从零到一的全流程指南  

一、前言

AI视频创作正在经历从“玩具”到“工具”的关键转折。2026年上半年，图片与视频生成模型密集迭代，Nano Banana Pro、Seedance 2.0、Veo 3.1等模型在画质、一致性和生成效率上均有显著突破。与此同时，剪映Hub、OpenCreator等一站式工作台的出现，让“一个人做出一部短片”从设想变为日常操作。

然而，工具越丰富，学习路径反而越容易迷失。本指南按照“图片→视频→脚本→一致性→全流程”的逻辑链条，系统梳理AI视频教育的核心知识模块，帮助读者建立可复用的创作能力。

核心认知：AI视频创作的本质不是“让AI替你拍片”，而是用AI把导演的构思快速视觉化。提示词编写能力、分镜规划能力和一致性控制能力，是决定作品质量的三项核心技能。

二、AI图片生成

2.1 工具选择

当前主流的AI图片生成工具可分为三类：

Qwen-Image-2.1是一个值得关注的选项：它将文生图、图片编辑、透明图生成和2K输出整合在同一套权重中，RTX 3090即可运行，支持一次参考最多10张图片。对于预算有限但需要高质量输出的创作者，这是一个实用选择。

2.2 提示词编写方法

图片生成提示词的核心结构可以概括为：

主体 → 细节 → 环境/背景 → 风格 → 画质/光影 → 构图/镜头

具体技巧：

第一，先写“不要”，再写“要”。 AI有一套“默认精修包”，如果不明确禁止，它会自动添加柔光、完美肤质、过度锐化等效果。在提示词开头加入否定约束（如“不要棚拍感”“不要过度磨皮”），能有效抑制AI的“自作主张”。

第二，用具体画面动作替代抽象形容词。 与其写“一个悲伤的女孩”，不如写“女孩低头看着手机屏幕，嘴角微微下垂，手指停在发送键上方没有按下”。具体的动作描述能引导模型生成更精准的画面。

第三，锁定场景边界。 明确写出“画面中只有两个人”“背景中没有其他人”，防止AI在空白区域填充不必要的内容。

2.3 从单图到角色设定图

在视频制作中，单张图片远远不够。需要制作角色设定图——一张包含角色正面、四分之三侧面、侧面和背面多角度视图的网格图像，配合中性表情和标准姿势。这张设定图是后续所有镜头生成的“身份锚点”，是保持角色一致性的基础素材。

三、AI视频生成

3.1 主流模型对比

2026年视频生成模型的能力分化日益明显，选择模型时应根据具体场景匹配：

Kling 3.0在角色一致性和多镜头支持上表现最为突出，适合需要同一角色出现在多个场景的项目；Sora 2在因果逻辑和叙事连贯性上领先，适合故事型内容；Veo 3.1的运镜控制能力最强，适合产品演示和电影感画面。

3.2 提示词的核心公式

视频生成提示词与图片提示词的本质区别在于时间维度。Seedance 2.0的提示词指南提出了一个实用的进阶公式：

精准主体 + 动作细节 + 场景环境 + 光影色调 + 镜头运镜 + 视觉风格 + 画质 + 约束条件

这个公式的逻辑是：先告诉模型“谁在做什么”，再交代“在哪、什么氛围”，然后明确“怎么拍”，最后用风格和约束把结果收紧。以Seedance 2.0为例，模型内部会将提示词拆分为“空间层”（画面里有什么）和“时间层”（事情如何随时间变化），因此提示词中的动作描述需要明确时间顺序和动作节点。

3.3 三种生成路径

文生视频：直接从文本描述生成视频，适合快速概念验证和创意探索。可控性最低，但速度最快。

图生视频：以一张图片作为首帧或风格参考，生成动态画面。这是目前最实用的路径——先用图片生成工具确定画面质量，再让视频模型“让画面动起来”。控制力主要取决于参考图本身的角度、光线和清晰度是否与目标镜头匹配。

视频生视频：以参考视频迁移运镜风格、节奏和动作，适合需要复刻特定镜头语言的项目。注意它迁移的是运动倾向和风格，不绑定角色身份。

四、AI生成脚本

4.1 脚本生成的基本流程

AI短剧团队的实际工作流揭示了一条清晰的路径：将想法和大致框架发给AI生成剧本大纲 → 大纲确认后进行AI扩写得到完整剧本 → 用AI拆解剧本，提取角色、场景、物品等提示词 → 生成关键道具图。

4.2 提示词模板

面向短视频脚本生成，一个经过验证的提示词结构是：

“类型词 + 角色/时长/结构三要素指令” ，生成后再进行“删虚词、分动作、加镜头标记”的优化。

对于短剧类内容，可以采用更结构化的方式：

“我有一个短剧创意：[创意描述]。请帮我扩展成一个20集、每集5分钟的短剧大纲。要求：每集结尾留悬念；主角有明确的目标和阻碍；配角有自己的故事线。”

4.3 工具生态

剪映Hub提供了一站式的脚本到成片能力：用户可以在无限画布上从一句话出发，生成分镜脚本，然后直接调用即梦、小云雀等平台生成素材，再进入多轨道编辑器完成剪辑。爱奇艺的“纳逗Pro”则面向专业影视场景，支持从剧本生成、分镜设计到成片输出的完整链条，已接入即梦、可灵、Vidu、海螺等主流模型。

对于需要更高控制力的创作者，开源工具如Slate提供了从剧本、分镜到素材生成的本地化工作台，基于storyboard.json驱动整个流程。

五、保持视频一致性

一致性是AI视频制作中最具挑战性的问题。需要先区分两种场景：单条片内的风格统一（难度较低，参考图或参考视频即可解决）和跨集/跨镜头的角色与调性一致（需要系统性方法）。

5.1 三种保持机制

机制一：参考图（首帧/风格图）

门槛最低、最常用的方式。给一张图作为首帧或风格参考，让模型照着色调和构图走。Runway的首帧条件、可灵的图生视频与角色参考、即梦的主体迁移都支持此类输入。短板是：画面动起来后可能漂移，单张图难以支撑跨角度、跨景别的角色一致性。

机制二：参考视频（迁移镜头风格与节奏）

给一段样片做视频到视频或运动迁移，模型会模仿其运镜方式和整体调性。适合延续系列的镜头感。注意：它迁移的是运动和风格倾向，不绑定角色身份，参考和目标差距大时容易“串味”。

机制三：风格模型/LoRA（训练专属权重）

用一组风格图或角色图训练LoRA，将画风和角色“焊”进模型权重中。跨集一致性最强，但需要显卡资源和调试能力，且写实视频角色的LoRA成熟度目前仍不如图像领域。

5.2 实操技巧

锚点主图法：首先生成一张定义角色或产品标准外观的主图，作为后续每次生成的@image引用。锚点图是唯一的真实来源，面部几何、色彩方案、服装和比例都从中派生。在每条提示词中重新引用锚点图，可以有效防止跨镜头的身份漂移。

提示词锚定法：在所有镜头的提示词中保持相同的风格描述，例如“电影级，35mm胶片拍摄，蓝绿和橙色调色”。同时保持光照描述一致，这是跨镜头视觉连续性的关键。

参考强度控制：将参考强度设在70%–80%可获得自然且仍允许适当场景变化的效果。如果连续生成多次后出现漂移，使用原始参考图而非已生成帧来重新锚定效果更佳。

减少变量：如果角色的面部或服装在镜头之间发生偏移，减少每次生成中变更的变量数量。保持镜头角度、光线和姿势尽量接近锚点图，添加约束关键词如“same character as reference, consistent clothing, stable face features”。

六、视频生成全流程

将以上模块整合，一条完整的AI视频制作流程可归纳为六个步骤：

步骤一：剧本与分镜

将创意框架输入AI（如ChatGPT、DeepSeek），生成剧本大纲并扩写为完整剧本。随后进行剧本拆解，提取角色、场景、道具清单，生成每个镜头的分镜描述和提示词。剪映Hub等工具可在此环节实现“一句话到分镜脚本”的快速转化。

步骤二：建立资产库

为每个角色生成角色设定图（多角度网格图），为每个场景生成空镜参考图，为关键道具生成标准图。这一步决定了后续所有镜头的视觉基础。角色设定图越完整（多角度、中性表情、标准姿势），后续一致性越有保障。

步骤三：分镜图生成

使用AI图片生成工具，基于角色设定图和分镜描述，逐镜生成分镜图。可以采用“九宫格法”：一次生成3×3的分镜网格，包含每个场景的第一帧，再逐个提取和放大到高清。

步骤四：图生视频

将分镜图上传到视频生成工具（如Kling、Seedance、可灵），在提示词中写清该镜头的人物动作、情绪、台词和运镜方式。每个镜头生成后立即与参考图对比，检查一致性偏差。

步骤五：音频与配音

使用AI配音工具生成角色对白，使用AI音乐生成工具（如Suno）制作背景音乐。注意配音音色需要与角色设定匹配，并在多集之间保持一致。

步骤六：剪辑与输出

将所有镜头片段导入剪辑工具（剪映专业版等），按分镜顺序排列，加入转场、字幕、音效和调色。剪映的AI创作助手“小映”可以辅助完成素材整理、口播删减和字幕纠错等重复性工作。最终导出成品，检查全片的一致性表现。

效率参考：据AI短剧团队的实际经验，真人短剧制作通常需要数月，而AI短剧一般只需4–5天，一名剪辑师与一名素材师合作即可完成。

学习路径建议：初学者可以先从“图片生成→图生视频”的单镜头制作入手，掌握提示词编写和一致性控制的基本感觉；然后扩展到3–5个镜头的短片，练习分镜规划和跨镜头一致性；最后再挑战系列化内容，引入LoRA训练或流程模板化方法。每一步的复杂度增加都是可控的，关键是先跑通最小可行流程，再逐步叠加能力。