高点击率不是运气：先把判断标准定下来
很多创作者一上手就纠结该用哪个模型，结果生成了一堆画面漂亮却没人停留的素材。真正决定点击率与完播率的，是选题结构与前三秒的信息密度，模型只是实现手段。因此在写第一条提示词之前，先把三个判断标准写清楚：观众凭什么点进来、凭什么看下去、凭什么愿意转发。
第一个标准是可被一句话描述的好奇心。如果一个创意需要三句话才能解释，观众在信息流里不会给你这个时间。把选题压缩成一句不超过二十字的钩子，是开工前的第一道过滤。比如“沙漠里出现一台自动售货机”比“一个关于荒诞消费主义的超现实故事”有效得多，因为前者在观众脑子里已经自动生成了画面。
第二个标准是视觉落差。人眼会被不符合日常经验的画面钉住：巨大物体出现在狭窄空间、熟悉场景出现异常、材质突然变化、时间流速错位、物理规律被轻微打破。这类落差恰恰是生成式视频最容易实现的效果，值得优先考虑。相反，纯风景、纯人物特写、纯产品展示很难在前三秒制造落差，除非你有极强的品牌认知度。
第三个标准是情绪落点。点击只是入口，传播来自看完之后残留的情绪：惊讶、共鸣、解压、荒诞或温暖。大量 AI 视频画面惊艳但情绪为零，问题往往出在脚本阶段，而不是模型阶段。写完脚本后问自己一句：观众看完这条视频，会用哪个词向朋友描述它？如果答不上来，就还没写完。
把标准翻译成一张开工前清单
清单可以很短，但要写下来：目标平台是什么、时长控制在几秒、前 3 秒的核心画面是什么、观众看完要留下什么情绪、这条视频属于系列中的哪一集、下一个镜头的落点在哪里。把这六项写在纸上再开始写提示词，返工率会明显下降。经验值是：脚本阶段多花十分钟，生成阶段能省下一半时间。
不要用模型能力替代叙事设计
模型能解决的是“画面是否可信”，解决不了“观众是否在意”。当一条视频数据不好时，先检查钩子与情绪，再检查画面质量。顺序反过来，你会不断买入更贵的工具，却始终得不到更好的数据。
给不同类型的视频设不同目标
带货型视频看点击与转化，剧情型视频看完播与互动，品牌型视频看记忆与搜索增量。目标不同，前三秒的设计方式完全不同。带货要把产品以可辨识的形态放进第一帧；剧情要把冲突提前；品牌则要把标志性视觉元素固定下来，让它成为系列识别符。
工具地图：不同生成模型各自擅长什么
把生成模型当成一个团队来理解会更清楚：有人擅长写实与物理一致性，有人擅长运镜与中文语义，有人擅长快速试错与补镜头。真正的效率来自分工，而不是死守一个模型。
写实与长镜头叙事的强项
以 Sora 为代表的模型在物理规律理解、三维空间运动和时间一致性上表现突出，适合需要连续运动、复杂光影与材质表现的镜头。这类镜头的典型场景是：单镜头跟随人物穿过多个空间、物体受力变形、水面与布料等软体材质运动。它们的短板是生成时间较长，不适合海量试错，因此更适合用于“已经确定要拍的那一镜”。
运镜术语与中文本地化的强项
以 Kling 为代表的模型对中文提示词的语义理解更细，对推、拉、摇、移、跟、升降等运镜术语的响应也更稳定，同时对中国本土视觉元素（街头市井、传统服饰、节庆场景、东方建筑）的还原度更高。它的优势场景包括：需要明确镜头调度的中近景、需要人物动作与台词的镜头、需要高辨识度本土氛围的广告片。
轻量与开源模型的定位
轻量模型的价值不在成片质量，而在预演与批量筛选。用它们快速生成 20 个构图方向、粗略验证哪一版钩子更有冲击力，再把这版交给更强的模型精修，是最省时间的组合方式。开源模型还适合需要长期固定风格或本地部署的场景，但需要接受更高的调参成本和更慢的迭代节奏。
怎么组合成一个好用的小工具箱
推荐的组合方式只有三种：一是“预演模型 + 精修模型”，用于高投入的广告与剧情短片；二是“单一主力模型 + 局部补镜”，用于周更系列；三是“双模型交叉验证”，当你不确定某个镜头该用哪家时，同一个提示词各跑两次，用结果说话。最忌讳的是每出现一个新模型就整体迁移，风格断裂的代价通常远高于质量提升的收益。
提示词工程：把文字变成可执行的镜头语言
提示词不是文案，而是给摄影组的执行单。它需要描述谁在做什么、在哪里、怎么拍、光从哪来、镜头怎么动、画面是什么质感。把这几项分开写，比堆砌华丽形容词有效得多。
五要素模板
一个可复用的模板是：主体与动作 + 环境与时间 + 镜头与运镜 + 光线与色彩 + 质感与画幅。示例：“一名穿深色风衣的年轻人在雨夜便利店门口停下，抬头看向招牌（主体与动作）；街道积水反光，霓虹灯牌在画面右侧（环境与时间）；中景，镜头缓慢推近至面部，浅景深（镜头与运镜）；暖黄与青蓝对比光，招牌光在脸上形成色块（光线与色彩）；35 毫米胶片颗粒感，2.39:1 画幅（质感与画幅）。”这样写出来的提示词，任何一个模型都能给出方向相近的结果。
运镜术语要具体
“镜头缓慢向左平移并轻微下降”远比“很有电影感地移动”有效。“跟随人物背影穿过走廊”“从产品特写拉出到全景”“固定机位，人物从画面右侧入画”这类句子都属于可执行指令。如果模型给出的运镜明显不对，先怀疑自己的描述是否含糊，再怀疑模型。
用负面约束挡掉常见问题
负面描述长期有效：不要出现文字与字幕、不要多余的手指、不要人物面部变形、不要画面突然跳变、不要快速闪烁、不要低分辨率。把这些写在提示词末尾，能减少一批废片。注意负面描述不是万能的，很多问题其实来自提示词内部自相矛盾，例如同时要求“极近特写”和“展示全身服装”。
一次只改一个变量
当结果不理想时，最有效的调试方法是每轮只改一个元素：先固定环境，改运镜；再固定运镜，改光线；最后固定画面，改动作。一次改五个变量，你无法判断是哪一个起了作用，只会在十几次失败后彻底放弃。把每轮结果按“提示词版本 + 输出编号”存档，两周后你会拥有一份只属于自己的经验库。
把提示词写成系列资产
如果一个账号要做长期系列，建议维护一份“系列提示词文档”，固定人物外观描述、固定环境基调、固定镜头语言、固定色彩与质感段落。每条新视频只替换动作与场景段。这是让系列看起来像同一个导演拍的最简单方法。
视觉一致性：角色、场景与风格如何稳住
一致性是生成式视频最大的实用门槛。观众能容忍画质普通，但无法容忍人物在镜头之间换脸。把一致性拆成三层处理，会清晰很多：人物层、场景层、镜头层。
人物层：外观描述固定，表情自由变化
人物层要固定的是发型、发色、脸型轮廓、服装主色、标志性配饰。不要试图固定每一帧的表情，否则画面会僵硬。做法是把外观描述写成一段固定文本，每次原样粘贴，只改动“表情与姿态”那一句。如果工具有参考图或角色参考功能，优先使用同一张正脸参考图，并且保持拍摄角度与光线接近，避免模型在不同光照下重构五官。
场景层：用环境锚点代替整段描述
场景层的关键是“锚点”：一个不会消失的物体，比如窗边的旧台灯、墙上的海报、地面的水渍、桌角的杯子。只要每个镜头里都出现同一个锚点，观众会自动认为身处同一空间。整段环境描写反而容易让模型每次生成不同布局。
镜头层：保持景别节奏一致
镜头层容易被忽略。同一系列如果上一镜是手持晃动，下一镜变成稳定器平移，观感会断裂。给系列定两到三种固定镜头语言，交替使用，比每镜都追求新鲜更耐看。
常见漂移与修复顺序
画面漂移的表现通常有三种：人物脸型变化、服装颜色偏移、背景空间重构。修复顺序建议是：先检查参考图是否一致，再检查提示词中是否有互相冲突的描述，最后才考虑换模型。换模型是成本最高的手段，应该放在最后一步。
长视频的一致性策略
超过三十秒的内容不要一次性生成。切成 4 到 6 个短镜头分别生成，再在剪辑里组接，一致性更容易控制，出错时也只需要重做其中一个镜头。这是目前最稳妥、也最省时间的长视频做法。
从生成到成片：剪辑、声音与节奏
生成只是半成品。真正决定点击率的，是剪辑台上的取舍。
选片标准
按三个优先级选片：动作是否可读、构图是否有落点、情绪是否符合预期。画面再美，如果动作含义不清，也必须放弃。备选镜头不要留太多，每个位置留两个即可，否则剪辑会陷入反复比较。
节奏：把每个镜头切到最短有效长度
短视频的通用节奏是：前 3 秒每 0.5 到 1 秒一个信息点，第 4 秒到第 10 秒每 1 到 2 秒一次变化，之后可以放慢。生成素材常常单个镜头过长，剪到只剩“动作最清楚的那两秒”，节奏立刻提升。
声音决定了专业度
环境音、动作音、转场音效是 AI 视频最容易忽略、也最容易拉高质感的部分。雨声、脚步、门轴、纸张、电流，这些细节音能让画面从“AI 生成”变成“拍摄现场”。音乐只负责情绪底色，不要用它掩盖空洞的画面。
字幕与竖屏安全区
竖屏发布时，把关键信息放在画面中部，上下各留出约 15% 的安全区，避免被平台界面遮挡。字幕一行不超过十四个汉字，关键数字单独成行。
封面首帧单独处理
封面不要直接截取生成画面，最好单独生成一帧构图更干净的竖屏图，主体放在中间偏上，留出标题位置。首帧决定划走率，值得多花十分钟。
批量测试与快速迭代流程
效率来自流程，不来自手速快。把生成过程拆成“预演—筛选—精修—组接”四步，可以显著减少无效工作。
预演：用最低成本验证钩子
同一个钩子写三到五个不同的提示词版本，每个版本只生成一次。目标是看哪个构图方向能让人一眼看懂。这一步不追求质量，只追求方向正确。
筛选：用规则而不是感觉
给每个候选镜头打分：动作可读性、构图、情绪符合度、一致性风险。四项总和低于及格线的直接删除，不要留“以后可能用得上”的素材，那只会拖慢剪辑。
精修：只精修通过筛选的镜头
把通过筛选的版本交给更强的模型或更高的生成质量设置重做。此时提示词已经验证过，返工风险最小。
组接：先搭骨架再补细节
先把所有镜头按时间轴摆好，导出一版粗糙的成片看整体节奏，再回头补音效、字幕、调色和封面。反过来做，你会在细节上耗费大量时间，最后发现整体结构不成立。
A/B 测试看什么指标
发布时可以测试四组变量：首帧、标题、前 3 秒画面、时长。一次只测一个变量，否则数据无法归因。重点看三个指标：3 秒留存、完播率、互动率。3 秒留存低说明钩子问题，完播率低说明中段节奏问题，互动率低说明情绪落点问题。这三个指标基本能定位到具体环节。
时间与成本预算怎么估
按“每条成片需要多少候选镜头”来估：10 秒成片通常需要 8 到 14 个候选镜头，其中约一半会被淘汰。把预演、精修、重做都算进去，预留 1.5 倍的时间余量比较稳妥。预算上宁可减少条数，也不要压缩单条的迭代次数，半成品发布对账号权重的伤害远大于少发一条。
常见错误与排查清单
画面漂亮但没有故事
症状是播放量尚可、完播率极低。原因通常是提示词只描述画面不描述动作，生成结果像动态壁纸。修复方法是在提示词里加入明确的动作与动作结果，例如“伸手拿起杯子，水面晃动”。
前 3 秒太慢
症状是划走率高。修复方法有两种：把最具冲击力的画面直接放在第 1 帧；或者把结果前置、过程后置，先给出答案再回溯。
人物换脸
按人物层、参考图、提示词冲突的顺序排查。多数情况下是参考图本身风格差异过大，或提示词里同时出现了两套外观描述。
字幕与画面打架
给字幕留位置，生成时避免把关键主体放在画面下三分之一。若已经生成完成，可用轻微上移构图或裁切解决。
音乐压过一切
音乐音量降到人声与音效之下，让环境音成为空间感来源。音乐是配角，不是主角。
批量生成后无从下手
这是文件管理问题。建立命名规则：日期 + 项目 + 镜头号 + 版本号。没有命名规则的素材库，本质上等于没有素材库。
发布与平台适配策略
按平台重剪，而不是直接搬运
横屏成片转竖屏时，不要简单裁切，而要重新生成或重新构图。主体位置、字幕位置、安全区都要重新排布。
标题与首帧要互相补充
标题说清信息，首帧制造好奇。两者重复等于浪费一次沟通机会。首帧给出画面冲突，标题给出情境解释，点击率通常更高。
发布节奏与系列感
固定更新频率比随机爆发更有效。系列视频的封面、字体、色彩保持一致，观众在信息流里能一眼认出你，这对长期增长帮助很大。
二次利用
一条优质成片可以拆成三条短切片、一组首帧图、一段文字脚本。生成成本不变，内容供给量翻几倍。
团队协作与素材资产库
提示词库是核心资产
把验证过的提示词按“钩子类型 / 场景 / 镜头语言”分类存档。新项目先从库里找相似结构，再改动作与场景，起步速度会快很多。
素材命名与版本控制
每个项目一个文件夹，内部按“原始生成 / 通过筛选 / 精修完成 / 成片”分层。每一层只保留必要文件，避免版本混乱。
分工建议
小团队可以按“脚本与提示词 / 生成与筛选 / 剪辑与发布”三段分工。脚本岗负责钩子与情绪，生成岗负责技术执行，剪辑岗负责节奏与声音。一人身兼三职时，也要按这三个环节分阶段完成，不要边生成边剪辑。
常见问题 FAQ
完全没有视频经验，能直接上手吗
可以，但建议从 5 秒的单镜头开始。先把一个镜头做到动作清楚、构图干净、节奏准确，再扩展到多镜头。直接做 30 秒多镜头项目，失败率很高。
需要写很长的提示词吗
不需要，需要的是结构完整。七八十字的结构化提示词通常比三百字的形容词堆砌更有效。主语、动作、环境、运镜、光线、质感，缺一项就补一项。
生成结果和想象不一样怎么办
先确认你的描述是否可被可视化。抽象概念如“孤独感”“高级感”无法直接生成，需要转译成具体画面：空荡的地铁站、单盏顶灯、人物背影。转译能力是提示词工程的核心。
一条视频大概要生成多少次
同一条 10 秒成片，熟练之后通常需要 10 到 20 次生成。低于这个数量说明你运气好或要求低，明显高于这个数量说明提示词结构有问题，需要回头检查。
用哪个模型效果最好
没有统一答案。写实长镜头优先考虑物理一致性强的模型，中文语境与明确运镜优先考虑本土语义理解强的模型，预演与批量测试优先考虑速度快、成本低的模型。最好的方式是用同一个提示词各测一次，用结果决定。
怎么判断一条视频值不值得继续优化
看 3 秒留存。如果留存明显低于自己账号的平均值，问题在钩子，继续优化剪辑意义不大；如果留存正常但完播率低，问题在中段节奏，值得继续打磨。
需要给视频加 AI 标识吗
遵守平台规则与所在地法律要求。多数平台对明显合成内容有标注要求，主动标注通常不会显著影响推荐，隐瞒反而可能在后期带来风险。
长期做下去最需要积累什么
不是模型清单，而是三样东西：验证过的钩子结构、可复用的提示词模板、以及一套稳定的筛选标准。工具会不断更替，这三样东西会一直有效。
