先把“逼真”变成可验收的标准
“看起来真实”是一句无法执行的要求。要把它变成可落地的工作，第一步是写一份验收清单，把主观感受拆成可以逐条打分的项目：人物结构是否正确（手指数量、牙齿排列、耳廓形状、睫毛走向）、皮肤是否具备次表面散射的通透感、材质是否与光照环境匹配、光源方向在整段视频里是否保持一致、景深与焦外是否符合所选焦段、运动是否具备重量与惯性、帧间是否存在闪烁与纹理蠕动、色彩是否在多个镜头之间保持统一。
建议用五分制打分，每个镜头都按清单过一遍，低于三分直接判定返工，不要进入下一步。这个动作看起来笨，实际上省时间：一个三秒镜头如果在关键帧阶段结构就是错的，后面的放大与插帧只会把错误放大得更清晰。
同时要提前确定交付标准：分辨率、帧率、色彩空间、横屏还是竖屏、是否需要预留字幕安全区。交付标准会反过来影响关键帧的构图与放大策略。很多人做到一半才发现成片要竖屏，只能把已经做好的横屏画面裁切，导致构图失衡、细节被裁掉。
还有一条容易被忽略：确定“真实”的参照系。广告产品片的真实感来自干净、均匀、可控的光；纪录片风格的真实感来自轻微的手持抖动、自然光的变化和可接受的噪点。这两者需要的模型与参数完全不同。先选定参照系，再去选工具，顺序不能颠倒。
准备阶段：参考素材、分镜表与连续性清单
参考图库要按光学合理性筛选
准备一组参考图，覆盖三类内容：人物或主体参考、材质特写、光线环境参考。选择参考图时不要只看“好看”，要看它是否具备可复现的光学条件：光从哪来、是硬光还是柔光、有没有明显的环境反射、画面是否有可识别的焦段特征。一张混合了三种光源、背景还有大面积过曝的照片，会给关键帧生成带来冲突的信号，产出的画面往往“哪边都不像”。
材质特写的作用是把质感锚定住。皮肤的毛孔与油脂反光、牛仔布的斜纹、拉丝金属的方向性反光、玻璃边缘的色散，这些细节在低质量生成里会变成一层塑料感的平滑。提前准备对应的特写参考，可以在提示词里用具体的材质语言描述，而不是只说“真实”“高清”。
分镜表要包含模型规划列
每行一个镜头，字段至少包括：镜头编号、时长、景别、机位运动、主体动作、光源与色温、关键帧数量、建议使用的生成方式、后期处理备注。多加一列“风险点”，写清楚这个镜头最容易出问题的地方，例如“手部有交互动作”“需要连续变形”“有镜面反射”“人物转头幅度大”。
风险点的作用是在返工发生时快速定位原因。手部动作出问题通常是关键帧层的问题，镜面反射出问题通常是光照一致性没锁住，快速转头出问题通常是运动幅度超出了图生视频的稳定范围。把问题归类到环节，就不会盲目换模型。
连续性清单决定成片的可信度
连续性清单记录跨镜头不变的元素：人物发型与服装细节、道具的位置与磨损痕迹、场景中的时间与天气、镜头之间的光线方向、色温与阴影柔和程度。清单越具体，成片越像一个真实拍摄的现场，而不是一堆各自独立的漂亮片段。
实操时可以把清单做成一张表格，每次生成新镜头前对照检查。也可以把已经通过的镜头导出单帧作为参考图，直接喂给下一个镜头的生成流程，用视觉信息代替文字描述。文字描述一致性很容易失真，图像参照稳定得多。
第一阶段：关键帧生成，把照片级细节钉死
提示词要按层次组织，而不是堆形容词
有效的提示词结构通常是五层：主体与状态、材质与细节、光照与色温、镜头与焦段、画面质感。例如“三十岁男性，坐姿，双手放在桌面，深色羊毛毛衣，皮肤有自然油脂反光，侧逆光，色温偏暖，85mm 镜头，浅景深，轻微颗粒感”。每一层都给模型一个明确的约束，而不是用“超写实、4K、大师作品”这类无法定位的形容词。
主体与状态要写清楚动作的瞬间，而不是动作的过程。“正在转头”会让不同帧的朝向不一致，“头部向左转动约三十度，视线停在画面右侧”则给出一个明确的静止状态。关键帧是静态画面，任何过程性描述都会引入不确定性。
镜头与焦段是很多人跳过的部分，但它直接决定了画面的真实感来源：广角带来空间透视与边缘拉伸，长焦带来压缩感与浅景深，微距带来极强的放大比例与极浅的清晰范围。写清楚焦段，画面的空间关系就会明显更合理。
参考图与风格锁定
如果生成工具有参考图或风格参考功能，优先用图像约束而不是文字约束。参考图权重不要拉满，通常保留一部分让模型自行补全细节，画面会更自然。权重过高会把参考图里的瑕疵一起搬过来，例如原始照片的噪点、压缩痕迹、错误的肤色偏移。
对同一组镜头，尽量使用同一张或同一组参考图，保持整体的色彩响应与质感一致。中途更换参考图，会让前后镜头出现明显的“换了一套器材”的感觉，这在成片里非常刺眼。
关键帧阶段最常见的三类错误
第一类是光照方向冲突：主体左侧有主光，背景的阴影却指向右边。这种画面大脑会立刻识别为假。修正方法是在提示词中明确写出主光方位，并检查背景元素是否符合该光源。
第二类是过度锐化与过高的局部对比度。生成模型倾向于把画面做得“很清晰”，结果皮肤失去通透感、头发边缘出现光晕、暗部细节被压死。此时应当主动降低锐度描述，增加“柔和过渡”“自然阴影”等约束。
第三类是结构错误，尤其是手部、牙齿、眼镜边缘、耳环等细小结构。不要期待视频模型修正它们，必须在关键帧阶段就修到合格。必要时可以先生成再局部重绘，效率远高于反复重跑整张图。
第二阶段：图生视频，让画面动得有重量
用关键帧而不是纯文本驱动画面
纯文本生成视频时，模型需要同时决定构图、光照和运动，变量太多，结果很难稳定。更可靠的做法是先用图像把构图与光照钉死，再让视频模型只负责运动。这样每增加一步，你只需要控制一个变量。
如果工具支持首尾帧控制，就为每个镜头准备一个起始帧和一个结束帧。首尾帧之间的差异决定了运动幅度：差异过小画面会显得僵，差异过大会出现结构崩坏、脸部漂移、背景重建。经验上，让结束帧只比起始帧推进一个明确的动作单元，例如“手抬起一半”“身体转向四十五度”，稳定性最好。
运动幅度需要分级
把镜头运动分成三档：微动（呼吸、眨眼、发丝轻晃、轻微手持）、中动（人物转身、坐下、递物、镜头推近）、大动（奔跑、跳跃、镜头横移加变焦、场景大幅变化）。微动适合所有模型，中动需要谨慎控制幅度，大动最好拆成多个短镜头拼接，而不是交给单个生成任务。
大动作最常见的问题是“融化感”：肢体在运动中失去结构，边缘像被涂抹。解决的思路是拆解，把一个大动作拆成三段各自两秒的镜头，分别生成，再用剪辑衔接。观众感知到的是完整动作，而每一段都在模型的稳定区间内。
帧率、运动模糊与快门感
真实拍摄的运动模糊与快门角度相关，24 帧的电影感通常伴随明显的运动模糊，而高帧率的画面模糊更少、更“数码”。生成时应当明确目标：想模仿电影质感，就保留运动模糊，并在提示词里强调自然拖影；想做产品展示或需要后期慢放，就降低运动模糊、提高帧率。
生成完成后不要直接使用原始帧率。常见的处理是先以较高帧率生成，再通过插帧统一到交付帧率。这样既能保留运动的顺滑，又能在需要时做慢动作。插帧前先做降噪与稳像，否则插帧会把噪点一起插进去，形成闪烁的“果冻感”。
第三阶段：跨镜头一致性管理
人物一致性的三重锚定
人物一致性靠三重锚定：面部锚定、服装锚定、体态锚定。面部锚定用同一组正脸与侧脸参考；服装锚定写清楚面料、颜色、褶皱和配饰位置；体态锚定固定身高比例与习惯姿势。三者都固定，人物在不同镜头里才会像同一个人。
如果工具支持角色参考或身份保持功能，优先使用它，而不是靠文字描述“同一个人”。文字无法描述骨相与五官比例，图像可以。同时避免在不同镜头里改变发型或服装细节，例如前一镜头有领口拉链、后一镜头消失，这类错误观众很容易发现。
场景与光线一致性
跨镜头的场景一致性依赖三件事：空间关系、光源方向与色温、环境细节。空间关系要能用一张简单平面图标出：门在哪、窗在哪、人物坐下后面对哪个方向。光源方向要写成固定值，例如“主光来自画面左后方，色温 4300K，窗外为阴天散射光”。环境细节包括地面材质、墙面纹理、桌面物品位置，这些细节在切换镜头时最容易出错。
实操上可以把每个场景的关键元素做成一张清单，每次生成新镜头逐项核对。也可以在生成后用统一调色把色温差异拉回来，但调色只能救轻微偏差，救不了方向完全相反的光。
转场与遮挡的处理
人物从画面外走入、镜头被前景物体遮挡、物体穿过画面，这些元素既能掩盖瑕疵，也能制造瑕疵。遮挡是很好的工具：当前景有物体经过时，观众无法判断前一帧与后一帧之间的连续性，剪辑点藏在这里几乎看不出来。
反过来，如果镜头需要长距离横移而没有遮挡，模型需要持续重建背景，出错概率大幅上升。这类镜头建议拆成两到三段落，用遮挡或快速运动作为衔接点，而不是追求一次生成到底。
第四阶段：模型分工与流水线设计
按镜头类型而不是按喜好分工
不同模型的能力分布差异明显：有些在单帧细节、材质与光照表现上更稳定，适合生成关键帧与产品特写；有些在人物表演与长镜头运动上更强，适合对话与走位镜头；有些在风格化与快速迭代上更顺手，适合做概念验证与预演。
把镜头按需求分类，再匹配工具，会比固定用一个模型更高效。具体可以分四类：需要极致材质与光线的静态感镜头；需要稳定人物运动与表情的表演镜头；需要空间感与镜头运动的场景镜头；需要快速试错的预演镜头。每一类选一个主力工具，再准备一个备选，用于主力失败时快速替换。
先预演，再精修
不要一上来就用最高质量设置生成整段视频。正确顺序是：用低分辨率、低成本设置做一次完整预演，只关注构图、节奏和动作是否成立；确认结构没问题之后，再用高质量设置重做关键镜头；最后对少数重点镜头做加强处理。
这样做的好处是把返工成本压到最低。预演阶段发现动作不成立，只需要改提示词或调整首尾帧；等到高质量阶段才发现，就要重新消耗大量时间。
什么时候重跑，什么时候修补
判断标准很简单：如果问题是结构性的，重跑；如果问题只集中在局部，修补。脸部轻微不对、画面某处有伪影、某段抖动偏大，都可以通过局部重绘、稳定处理或重新生成几个片段解决。而构图错误、光照方向错误、动作逻辑错误属于结构性问题，修补只会越修越乱。
记录每次重跑的原因，两三个项目之后就会形成自己的“失败模式库”。最常见的原因通常集中在：提示词层次混乱、参考图冲突、运动幅度过大、连续性清单没对齐。把这几项固定成检查流程，成功率会明显提升。
第五阶段：放大、插帧与后期细节闭环
放大与降噪的顺序
放大与降噪的先后顺序会影响最终质感。一般建议先做轻度降噪，再放大，最后做局部锐化。如果先放大，噪点会被一起放大，再降噪就会损失细节，皮肤会变得像磨皮过度的广告图。
放大时要注意保护高频细节：头发丝、织物纹理、睫毛、金属边缘。放大倍数不要一次拉太高，分两次小幅放大通常比一次大幅放大更自然。放大的同时观察是否出现“AI 光泽”——一种过度平滑、带塑料反光的高光表现，出现就说明锐化或对比度给多了。
插帧与运动稳定
插帧能把低帧率素材变顺滑，但前提是运动矢量清晰。如果原素材存在大量噪点、闪烁或遮挡变化，插帧会生成扭曲的中间帧。处理流程是先稳像、再降噪、然后插帧，最后检查是否有局部拉伸。
稳像要注意力度。真实拍摄的手持镜头本身带有轻微晃动，完全稳定会显得像三脚架加电子云台，反而失去真实感。保留少量低频晃动的“呼吸感”，画面会更像实拍。
用“加法”补足光学特征
纯生成画面往往缺少真实镜头的光学缺陷，反而显得干净得不真实。可以通过后期补足这些特征：轻微暗角、边缘色散、镜头眩光、细腻的胶片颗粒、少量传感器噪点、轻微高光溢出。这些元素加得越克制，真实感越强；加得过重，就会变成刻意的“复古滤镜”。
调色阶段建议把多个镜头放在同一条时间线上统一处理，先做基础的曝光与白平衡对齐，再做风格化的对比度与色彩倾向。逐镜头单独调色，很容易出现前后色调跳跃。
声音是真实感的另一半
观众对真实感的判断有很大比例来自声音。画面里出现脚步，就应当有与地面材质匹配的脚步声；室外场景需要环境底噪与风；室内需要轻微的空间混响。声音与画面不同步、或者环境音完全缺失，会让再精致的画面也显得空洞。
简单做法是建立三层声音结构：底层环境音、中层动作音效、上层音乐与氛围。动作音效要与画面帧对齐，尤其是撞击、开关、脚步这类有明确时间点的声音。
质检清单与故障排查
按下面的顺序逐项检查，能覆盖绝大多数常见问题。
结构类：手指数量与关节、牙齿、耳廓、眼镜与首饰边缘、文字与标牌是否出现无意义乱码。
光照类：主光方向是否在多镜头间保持一致、阴影软硬是否匹配光源大小、环境反射方向是否正确、色温是否统一。
材质类：皮肤是否有通透感与自然油脂反光、织物纹理是否随运动合理变形、金属与玻璃反射是否符合环境。
运动类：运动是否具备加速与减速、是否存在帧间闪烁与纹理蠕动、遮挡处的边界是否干净、快速运动是否出现结构崩坏。
光学类：景深是否与焦段匹配、焦外光斑是否自然、是否有多余的锐化光晕、颗粒分布是否均匀。
常见故障与处理思路：画面出现“融化感”，多为运动幅度过大，拆成短镜头重做；人脸在不同镜头中变形，检查参考图是否一致、是否中途更换了角色描述；画面闪烁，先降噪再插帧，避免插帧输入带噪；主体边缘有彩色描边，减少锐化或降低风格化强度；整体像塑料，增加材质描述与噪点，适当降低对比度；背景在运动中重建出错，加入遮挡或缩短镜头时长。
常见问题解答
问：为什么我用同一个提示词生成的画面风格前后不一致？
答：提示词里缺少固定的光学与光照描述。把焦段、光源方向、色温、颗粒感写成固定段落，每次生成都完整复制，风格漂移会明显减少。更好的做法是固定一张参考图，让图像承担风格锚定的职责。
问：能不能只用一个模型完成整支视频？
答：短片或风格化内容可以。但要求照片级逼真时，单一模型很难同时满足单帧细节、运动稳定和光学特征三个方向。把任务拆成关键帧、运动、后期三段，各自使用更擅长该环节的工具，成片质量提升更明显。
问：生成出来的画面总有一点“假”，最该优先改什么？
答：先改光照一致性，再改材质描述。光照方向矛盾是大脑最敏感的错误，材质是第二敏感的错误。结构问题排第三，通常需要回到关键帧阶段处理。
问：人物转身或者走动时容易出现结构错误，怎么办？
答：把动作拆成两到三段，每段控制在两秒以内，用首尾帧明确起止姿态，中间用剪辑衔接。如果工具支持，也可以先做姿态预演，确认动作合理再生成高质量版本。
问：后期应该做多少？会不会越修越假？
答：后期的作用是补足光学特征与统一色调，而不是重做画面。原则是“加法克制”：暗角、颗粒、色散都用很小的量。如果修复后画面变得更平滑、更高对比，就说明方向反了，应该回退。
问：怎么判断一个镜头该重跑还是该修？
答：看问题是否影响构图或光照逻辑。局部伪影、轻微抖动、细节瑕疵可以修；构图错误、光照矛盾、动作不合理必须重跑。给自己设一个上限，例如同一个镜头重跑三次仍不合格，就改分镜方案。
问：没有专业拍摄经验，能做出照片级画面吗？
答：可以，但需要补两样东西：光线的基本认知和镜头语言的基本认知。知道主光、辅光、色温、焦段、景深这些概念如何影响画面，提示词的质量会立刻上一个台阶。这部分投入的回报远高于反复试参数。
结语：把一次成功变成可复用流程
照片级逼真的视频不是靠某个隐藏参数或某个神奇模型做出来的，而是靠一套职责清晰的流程：先定义验收标准，再准备参考与分镜，用图像模型把细节与光照钉死，用视频模型只负责运动，用一致性清单管理跨镜头，用后期补足光学特征，最后用声音把画面坐实。
真正拉开差距的是反馈速度。每次生成后都记录失败原因，把它们归类回流程中的具体环节；两三个项目之后，你会拥有自己的参数区间、失败模式库和检查清单。到那时，生成就不再是碰运气，而是一道可以稳定复现的工序。
如果要给出一个最小可行的起步方案：选一个镜头，写好五层提示词，准备一张光学合理的参考图，先生成一张合格的关键帧，再让它做一个中等幅度的动作，然后做轻度降噪与插帧，最后加上环境音与少量颗粒。把这一个镜头打磨到满意，再把这个流程复制到整支片子上。顺序对了，效率自然会出来。
