图，只改变种子或运动幅度，生成一批候选。然后根据评分表筛选出最好的几条。对于关键镜头，可以生成更多候选；对于过场镜头，可以减少数量，节省时间。
如果工具支持队列，可以把不同镜头分组提交，并在等待时处理其他工作。批量生成前，先确认分辨率、帧率和时长等基础参数一致，否则后期拼接时会出现尺寸和节奏不匹配的问题。
评分表与淘汰机制
建立一个简单评分表，从角色一致性、动作自然度、构图、光线、清晰度、瑕疵程度和可用性七个维度打分。每个维度一到五分。总分低于阈值的直接淘汰，不要因为“也许后期能修”而保留太多废片。后期修复的成本往往高于重新生成。
筛选时最好由两个人独立评分，再对比结果。单人评分容易受疲劳和主观喜好影响。对于争议较大的镜头，可以放到剪辑时间线上实际查看，因为单独看画面和放进成片中的感受可能完全不同。
命名规范与素材库
素材库按项目、场次、镜号和版本分类。文件名要包含关键信息，避免出现“最终版”“最终版2”“真的最终版”这种命名。推荐格式：项目代号_场次_镜号_版本_模型_状态。这样在剪辑软件里搜索和替换会更高效。
素材库还要保存提示词、参考图、关键帧和评分记录。一个镜头为什么被采用，往往比镜头本身更重要。下次遇到类似需求时，可以复用当时的提示词结构和参数组合，而不是从零开始。
第七步：后期剪辑、声音与包装
粗剪与节奏
先把可用镜头按分镜表顺序排列，形成粗剪。粗剪阶段不要纠结转场和特效，先看叙事是否清楚、节奏是否拖沓。如果某个镜头信息不足，就回到生成环节补拍，而不是用剪辑硬凑。
剪辑时可以用“三秒法则”检查节奏：如果三秒内没有新信息、新情绪或新画面变化，考虑切镜或缩短。对于解释性内容，可以保留稍长镜头，但要用字幕、箭头或局部放大引导注意力。对于情绪段落，可以适当延长镜头，让观众有时间感受。
配音、音乐与音效
声音决定成片质感。配音要匹配角色性格和视频节奏，语速不要过快。音乐情绪要与画面一致，音效则用于强调动作、转场和环境。例如，开门声、脚步声、雨声和键盘声都能增强沉浸感。注意音乐版权和配音授权，商用项目尤其要确认使用范围。
配音与口型不同步时，可以调整画面速度或重新生成口型镜头。背景音乐不能盖住人声，通常需要把人声频段做适度提升。音效不要堆得太满，否则会显得嘈杂。留白也是一种声音设计。
字幕、调色与输出
字幕要清晰、断句合理、停留时间足够。调色用于统一不同模型生成的画面，包括白平衡、对比度、饱和度和色彩倾向。输出时根据平台要求选择分辨率、码率和音频格式。建议保留一个高质量母版，再导出适合不同平台的版本。
调色时可以先用示波器检查曝光和肤色，再调整整体风格。如果不同镜头色温差很大，可以先统一白平衡，再做风格化处理。输出前检查字幕是否超出安全区，音频是否削波，文件命名是否符合交付规范。
第八步：发布前质量检查与常见问题排查
画面问题
常见画面问题包括：角色脸部变形、手指数量异常、肢体重复、背景闪烁、物体突然出现或消失、运动方向不一致、画面过曝或欠曝。检查时逐帧播放关键动作，尤其是人物转身、手部动作和快速运动。
如果问题出现在中间帧，可以增加关键帧或缩短镜头时长。如果问题出现在动作幅度过大时，可以降低运动速度，或者把动作拆成两个镜头。背景闪烁通常与参考图不一致或运动区域控制不当有关，可以尝试固定背景参考或减少全画面运动。
音频问题
音频问题包括：配音与口型不同步、背景音乐盖住人声、音效时间点错误、左右声道不平衡、整体响度不一致。发布前用耳机和手机扬声器各听一遍，确保不同设备上都能听清。
如果整体响度不一致，可以在剪辑软件中做响度标准化。如果人声和音乐冲突，可以用侧链压缩或手动调整音乐音量。音效时间点要对齐画面动作，误差过大会显得廉价。
叙事问题
叙事问题往往比技术问题更致命：开场不够吸引人、信息重复、角色动机不清、结尾没有落点、行动号召不明确。解决方法是回到一句话故事和三幕结构，检查每个镜头是否推动叙事。如果镜头只是好看但不推动故事，可以考虑删除或缩短。
还可以请没有参与制作的人观看粗剪，记录他们在哪个时间点走神、哪个信息没看懂、哪个情绪没有感受到。外部反馈通常比内部讨论更接近真实观众体验。
常见问题FAQ
问：为什么生成的角色每次都不一样？
答：通常是因为缺少角色设定表、参考图不统一或提示词每次都有变化。建议固定角色描述模板，使用多图参考，并尽量保持光线和构图一致。
问：生成视频很短，如何做成长片？
答：把长片拆成多个短镜头，每个镜头单独生成，再在剪辑软件中拼接。用统一的分镜表、角色设定和调色流程保持连贯。
问：画面很漂亮但动作很假怎么办？
答：降低动作幅度，增加中间关键帧，或者改用图生视频和首尾帧控制。也可以把复杂动作拆成多个简单动作镜头。
问：如何减少后期返工？
答：在生成前明确交付规格，使用分镜表和提示词版本表，批量生成后严格筛选，不要让低分素材进入剪辑。
问：团队协作时如何避免版本混乱？
答：统一命名规范，使用共享素材库，每次审片只反馈可执行修改，并指定一人负责最终版本合并。
问：提示词越长越好吗？
答：不是。提示词要覆盖关键变量，但不要堆砌互相冲突的描述。把主体、动作、场景、镜头、光线和风格写清楚，比堆形容词更有效。
问：什么时候该换模型？
答：当同一模型在多个项目中反复出现同类问题，且调整提示词和参考图后仍无法解决时，可以考虑换模型。换模型前先做小规模对比测试。
问：如何判断一个镜头是否合格？
答：把镜头放进时间线，检查它是否推动叙事、是否与前后镜头连贯、是否在手机小屏上仍然清晰。单独好看不等于成片可用。
第九步：效率提升、团队协作与持续优化
模板化
把常用提示词、分镜表、评分表和命名规范做成模板。新项目开始时直接复制模板，只修改项目专属内容。模板化可以显著减少重复劳动，也能让新成员快速上手。
模板还可以分层：基础模板包含通用结构，项目模板包含品牌色、角色和场景，镜头模板包含景别、光线和运动。分层模板既保证一致性，又保留灵活调整空间。
任务队列
生成任务可以按优先级排队：关键角色镜头优先，空镜和过场其次，实验性镜头最后。如果工具支持队列和批量提交，可以提前准备多组提示词，在等待时处理剪辑或文案工作。
队列管理还要考虑依赖关系。例如，某些镜头需要先确定角色标准图，某些镜头需要先完成上一镜头的关键帧。把依赖关系画成简单流程图，可以避免因为等待素材而卡住整个项目。
审片与复盘
每个项目结束后做一次复盘：哪些镜头一次通过，哪些反复失败，哪些提示词模板最有效，哪些参数容易出问题。把结论写进团队知识库。下一次项目就能站在上一次的经验上，而不是重新试错。
团队分工也可以更清晰：导演负责目标和叙事，分镜负责镜头表，提示词负责生成质量，剪辑负责节奏和声音，质检负责发布前检查。角色清晰后，沟通成本会明显下降。
结语：从会用到用好
AI视频工具会不断更新，但工作流的价值不会过时。明确目标、写好脚本、拆好分镜、设计提示词、选择合适模型、控制角色一致性、批量筛选、精细剪辑、严格质检，这些环节构成了稳定产出的基础。真正高效的创作者不是每次都能抽到好结果，而是能把好结果变成可重复的流程。
开始下一个项目时，不妨先花半小时写交付规格和分镜表，再花十分钟建立角色设定和提示词模板。你会发现，前期多做的这些准备，会在生成和后期阶段成倍节省时间。把每一次生成都当作一次有记录的实验，你的AI视频工作流就会越来越稳，成片质量也会越来越高。
