
很多人刚接触 AI 视频时,最大的误区就是直接在视频软件里输入一句话,比如“一个赛博朋克风格的武士在雨夜奔跑”,然后点击生成。
这样做的结果,十有八九是得到一段人物肢体扭曲、画面模糊的废片。测试数据显示,纯粹依靠“文生视频”(Text-to-Video)做连贯短视频,抽卡废片率高达 80% 以上。人物在上一秒是单眼皮,下一秒镜头转过来就变成了双眼皮,衣服和背景完全对不上。
真正能跑通商业变现和批量生产的工作流,核心永远是图生视频(Image-to-Video)。也就是:先用生图工具做出固定的角色和分镜静态图,再用视频工具把静态图转成动态视频。
下面把这套跑通千万播放短视频的完整工作流直接拆开,包含工具选型、分镜逻辑和可直接套用的提示词模板。
一、主流 AI 视频生成工具怎么选
不要听信网上吹捧的“某某神器能取代摄影师”。每个模型都有明显的强项和短板。为了避免花冤枉钱买算力,你可以参考下面这份实测对比表:
| 工具名称 | 核心优势 | 主要短板 | 适用场景 | 计费与上手成本 |
|---|---|---|---|---|
| 可灵 AI (Kling) | 物理规律模拟真实,支持首尾帧控制,运镜逻辑符合中文语境 | 肢体大幅度激烈运动时偶有拉伸 | 剧情短剧、国风武侠、分镜衔接严格的场景 | 有免费额度,按算力点订阅,上手门槛低 |
| Runway Gen-3 | 画面质感接近电影级,光影层次和烟雾水流表现好 | 文字提示词遵循度略弱,对中文支持一般 | 情绪短片、广告大片空镜、概念先导片 | 价格偏贵,按秒计费,需英文提示词 |
| 海螺 AI (MiniMax) | 人物面部稳定性极好,微表情自然,不易崩脸 | 摄影机运动自由度较低,复杂镜头难调 | 人物近景对话、解说类数字人替代、特写镜头 | 国内直接访问,出图速度快,适合新手跑量 |
| Luma Dream Machine | 空间透视感强,物体移动时摄像机跟随平滑 | 偶发逻辑错误,背景物体容易发生形变 | 大场景穿梭、航拍视角、汽车移动等运镜镜头 | 提供基础免费试用,渲染等待时间适中 |
选型结论:
•做剧情短剧或小说推文,优先选用可灵。它的“首尾帧”功能可以让你指定镜头从图 A 运动到图 B,这是目前保证镜头连贯性最稳的方案。
•做质感要求高的商业短片,优先选用 Runway Gen-3。
•做人物说话、特写情绪镜头,海螺 AI 的面部保真度最稳。
二、全流程实操:四步跑通一条爆款视频
第一步:用文本大模型拆解爆款分镜脚本
短视频前 3 秒决定完播率。在写脚本时,不要让大模型写一篇散文,而是要让它输出结构化的工业级分镜表。
打开 DeepSeek 或 ChatGPT,发送下面这段结构化指令:
“你是一个资深短视频导演。请将以下故事创意拆解为一个 15 秒的短视频分镜脚本。故事主题是:[填写你的故事主题,例如:深山里的老木匠做出一只会发光的木鸟]。
请输出 Markdown 表格,包含以下 5 列:
1. 镜号与时长(每个镜头控制在 3-4 秒)
2. 景别与机位(特写/中景/全景,俯拍/平视)
3. 画面内容(主体外貌、动作细节、环境光影)
4. 摄影机运动(推镜/拉镜/横移/环绕)
5. 配音与音效(旁白文案、环境音与特效声)”
避坑提示: 单个 AI 生成镜头的时长尽量控制在 3 到 5 秒。超过 5 秒的视频,模型大概率会出现主体变形或者动作走样。短视频的节奏本身就需要高频切镜,3 秒一个分镜正好符合观众的注意力习惯。
第二步:用生图工具固定角色与视觉风格
制作视频的第一步不是打开视频软件,而是生成基础静态图。目前主流推荐 Midjourney 或 Flux.1。
要保证视频人物不换脸,关键在于固定特征描述词与角色参考:
1.定面部与衣着: 提示词中必须写死角色的标志性特征。例如:“一个 30 岁中国女性,黑色短发,左眼角有一颗泪痣,身穿灰绿色工装外套,白色内搭”。
2.定画风: 在提示词尾部统一加上画风后缀。例如:“35mm 电影镜头,柔和自然光,阿莱阿莱摄影机色彩,8k 分辨率”。
3.Midjourney 的一致性参数: 先生成一张满意的正面人像作为基准图,拿到图片链接后,在后续生图提示词后加上 `–cref [图片链接] –cw 80`。`–cw 80` 既能锁定面部,又允许人物做出不同姿态。
把分镜表里的每一个镜头,都先生成出对应的 16:9 或 9:16 高清静态图。
第三步:图生视频的运镜与提示词公式
拿到静态图后,把图片上传到可灵或 Runway 的“图生视频”(Image-to-Video)模块。
写视频提示词不要重复描述图片里已经有的东西。比如图片上已经有一个木匠,你不需要再写“他穿着蓝色围裙”,因为 AI 已经能看到图像了。图生视频提示词只需描述“变化”。
核心提示词公式:
[主体的具体微动作] + [环境物体的动态] + [摄影机的具体运动方式]
举个反面例子:
•错误写法:“木匠很开心地雕刻,阳光很好,镜头很专业。”(包含大量无意义的主观修饰词,AI 无法理解什么是“很专业”。)
正确写法:
•实操案例:
•输入图片: 老木匠低头雕刻木鸟的特写。
•视频提示词: 木匠双手拿着刻刀轻轻修整木头表面,木屑掉落,灰尘在阳光中漂浮。摄像机缓慢向前推进,浅景深。
•运动笔刷设置: 在可灵中,使用“运动笔刷”涂抹木匠的手部和木屑,将运动幅度参数设为 2 到 3(低幅度运动)。
关键控制原则:
1.一个镜头只做一件动作: 绝不要在一个 4 秒镜头里要求角色“先站起来,再倒水,然后喝水”。正确的做法是:镜头 1 拍站起,镜头 2 拍倒水特写,镜头 3 拍喝水动作。
2.明确摄影机方向: 必须使用具体术语,例如“缓慢推进(Slow zoom in)”、“从左向右平移(Pan right)”、“固定机位(Static camera)”。如果不写机位指令,画面背景容易产生奇怪的扭曲流动。
第四步:音频生成与剪辑拼装
画面生成完毕后,导入剪映或 CapCut。画面只占短视频的一半,声音决定了真实感。
1.配音制作: 使用剪映自带文本朗读,或者使用 Elevenlabs 生成情感充沛的旁白。小说故事推荐使用声线低沉、语速中等偏慢的音色。
2.音效补全: AI 生成的视频默认没有环境音。在剪辑软件里,必须给每个动作配上音效。例如木鸟发光时配“高频蜂鸣声”,木屑掉落配“细微摩擦声”。声音对齐动作瞬间,画面的真实度会成倍提高。
3.节奏剪辑: 删掉每个 AI 视频素材开头和结尾出现形变的帧(通常是前 0.5 秒或最后 0.5 秒)。只截取中间运动最稳定的 2-3 秒进行硬切拼合。
三、实操分镜脚本范例:新手可直接对照练习
这是一段标准的 15 秒短视频实操拆解,按照这个规格去出图和生成视频,废片率会大幅降低:
| 镜号 | 景别与机位 | 画面动作与动态描述 | 推荐视频提示词 | 音效与配音 |
|---|---|---|---|---|
| 01 (0-3秒) | 全景,俯视缓慢下沉 | 昏暗古旧的木工坊,屋顶天窗射下一束晨光,灰尘飞舞 | 晨光穿透空气,尘埃颗粒缓慢飘动,摄像机缓慢垂直下移,电影质感 | 旁白:“老林在山里待了四十年。” / 音效:清晨鸟鸣与轻微风声 |
| 02 (3-7秒) | 特写,平视固定机位 | 满是老茧的双手,握着刻刀,在木头上削下一片极薄的木屑 | 手指发力,木屑缓缓卷曲脱落,微弱的木头摩擦,摄像机固定不动 | 旁白:“只为做出一只能自己飞走的木鸟。” / 音效:清晰的刻刀削木声 |
| 03 (7-11秒) | 中景,缓慢推镜 | 木匠吹去木鸟头部的碎屑,木鸟的双眼突然亮起幽蓝色的光芒 | 角色轻轻吹气,木屑飘散,木鸟眼睛泛起柔和蓝光,摄像机平滑向前推进 | 音效:吹气声,紧接着低频能量启动音 |
| 04 (11-15秒) | 特写转全景,后拉摇臂 | 木鸟扇动木质翅膀飞向窗外,木匠抬头看着窗外微笑 | 木鸟展翅飞出画面,人物抬头微笑,摄像机跟随木鸟向窗外快速后拉 | 旁白:“今天,它真的动了。” / 音效:机械振翅声,清脆风铃声 |
按照上面的表格分步骤操作:
先去生成这 4 张不同景别的静态图,确保木工坊的色调、木匠的衣服始终保持一致;然后分别丢入可灵或 Runway,输入对应的视频提示词;最后在剪辑软件里按照时间轴排布,贴上音效和字幕。
做短视频不需要追求一次性生成完整的长镜头。把镜头拆碎,让每个镜头只承担一个简单的动作,你就跨过了 AI 视频创作最难的一道坎。
原创文章,作者:七点互动,如若转载,请注明出处:https://ai.qidianhudong.com/aiyy/ai-video/4791.html