过去两年，文本生成视频与图像生成视频从技术演示迅速走向实际交付。真正的瓶颈已经不是“有没有模型可用”，而是模型太多、能力边界各不相同：有的模型在写实人像特写上稳定，有的更擅长高速动作与动漫式分镜，还有的在长镜头的物理连贯性上明显更可靠。当创作者在不同工具之间反复导出、上传、下载时，风格与角色会在一次次切换中缓慢漂移，等到剪辑时才发现前后镜头像来自两部不同的片子。
可行的思路不是寻找一个“万能模型”，而是把模型选择下沉到镜头级别，并用一套稳定流程把分散的生成结果重新缝合。下面这套工作流适用于短片、广告、游戏预告、知识类口播视频与社交媒体竖屏内容，不依赖任何特定平台，也不讨论订阅与分成，只关注创作与工程本身。
先定义项目目标：效率优先还是叙事优先
三种常见项目类型
社交媒体短视频。 目标是在三到八秒内抓住注意力，通常需要高饱和色彩、快速节奏、明确的动作指向。这类项目对单镜头画质的要求低于对“钩子强度”的要求，生成速度与批量试错能力比极致细节更重要。
品牌与产品片。 需要稳定的光影、准确的材质表现和可控的镜头运动。产品外观不能变形，标志区域不能被模型凭空改写，这类项目往往需要在关键帧上做大量手工修正。
叙事短片与预告。 重点是角色一致性、场景连续性和情绪节奏。它最考验跨镜头的一致性方案，也最需要前期分镜工作做到位。
目标决定流程重量
把项目类型写在纸上，再决定每一环投入多少时间。短视频可以接受“生成二十条挑一条”的粗放方式；叙事短片则必须先解决角色参考、镜头清单和色彩基调，否则后期返工成本会迅速超过前期准备成本。一个实用的判断标准是：如果成片里某个元素出现超过三次，它就必须被写进参考资产库。
模型选型的四个维度，而不是一张排行榜
画质与风格适配
不要只看模型的宣传样片。用你自己的题材做一次对照测试：同一段提示词，分别生成人物特写、手持移动镜头、快速动作镜头各两条，比较面部稳定性、手部结构、背景元素是否随机漂移。真正需要的是“在你题材上的稳定输出”，而不是通用榜单上的名次。测试完成后，把每个模型在你的题材上表现最好的镜头类型记下来，形成一份私人的模型能力表。
运动可控性
有些模型对运动描述非常敏感，写“镜头缓慢右移，人物保持静止”就能得到相对干净的结果；另一些模型会自作主张加入大幅度推拉。测试方法是固定一张图，用三组不同描述生成，观察哪一组结果更接近你的意图。可控性差的模型并非不能用，但它更适合处理静态或弱运动镜头。
时长与连贯能力
大多数模型在五到十秒内表现最好，超过这个区间容易出现结构崩坏、人物变脸或背景重置。如果你的镜头需要更长时间，优先考虑分段生成再用剪辑衔接，而不是强行拉长单次生成。也可以把长镜头拆成“建立镜头—动作镜头—反应镜头”三段，叙事上反而更清楚。
时间与算力预算
把每个镜头的平均重试次数换算成时间：一次生成两分钟、平均重试六次，那么单个五秒镜头就要十几分钟。项目有三十个镜头时，这个数字会决定你的整体排期。预算紧张时，用低分辨率快速迭代构图，确认后再用高质量模式重新生成，是性价比最高的做法。
文本到视频：从脚本到分镜的完整流程
第一步：把脚本拆成可生成的镜头
一段描述性文字往往包含多个动作和视角变化，直接丢给模型会得到混乱结果。做法是先做镜头拆解，每一条镜头包含五个要素：景别、主体动作、镜头运动、环境、光线氛围。例如“中景，人物推开木门，镜头缓慢跟随向前，雨夜街道，冷色路灯从侧面打过来”。当这五个要素都明确时，生成的随机性会大幅下降。
第二步：写镜头清单表格
用表格管理比用文档更可靠。列包括：镜头编号、时长、景别、动作描述、参考图、使用的模型、生成状态、备注。这张表会在后期成为剪辑依据，也会在返工时告诉你哪一条镜头需要重新生成。团队协作时，它还是唯一可信的进度来源。
第三步：先做静帧，再做动态
直接生成视频的失败率很高。更稳的做法是先为每个镜头生成一到三张候选静帧，确认构图、人物和光影，再以静帧作为首帧生成视频。这样既降低了随机性，也让风格统一的难度大幅下降。静帧还可以直接用于评审，比让所有人看完一遍动态画面再提意见效率更高。
第四步：分层生成，而不是一次成型
把复杂镜头拆成背景、主体、特效三层分别生成，再在后期合成，往往比强行让模型一次性完成更可控。尤其是需要特定文字、标志或精确产品形态的镜头，分层几乎是唯一可靠路径。分层还有一个好处：背景可以复用，同一场景的多个镜头不必重复生成环境。
图像到视频：关键帧与运动提示词
首帧与尾帧的配合
如果工具支持尾帧控制，用首尾两帧夹住动作是最有效的约束方式：首帧决定起点构图，尾帧决定终点姿态，中间过程交给模型补间。尾帧不必是完美画面，只要主体位置和姿态正确即可。对于人物走入画面、转身、开门这类动作，首尾帧控制能显著减少肢体扭曲。
运动提示词的写法
运动描述应包含四个要素：主体动作、镜头运动、速度、幅度。避免使用抽象词汇，例如“震撼”“史诗感”，这些词不会带来稳定的视觉结果。可以写的具体形式包括：镜头以极慢速度向左平移、人物从中景走向镜头并停在近景、镜头带有轻微手持晃动、物体从画面右侧高速穿过。速度词建议用“极慢、缓慢、中速、快速、极快”这类分级表达，比数字更稳定。
常见失败与修正
人物脸部变形：减少镜头运动幅度，缩短时长，增加面部清晰参考图。动作方向混乱：在提示词中明确主体与背景的运动关系，例如“人物向前，背景保持静止”。背景细节闪烁：降低运动速度，或改用更擅长静态细节的模型生成背景后合成。手部异常：让动作发生在前景遮挡之后，或干脆把动作设计为不需要手部细节的形式。
多模型协同：把模型选择下沉到镜头层
镜头级路由的思路
不同镜头对模型的要求不同。人物特写优先选择面部稳定的模型，环境建立镜头优先选择细节丰富的模型，快速动作镜头优先选择运动连贯的模型。为每一类镜头预设一个默认模型，并在表格里记录备选，可以显著减少决策时间。真正的效率提升不来自“找到一个最强模型”，而来自不再为每个镜头重新纠结。
统一风格的三个锚点
多模型混用最大的风险是风格割裂。三个锚点可以缓解：统一色彩基调（在后期用同一套调色参数套用全部镜头）、统一镜头语言（例如全片只使用缓慢平移和固定机位）、统一画幅与颗粒质感（在合成阶段统一添加轻微颗粒与同一比例的黑边）。只要这三个锚点稳定，即使单个镜头的细节差异较大，观众也会认为它们属于同一条片子。
模型版本管理
模型会持续更新，同一条提示词在不同版本上的结果可能明显不同。项目开始前记录每个镜头使用的模型与版本，并在项目期间尽量不要中途升级，避免出现前后不一致。如果必须升级，先用一个次要镜头做对照测试，确认风格没有明显偏移后再全量切换。
角色与场景一致性：跨镜头不变形的实操方法
角色参考图库
为每个主要角色准备一组参考图，覆盖正面、四分之三侧面、侧面、背面以及不同表情。生成新镜头时同时附上最接近当前角度的参考图，命中率会明显提升。参考图本身建议用同一套提示词与同一风格生成，避免参考图之间风格不统一，否则模型会来回猜测你想要的到底是谁。
场景锚点
把场景拆成可复用的元素：地板材质、墙面颜色、主要光源方向、关键道具位置。每个镜头生成时都带上这些描述，即使模型不同，观众也会感觉是同一个空间。建议为每个场景写一段不超过四十字的固定描述，作为提示词里的常量反复粘贴，而不是每次重新措辞。
服装与道具的连续性
服装变化是叙事需要，不是随机结果。把服装状态写进镜头表格，例如“第三场开始外套湿透”，并在提示词里明确当前状态，能避免镜头之间服装突然变干的尴尬。道具的位置同样需要记录，尤其是手持物与桌面摆放，它们是观众最容易察觉的连续性错误。
用剪辑掩盖不一致
当一致性无法完全解决时，剪辑是最实用的工具：用反打镜头、插入特写、遮挡转场来避免两个不一致的画面直接相连。这属于传统影视技巧，在 AI 视频里同样有效。记住一句话：无法修复的镜头，可以用剪辑绕开。
提示词结构与常见失败模式
一个可复用的模板
主体 + 动作 + 环境 + 光线 + 镜头 + 风格 + 技术参数。顺序可以调整，但每一类信息尽量都写全。例如：“一位穿着深色风衣的中年男性，站在雨后街道上抬头望向路灯，环境是潮湿的柏油路面与远处霓虹，光线为偏冷的侧逆光，镜头为中景缓慢推近，风格为写实电影感，细节清晰，画面稳定。”写完之后检查一遍：有没有两个动作、有没有互相矛盾的描述、有没有可以删掉的情绪形容词。
负面描述的作用
明确写你不想要的东西：不要字幕、不要多余人物、不要画面变形、不要快速闪烁。负面描述不能解决所有问题，但能减少最常见的一批废片。注意负面描述不宜过长，过长时模型容易把注意力放在被否定的内容上。
五个高频失败点
一、提示词过于抽象，模型只能随机填充。二、单条提示词塞入多个动作。三、忽略了画幅与构图要求。四、没有固定随机种子。五、用同一条提示词反复重试却不修改参数，结果是同样的问题重复出现。每一次重试都应该带着一个明确的变量改动，否则只是抽奖。
后期、音频与交付规格
剪辑节奏
AI 生成镜头通常片段较短，剪辑时以两到四秒为一个节奏单元更容易保持流畅。动作衔接处可以用匹配剪辑，把上一镜头的运动方向与下一镜头对齐。当两条镜头风格差异明显时，用一个空镜或特写作为过渡，比硬接更自然。
补帧与上采样
低帧率生成结果在运动镜头里容易显得顿挫，补帧可以改善流畅度，但过度补帧会产生果冻感。建议先补帧再上采样，并在运动复杂的镜头上手动检查是否有形变。动作镜头与静态镜头建议分开处理，用不同的补帧强度。
音频与配音
画面完成后，音频决定成片的完成度。环境声、脚步声与音乐节拍能显著掩盖画面上的小瑕疵。配音与口型对齐困难时，优先选择旁白或画外音结构，减少对嘴型的依赖。音乐的情绪转折点最好与画面切换点对齐，这一条比任何生成参数都更能提升观感。
交付规格
竖屏内容常用九比十六，横屏内容常用十六比九。导出前确认平台对码率、时长与音频响度的要求，避免上传后被二次压缩导致细节丢失。成片导出后建议在手机、平板和电脑三种设备上各看一遍，小屏幕能暴露很多在大屏上被忽略的问题。
团队协作与资产管理
命名与版本规则
镜头命名建议包含项目代号、场次、镜头号与版本号，例如 prj-s02-sh07-v03。版本号只在确认定稿时递增，中间尝试用备注区分，避免目录里出现大量难以辨认的文件。命名规则听起来琐碎，但它是团队规模超过两个人之后最容易失控的部分。
资产库分层
把资产分为四层：参考图、生成中间结果、定稿素材、成片工程。中间结果不要随手删除，后期微调时经常需要回到上一版重新导出。如果存储空间紧张，至少保留每个镜头的最终选定版本与一个备选版本。
评审流程
评审时不要只讨论“好不好看”，而是逐条对照镜头清单检查：动作是否符合分镜、构图是否达标、角色是否一致、光线是否与前后镜头冲突。把问题写成可执行的修改项，例如“把第三镜头的镜头运动幅度减半”，而不是“这里感觉不对”。可执行的修改项能直接转化为一次生成任务，模糊的评价只会拖长会议。
常见问题
一条提示词能生成完整的一分钟视频吗？
目前不现实。更可靠的方式是拆成八到二十个短镜头分别生成再剪辑。单次生成时间越长，结构崩坏与风格漂移的概率越高。把长视频当成多个短镜头的组合来规划，反而更容易得到完整叙事。
为什么同一个模型今天和昨天的结果差别很大？
可能是模型版本更新、随机种子不同，或提示词存在细微差异。固定种子、记录版本、把提示词保存在表格里，可以让结果更可复现。如果三次重试都出现同类问题，就应该改提示词或改模型，而不是继续重试。
需要多少张参考图才够？
主要角色建议六到十张，覆盖不同角度与表情。场景参考三到五张即可，重点是光线方向和主要材质。参考图不是越多越好，重复或风格冲突的参考图会干扰模型判断，宁可少而一致。
静态画面很好，一动就崩，怎么办？
降低运动幅度、缩短时长、减少画面内的主体数量，是三个最有效的措施。也可以先用静帧做动态测试，只生成两秒判断稳定性，再决定是否延长。如果两秒内就开始崩坏，延长到八秒只会更糟。
多模型混用会不会更麻烦？
前期会增加管理成本，但中后期收益明显：每个镜头都能用最合适的工具，返工率下降。关键是建立镜头表格与统一调色流程，让分散的生成结果在成片里看起来是一体的。真正麻烦的不是模型多，而是没有统一流程。
怎样判断一条镜头应该重新生成还是靠后期救？
看问题类型。构图与动作方向错了，重新生成更快；细节噪点、轻微闪烁、色彩偏移，后期通常能处理。判断标准是：后期修复所需时间是否超过重新生成的预期时间。多数情况下，动作类问题重生成，质感类问题靠后期。
新手应该从哪种项目开始？
从五到十个镜头的短视频开始，主题尽量单一，包含一两个角色、一个场景。完成一次完整流程——脚本、分镜、生成、剪辑、交付——比生成大量零散片段更有价值。零散片段不会积累流程经验，只会积累素材。
未来还需要人工分镜吗？
需要，而且更重要。模型越强，决定“拍什么”和“怎么剪”的判断就越关键。工具负责执行，人负责选择。分镜能力不会因为模型进步而贬值，它决定了你手里那些生成结果最终能不能被剪成一条完整的片子。
把流程固化下来，比追逐单个模型更重要
回到最初的问题：为什么模型越来越多，创作反而更容易混乱？因为绝大多数人把顺序搞反了——先找工具，再想内容。正确的顺序是先定目标和镜头清单，再按镜头类型分配模型，最后用统一的调色、音画与命名规则把结果收拢成一部完整作品。模型只是流程中的一个环节，它不该成为流程本身。
如果要给这套方法留一句总结，那就是：把不可控的部分尽量前置到静帧阶段，把可控的部分尽量后置到后期阶段。静帧便宜、迭代快、容易评审；后期统一调色和补帧则能一次性抹平大量细节差异。中间那段真正昂贵、真正不可预测的生成过程，越短越好，越有约束越好。
从今天开始，你可以只用一张表格和一个镜头清单去改造现有的工作方式。先给每个镜头标注类型，再为每类镜头指定默认模型，然后严格执行“先静帧、后动态”的顺序。坚持两三个项目之后，你会发现返工次数明显下降，成片的风格也开始稳定。
以上流程不依赖任何单一平台，也不承诺某个模型永远最好。工具会变，镜头语言、叙事节奏和一致性方法论不会。把精力放在后者，你就能在任何一轮技术更替中保持稳定的产出能力。
