AI 只认东西,不认感觉

“

你写疲惫，它给你一张标准化的深夜工作者；你写空碗，它就得画出一只碗。

前几天我做了一条 70 秒的视频，前后做了三遍。

没有一遍是渲染失败、导出花屏或者软件崩了，三遍都能正常播放。问题出在别的地方：第一遍做完，我发现画面跟文案一点关系都没有。

这句话是我自己看完成片之后说的。它不算那种一眼能看出来的错。画面挺好看，光影讲究，人物也在认真做事，你随手刷到大概不会觉得有问题。但你只要把文案念一遍，再回头看画面，就会发现那些画面可以互换：随便挑两个镜头对调，几乎没有人看得出来。

我把文案拆成 9 个镜头，每个镜头配一段提示词。写的时候我挺得意，每段都很有画面感，有情绪、有氛围、有光线。我写的是“深夜的疲惫”“专注的神情”“一个人对着屏幕的笃定”。

问题就在这里，但当时的我完全没意识到。

我脑子里想的是“这句话是什么感觉”，所以我写出来的就是感觉。我以为把感觉描述得越准，生成的画面就越贴近我想要的。

结果出来是9 个几乎一样的镜头：同一个人，同一件深灰圆领，同一个房间，全是夜戏，全是冷调子。这几样是我自己刻意锁死的，为的是人脸不一样也能看着像同一个人。

但机位和景别我没管。9 个镜头里 6 个是头肩近景，其中三个连机位都一样。它们单独看都挺好看，摆在一起，像同一条素材重复播了九遍。

文案里那些具体的东西，一个都没出现。

文案里写着“等你反应过来，肉没了，汤没了，碗都让人端走了”，画面给的是：一双手在敲键盘。

文案里说“那条内容就烂在草稿箱里了”，画面给的是：一个人靠在椅背上按眉心。

— 左：第一遍画面（敲键盘）／右：重做后的卡片

— 左：第一遍画面（靠椅背按眉心）／右：重做后的卡片

碗呢？草稿箱呢？还有一句文案说的是“免费的 AI 给你的是最低水位”，画面给的是侧脸看着前方。水位在哪？

一个都没有。

发现问题之后，我先做了一件看起来很合理的事：把这批画面用起来。

我给 9 个镜头配上了配音和字幕，每一镜的配音单独调速、刚好填满这一镜的画面时长，8 个接缝全部对齐。

做完之后，它是一条能发的视频了：有画面，有声音，有字幕，时长也对得上。

但它补上的是声音，不是画面。那 9 个镜头还是原来那 9 个，碗还是没有，草稿箱还是没有。

我一开始以为，是提示词写得不够详细，或者是这个工具不行，要不要换个更好的？

后来我把 9 条提示词调出来逐条看了一遍，才发现问题不在详细程度。

那 9 条提示词里，几乎没有一个能被画出来的名词。写的大多是“疲惫”“专注”“笃定”这一类的词。

AI 对这两类词的反应完全不是一个量级。你写“疲惫”，它给你一个标准的、教科书式的深夜工作者，这类画面它见过太多次了，给的永远是那个平均值。你写“空碗”“对折的文件”“桌上摊着半杯水”，它就必须真的把这些东西画出来，没法含糊。

我把这个规律总结成一句话：

弱约束的意思是，你写十个情绪词，它可能只给你同一张图；强约束的意思是，你写一个碗，画面里就得有一个碗。

这也顺带解释了一件事：为什么我那 9 个镜头可以互换。情绪词本身不携带情节，它只携带氛围。九个氛围拼在一起，就是九个差不多的画面。

不过这条规律有个例外，我踩得挺惨：

我在提示词里写过“屏幕是一片纯粹的深黑色玻璃，表面没有任何窗口、菜单栏、图标、工具栏”，末尾还照例压着“不出现任何可读文字……软件界面、弹窗、对话框”的刹车句，生成出来的屏幕上照样有窗口、有标签栏、有乱码文字。首批 9 张里，5 张的屏幕被自动补上了界面。

把名词写进正向句（“纯黑玻璃上的发光轮廓”）有用，但更稳的是改构图：能背对镜头就背对，能只露边框就只露边框。

想明白这一点之后，我把提示词重写了一遍，把“什么感觉”全部换成“什么东西”。

但我没拿它去重做那几张。我走了另一条路：放弃用 AI 生成画面，改成文字卡片加一个手绘的解说人物，每一句话直接变成一张卡片，卡片上写的就是那句话本身。

这办法不高明，甚至有点笨。但它从结构上把“画面对不上”这件事消灭了：卡片上写的就是文案，不可能对不上。

这一遍还顺手解决了另一个问题。配音那一版里有个镜头，画面只有 5 秒，但那一句口播正常念完需要 9 秒多。当时是把配音加速到 1.8 倍塞进去的，听起来像机器人在赶时间。重新做的时候，我改成先定声音、再让画面跟着声音长，那句话的画面变成了将近 7 秒，全程语速均匀，一次变速都不用做。

讲到这里，它听起来像个“换了工具就好了”的故事。但我得说清楚，不是。

卡片版不是更会画画，它只是把“画面对不对得上”这个变量直接删掉了。

这是回避，不是解决。哪天我又想用 AI 生成真实画面，碗的问题还在那儿摆着；那份重写过的提示词，得真的拿去跑一遍，才知道管不管用。

而且我得承认，这个结论的样本很小。一条视频，九个镜头，就一次。把它说成“AI 生图的通用规律”，是我往自己脸上贴金。说得更准一点，它对我这个用法成立：我要的是具体的、能指认的画面，不是氛围。如果你做的是纯情绪的氛围片，情绪词可能就是够用的。

还有一点我不打算装糊涂：那 9 个镜头的画面确实好看。如果我一开始的目标就是“好看”，那第一遍其实没失败。

失败的是我把“好看”当成了目标。

写完提示词之后，数一数里面有几个能被画出来的东西。

不是形容词，不是感觉，是名词。空碗、纸团、对折的文件、桌上摊着半杯水，凡是你能用手指着说“就是这个”的东西。如果一段提示词里一个都没有，那你得到的画面大概率是漂亮但可替换的，放在哪句话下面都成立。

还有一个更省事的判断法：别急着换工具，先换问题。

第一遍做完之后，我脑子里冒出来的第一个念头是“是不是这个工具不行”。这个念头特别自然，因为承认工具不行，比承认自己问错了容易多了。但工具换了一轮又一轮，只要我写的还是“这句话什么感觉”，出来的还是那九个镜头。

我是钱塘风华，帮普通人搞定 AI 的技术朋友。

如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。