先理清思路：T2V、I2V 与混合工作流各自解决什么问题
文本转视频（Text-to-Video，T2V）的输入是一段描述，输出是一段连续画面；图像转视频（Image-to-Video，I2V）的输入是一张或多张静态图，输出是让这张图动起来的镜头。很多人把两者当成同一件事的两种入口，结果在项目里反复碰壁：明明手上有精美的概念图，却用 T2V 重新抽卡；明明只是一个抽象概念，却硬要去找参考图。把两者的分工想清楚，效率会立刻提升一个层级。
T2V 的本质是从零到一。它适合探索：这个概念应该长什么样？这个风格能不能成立？这个节奏观众能不能跟上？它的优势是发散，迭代快、门槛低，适合在项目早期大量试错。它的短板是控制力弱，尤其是涉及固定角色、固定服装、固定道具时，模型每次都会给你一个差不多但不一样的答案。
I2V 的本质是从一到多。它适合收敛：画面已经确定了，现在要决定它怎么运动、运动多久、镜头如何推进。它的优势是控制力强，因为构图、色调、角色外观在首帧就已经锚定；短板是灵活性受限，如果首帧本身有问题，后面所有镜头都会继承这个错误。
文本转视频的三种典型用途
第一，概念探索。为剧本、广告提案、短片寻找视觉方向，一次生成多条不同风格的方向片，用最低成本淘汰掉不成立的方案。
第二，素材补齐。需要一段空镜、一个转场、一片流动的云或雨时，用文字直接生成，比外出拍摄或翻阅素材库更快。
第三，叙事验证。把分镜脚本快速跑成动态草图，检查信息密度与节奏是否成立，避免在真实拍摄或高成本渲染之后才发现结构问题。
图像转视频的三种典型用途
第一，角色出场。已有角色设定图，通过 I2V 让人物做出指定动作，保持外观与服装一致。
第二，风格延续。把一张风格强烈的插画变成动态镜头，用于片头、MV、社交媒体短内容，让静态美术资产产生第二生命。
第三，产品展示。用产品静态主图生成缓慢环绕、光影流动的展示镜头，适合官网、电商详情页与投放素材。
混合流程：先用图定调，再用文字延展
最稳的生产流程通常是混合的。先用 T2V 生成一批风格探索图，挑出最符合预期的几张作为视觉锚点；再把锚点图交给 I2V，生成若干关键动作镜头；最后用 T2V 补齐空镜与转场，把镜头串成完整段落。这样做的好处是：风格由图像锚定，叙事由文字驱动，两者各司其职，不会互相打架。
判断依据可以总结成一句话：当你需要决定画面长什么样时，用图像；当你需要决定画面发生什么时，用文字。真正的专业流程，是在这条分界线上不断往返。
第一步：把创意拆成可执行的分镜脚本
AI 视频最常见的失败原因不是模型不够强，而是输入太模糊。一句三十秒的品牌短片，听起来像是一个需求，实际上是十几个镜头的集合。生成模型无法理解模糊的整体诉求，它只能回应具体的、可被视觉化的句子。所以第一步永远是把创意拆开。
结构化提示词的六个要素
一条可用的视频提示词，通常包含六个要素：主体、动作、环境、镜头、光线、风格。主体回答谁在画面里；动作回答发生什么变化；环境回答在哪里；镜头回答观众从哪里看；光线回答情绪基调；风格回答质感与媒介感。把这六项写清楚，生成结果的方差会显著下降。
例如，把夜晚城市里一个人走路改写成：一位穿深色风衣的年轻女性，在雨后的霓虹街道上快步前行，镜头从侧后方中景跟随，镜头缓慢向左环绕，湿润地面反射红蓝灯光，冷色调电影质感，浅景深，胶片颗粒感。后者并不更长，但每一项都能被模型翻译成画面。
从一段话到一张分镜表
建议在开写提示词之前，先用表格把镜头列出来。表头包括：镜号、时长、景别、主体动作、环境、光线、转场方式、备注。每一行对应一次生成任务。这样做有三个直接收益：第一，你能立刻看出哪些镜头其实是重复的；第二，你能提前规划哪些镜头必须用 I2V 保持一致性；第三，后期剪辑时你有明确的时长预算。
一个常见的节奏配比是：开场建立镜头三秒，主体动作镜头五到八秒，细节特写两到三秒，收尾留白两秒。三十秒的成片大约需要八到十二个有效镜头，如果算上废弃率的备选，实际生成量通常是成片镜头数的三到五倍。提前把这个数字算清楚，能避免做到一半发现素材不够的窘境。
常见错误：把整支片子塞进一条提示词
很多人会写：一支讲述都市青年奋斗的励志短片，画面精美，节奏紧凑，有起伏有高潮。这类描述对模型几乎没有约束力，因为它描述的是观感，不是画面。正确的做法是把观感拆成可拍摄的元素：人物、地点、动作、景别、光线、剪辑节奏。观感是结果，不是输入。
第二步：按任务类型选择生成策略
不同的镜头对生成能力的要求并不相同。把任务分类，再分配不同层级的生成策略，是控制整体质量与周期的核心方法。
预览级、主力级、高保真级的分工
预览级用于探索与打样。特点是速度快、画面粗糙，但足以判断构图与节奏是否成立。它承担的是试错职能，允许大量废弃，不要在这类生成上追求完美。
主力级用于镜头的正式生产。特点是稳定、风格可控、细节够用，适合成片中的绝大多数镜头。你应该在这个层级上建立一套固定的参数组合，把它当作团队的默认设置。
高保真级用于关键镜头：产品特写、品牌露出、片头主视觉、海报级画面。这类生成耗时长、需要反复微调，但决定了成片的上限。把高保真资源集中在三到五个镜头上，效果远好于平均分配到每个镜头。
时长、分辨率与帧率的取舍
单次生成长度越长，画面漂移的概率越高。与其一次生成十秒然后大幅裁剪，不如生成四到六秒的干净镜头，再通过剪辑拼成需要的时长。分辨率方面，先按目标投放渠道定标准：竖屏短视频可以用较低分辨率快速迭代，最后统一放大；横屏的品牌内容与展映内容则应直接以高分辨率生成，避免后期放大带来的软化。
帧率决定运动的顺滑程度。人物行走、镜头平移、物体旋转这类运动，对帧率与运动幅度都很敏感。如果生成结果出现明显抖动，优先降低运动幅度，而不是一味提高帧率。
风格一致性的锚点
一个项目里混用多种风格是画面廉价感的主要来源。解决办法是为项目建立视觉锚点：选定一张或两张参考图，作为所有镜头的风格基准；在每条提示词的末尾，复用同一段风格描述词，例如冷色调、低饱和、柔和散射光、细腻颗粒。风格描述在每条提示词中保持一致，比每次换新鲜词更能保证成片统一。
第三步：图像转视频的核心技术细节
I2V 是让成片看起来像作品而不是随机片段的关键环节。它把静态美术资产转化为时间维度上的叙事，因此需要更精细的控制。
首帧、尾帧与关键帧
首帧决定镜头的起点，尾帧决定镜头的落点。当两者都能指定时，生成结果的可预测性会大幅提高，因为模型只需在两点之间插值运动，而不是自由发挥。对于产品环绕、人物转身、门开合这类有明确终点的动作，提供首尾帧是最高效的做法。
关键帧的作用是中间控制。在较长的运动过程中，用一张中间状态图作为约束，可以避免画面在中途跑偏。一个实用的做法是：把长镜头拆成两段短镜头，每段用各自的起止帧控制，剪辑时再对接。这样既能保证连续性，也能降低单次生成的风险。
角色一致性的四个抓手
第一，固定参考图。为角色准备正面、侧面、半身三张标准图，所有出场镜头都从同一组图出发。
第二，固定服装与配饰描述。在提示词中把服装颜色、材质、关键配饰写成固定短语，避免每次重新描述带来偏差。
第三，控制景别跨度。跨度过大的景别切换（例如从大远景直接到面部特写）最容易导致面部失真，尽量用中景作为过渡。
第四，限制遮挡与复杂交互。手部遮挡脸部、人群重叠、镜面反射等场景会显著增加崩坏概率，能用画面语言规避就规避。
运动注入的幅度控制
运动幅度是最容易被忽略的参数。小幅运动（呼吸、发丝飘动、光线流动、轻微镜头推移）稳定度最高，适合特写与产品镜头；中幅运动（人物行走、镜头横移、门开合）适合叙事镜头；大幅运动（奔跑、快速旋转、剧烈镜头甩动）失败率最高，需要更多备选次数。
一个经验法则是：先按最小可行幅度生成，确认画面结构稳定后，再逐步加大运动。直接上大幅运动，往往得到的是形变而不是动感。
第四步：用镜头语言写提示词
提示词不只是描述画面内容，它同时是一份拍摄指令。掌握基本的镜头语言词汇，能让你的描述从文学化转向可执行。
机位、焦段与运动
机位决定观众与主体的关系：平视带来代入感，俯视带来压迫或全知感，仰视带来力量感，过肩视角带来旁观感。焦段决定空间压缩程度：广角强调环境与透视，长焦压缩空间、突出主体、虚化背景。运动决定节奏：固定镜头沉稳，缓慢推移推进情绪，跟随镜头带来紧张，环绕镜头展示立体感。
把这些词写进提示词，例如：低角度仰拍、35 毫米焦段、镜头缓慢向前推移，比写充满力量感的画面更有效。
光线、色彩与氛围
光线是最直接的情绪工具。柔和散射光显得干净克制，硬光与高对比显得强烈戏剧化，逆光与轮廓光显得浪漫通透，实用光源（霓虹、车灯、屏幕光）赋予场景真实感。色彩方面，先确定主色调与点缀色，再决定饱和度。低饱和加单一高饱和点缀，是很容易出效果的组合。
写提示词时，把光线写成光源位置加质感，例如：左侧窗光、柔和散射、暖白；把色彩写成主色加点缀，例如：灰蓝色为主，暖橙色点缀。
时间与节奏的表达
模型对时间的理解来自你的措辞。缓慢、平稳、流畅对应慢节奏；突然、迅速、抖动对应快节奏。如果需要延时感或慢动作感，可以直接在提示词中指明，但要注意：极端时间效果会明显增加画面不稳定的风险，建议放在空镜或非关键镜头上使用。
第五步：排错与迭代的实战清单
生成失败是常态，不是意外。把排错流程化，能让你在十分钟内定位问题，而不是盲目重抽。
画面闪烁、糊化与形变
闪烁通常来自过长的单次生成或过大的运动幅度。解决办法是缩短单次时长、降低运动幅度、增加关键帧约束。糊化通常来自分辨率与放大链路的错配，检查是否在低分辨率上做了大倍率放大。形变通常来自主体过于复杂或遮挡过多，简化画面元素是最直接的解法。
人脸与手部崩坏
面部与手部是模型最容易失手的区域。缓解手段包括：避免极端角度（大俯拍、大仰拍、背后转头），避免手部特写与复杂手势，避免主体在画面中占比过小。如果镜头必须包含面部，优先用中近景，并保证光线均匀、五官清晰可见。
运动不自然与塑料感
塑料感通常来自两个原因：一是画面过于光滑，缺少材质细节与颗粒；二是运动过于均匀，缺少加减速。前者可以通过在提示词中加入材质与质感描述、在后期加入轻微颗粒来改善；后者可以通过拆分镜头、让动作有起势与收势来解决。
迭代的正确姿势：一次只改一个变量
这是一个被反复验证的原则。每次生成只修改一个因素：要么改运动幅度，要么改光线，要么改景别。同时改三项，你无法判断是哪一项带来了改善或恶化，最终会陷入无休止的随机尝试。建议为每个镜头建立一条记录：参数组合、问题现象、修改项、结果评价。十几次迭代之后，你会得到一份属于自己项目的参数经验表。
第六步：后期整合让成片真正可用
生成出来的镜头只是原材料。决定成片质量的，往往是最后二十分钟的整合工作。
剪辑节奏与镜头衔接
先按分镜表粗剪，用最少的镜头讲清信息，再考虑加长。每个镜头的入点与出点都应避开运动最不稳定的帧。衔接方面，动作衔接比场景切换更自然：上一个镜头人物抬手，下一个镜头从抬手之后开始，观众不会感到断裂。如果两个镜头风格略有差异，用一到两帧的过渡或轻微运动模糊遮盖，效果通常优于硬切。
放大、补帧与降噪
放大用于把生成分辨率提升到交付标准，补帧用于让运动更顺滑，降噪用于清理生成噪点。三者都有代价：放大过度会软化细节，补帧过度会产生果冻感，降噪过度会让人物皮肤失去质感。建议按需使用，并在使用后逐帧抽查关键位置，尤其是面部与文字区域。
声音：被低估的完成度来源
同一段画面配上不同的环境音与配乐，观感差距可以非常大。建议为每个场景准备基础环境音（雨声、风声、街道底噪、室内空间感），再叠加关键音效（脚步、开门、产品落桌），最后铺一层低音量配乐托底。声音的层次感会显著提升画面被感知的质量，这是性价比极高的一步。
实战案例：三十秒产品短片的完整流程
以下是一个可直接复用的端到端流程，适用于产品宣传、品牌短片与社交媒体内容。
第一步，确定交付标准。 明确画幅比例、目标时长、投放平台与风格基调。这一步决定了后续所有的分辨率与节奏选择。
第二步，写分镜表。 列出八到十二个镜头，标注景别、动作、光线与时长。产品类内容通常包含：环境建立镜头、产品出场镜头、细节特写、使用场景镜头、品牌收尾镜头。
第三步，生成风格锚点。 用文本转视频快速产出十到二十张方向图，挑选两到三张确定最终视觉方向。这一步不要追求完美，只为确定方向。
第四步，制作关键镜头。 把锚点图交给图像转视频，为产品出场、细节特写、收尾三个关键镜头生成高保真版本，每个镜头准备三到五条备选。
第五步，补齐辅助镜头。 用文本转视频生成环境镜头、转场素材与背景运动，保持与锚点一致的风格描述。
第六步，剪辑与调色。 粗剪确定节奏，统一色调，处理镜头之间的亮度与色温差。
第七步，声音与交付。 加入环境音、音效与配乐，输出目标格式，并检查不同设备上的观看效果。
整个流程中，最容易出问题的环节是第四步与第六步。关键镜头的失败率高，需要预留足够时间；而调色不统一会让所有镜头的努力白费，所以务必在粗剪完成后统一处理一次整体色调。
团队协作与资产沉淀
当项目从个人创作升级为团队协作，资产管理就变成了核心问题。
提示词库与版本管理
把验证有效的提示词按场景类型归档：人物出场、环境空镜、产品特写、转场素材、风格描述。每条提示词注明适用条件与已知问题。这样新项目可以直接复用，而不必从零开始摸索。版本管理同样重要，每次修改保留旧版本，方便回溯到效果更好的那一版。
素材命名与复用
采用统一的命名规则，例如项目名加镜号加版本号加状态。状态可以用待定、备选、已确认三档区分。看似繁琐，但当素材积累到几百个文件时，这套规则能节省大量查找时间。同时，把确认可用但未使用的镜头单独归档，它们往往是下一个项目的高质量起点。
常见问题 FAQ
问：文本转视频和图像转视频，应该先学哪一个？
建议先学文本转视频，因为它能帮你建立对画面描述的基本直觉：什么样的句子会被翻译成什么样的画面。掌握这一层之后，再进入图像转视频，你会更容易理解一致性为什么重要。
问：为什么同一个提示词，两次生成的结果差别很大？
生成过程本身带有随机性，这是设计使然，不是缺陷。应对方法不是反复重抽同一句提示词，而是把提示词写得足够具体，减少模型需要自由发挥的空间，同时为每个镜头准备多条备选。
问：人物在不同镜头里长得不一样，怎么办？
优先使用图像转视频，让所有出场镜头从同一组参考图出发；在提示词中把服装、发型、配饰写成固定短语；避免景别跨度太大；必要时减少人物在画面中的出现频次，用背影、局部、环境来暗示。
问：生成的画面对不上音乐节奏，怎么办？
先把音乐的结构拆出来，标出重音与段落变化点，再按这些节点分配镜头时长。顺序应该是先有节奏点，再有镜头，而不是先做镜头再硬凑音乐。
问：需要多高的分辨率才够用？
取决于投放场景。竖屏社交媒体内容对细节要求较低，中等分辨率加适度放大即可；横屏展映、大屏播放或需要裁切的内容，应直接以高分辨率生成，避免后期放大导致细节损失。
问：一条视频大概需要生成多少次？
经验值是成片镜头数的三到五倍。也就是说，一支十镜头短片，实际生成量大约三十到五十条。把废弃率提前计入排期，能显著降低项目中途的焦虑。
问：怎样判断一个镜头可以定稿？
三个标准：主体结构没有形变，运动符合预期，与相邻镜头的色调和风格能接上。三者同时满足即可定稿，不要因为追求完美而无限迭代，边际收益会迅速下降。
结语：把工具变成流程
AI 视频生成真正的门槛，从来不在工具本身，而在于能否把它嵌入一套稳定的流程。当你有了分镜表、风格锚点、参数经验表与排错清单，生成结果就不再是运气，而是可以预期的产出。
从今天开始，可以尝试一个最小实践：挑选一个你熟悉的主题，写下五个镜头的分镜表，用文本转视频产出环境镜头，用图像转视频处理一个角色或产品镜头，然后剪成十五秒。完成这一轮之后，你会发现真正需要补的不是技巧，而是判断力——知道什么问题该用文字解决，什么问题该用图像解决，什么问题该在后期解决。这种判断力，才是把创意稳定转化为成片的核心能力。
