AI 生成视频：常用方法与核心技巧手册

本手册讲的是怎么用，不重复讲用哪个。工具选型见配套报告。

一、先建立一个正确的心智模型

绝大多数人第一次用 AI 生成视频，会把它当成「许愿池」——写一句话，期待出来一条成片。这是失败率最高的用法。

正确的理解是：AI 视频生成不是"写文案"，而是"当导演"。 模型是一个执行力很强但没有判断力的摄影师，你给的信息越接近分镜脚本，它交回来的东西越接近你要的。

三条必须建立的心智模型：

① 单次生成 = 一个镜头，不是一条片子。除了通义万相（原生 30 秒）、Pika（最长 30 秒多镜头）这类特例，主流产品单次生成多为 5–10 秒。做长视频的正解是分段生成 + 剪辑拼接，而不是找一个"能一次生成 3 分钟"的工具。

② 可控性来自「输入端的约束」，不是「提示词的形容词」。想让角色不换脸，靠的是参考图，不是写"同一个女孩，短发，穿红裙子"；想让镜头按你想法运动，靠的是首尾帧或运动控制，不是写"镜头缓缓推进"。

③ 成本由「迭代次数」主导，不由「单价」主导。一条满意成片平均要迭代 3 次。先出低价草稿、满意后再用高清重跑同一条，是整套流程里最省钱的一条规则。

二、九种常用生成方法

2.1 方法全景

2.2 四种最常用的组合打法

打法 A｜探索期：T2V 快速试方向用最低成本档（480p / Draft）连出 10–20 条 5 秒片段，只为确认"这个画面感觉对不对"。不要在这一步追求画质。

打法 B｜落地期：I2V 或 R2V 锁定主体方向确认后，先做一张满意的静帧（用即梦/万相的图像能力，或 Midjourney 之类），再图生视频。一张好图能省掉一半的提示词。

打法 C｜叙事期：F2F 串镜头每个镜头的尾帧，就是下一个镜头的首帧。这样两段拼起来不会有跳变。

打法 D｜量产期：R2V + 主体库 + 批量把角色做成参考资产，之后所有镜头都挂同一组参考图，用批量/Agent 功能出片。这是做系列内容（漫剧、连载、品牌 Campaign）的标准姿势。

三、八条核心技巧

技巧 1｜提示词按「七要素」写，不要写散文

这是投入产出比最高的一条。把提示词当成一个结构化表单来填：

对比示例：

• 差的写法：「一个女孩在咖啡馆喝咖啡，很文艺」
• 好的写法：「一名穿米色针织衫的年轻女性坐在靠窗位置，双手捧着白瓷杯缓缓举起轻啜一口，眼神望向窗外；窗外是雨中的梧桐街道。中近景，平视机位，50mm 焦段，轻微推镜，浅景深虚化背景。午后斜阳透过百叶窗在侧脸投下条纹光影。是枝裕和式日常感，暖调胶片质感，柯达 Portra 400，细腻颗粒。」

要点：七要素不必每次都写全，但**「动作 + 镜头」两项不能省**——这两项决定了画面"有没有在动"和"观众站在哪看"。

技巧 2｜镜头语言要显式写出来

模型对镜头术语的理解远好于对文学描述的理解。直接抄这个词汇表：

一句话记法：写清楚「谁在看、从哪看、怎么动」。

技巧 3｜一致性靠「锚定 + 复用」，不靠运气

角色换脸是 AI 视频最大的痛点，靠形容词是解决不了的。三个手段按优先级：

1. 参考图锚定
   （最有效）：用产品的多主体参考能力挂 1–12 张参考图。Vidu 的多主体参考、海螺的 Omni Reference（最多 12 张）、可灵/即梦的主体保持都属于这一类。
2. 主体库复用
   ：把角色存成资产（Vidu 有主体库，旗舰版 300 个/月），跨镜头、跨项目复用同一组参考。这是从"技巧"升级为"流程"的关键一步。
3. 风格锚定词：
   同一个项目里反复用同一组风格词（如「水墨风、留白构图、宣纸质感」），配合开源模型的自定义 LoRA 效果更稳。

补充手段：首尾帧也能锁一致性——把同一角色的两个姿势分别作为首帧和尾帧。

技巧 4｜长视频 = 分段生成 + 拼接，别指望一次到位

标准流水线：

写分镜 → 逐段生成（5–10s）→ 首尾帧衔接 → 剪辑拼接 → 统一调色 → 配音/配乐

关键细节：相邻两段的「上一段尾帧」和「下一段首帧」要能接上，否则拼接处会有明显跳变。做法是先把 A 段的尾帧导出，直接作为 B 段的首帧输入。

另一个技巧是多生成几条再挑：同一个镜头出 3–4 条，选动势和构图最好的那条，比反复调提示词更高效。

技巧 5｜先便宜后贵：两段式迭代（最省钱的一条）

用低分辨率草稿档反复试提示词，满意之后再用同一条提示词跑高清。

成本差距非常悬殊。以 Luma Ray3.2 官方价目为例（5 秒视频）：

用 Draft 试 20 次的成本，只等于用 1080p 试 1 次。 同理，海螺的 Hailuo 2.3-Fast、可灵的低清档、Runway 的 Gen-4 Turbo 都是为这一步设计的。

有创作者的做法是「分阶段渲染」：先用低成本规格做草稿，只对最终选中的结果放大，总价其实一样，但钱都花在满意的结果上。

技巧 6｜避开模型的「能力盲区」

这些是当前所有模型都容易翻车的地方，绕开比硬刚划算：

技巧 7｜音频走哪条路，按「要不要精确」来选

判断标准：要「说话内容精确」→ 后期；要「氛围音效」→ 原生。

口播、产品讲解、多语言本地化 → 后期路线。 氛围短片、空镜、情绪镜头 → 原生音频。

技巧 8｜成本 = 分辨率 × 时长 × 迭代次数，而迭代次数是最大变量

三个变量里，前两个是明码标价的，第三个最容易被忽略：

• 时长
  ：10 秒 = 5 秒的 2 倍
• 分辨率
  ：480p → 1080p ≈ 3.3 倍
• 迭代次数
  ：平均 3 倍（有人实测需要 5–6 条才能出一条满意的）

推论：

• 缩短单段时长比降低分辨率更划算
  （2 倍 vs 3.3 倍）。
• 订阅积分普遍按月清零
  （可灵、海螺、Vidu 都是），买超出自己月消耗的档位等于白扔。只有单独购买的积分能跨月（可灵 2 年、Vidu 2 年、Pika 可结转）。
• 先跑 10–15 次真实生成，记录自己每条成品的实际迭代次数，再倒推该买哪一档。

四、六个可直接复制的示例

示例 1｜电商产品广告（图生视频）

做法：先做一张产品静帧 → 图生视频 → 三段拼接

【第一段 · 产品亮相】一只哑光黑色的无线耳机充电盒静置在深灰色石材台面上，盒盖缓缓打开，露出内部耳机的金属触点。镜头：中近景，平视，100mm 微距焦段，缓慢推镜，浅景深。光线：左上方单侧柔光箱，右侧留出阴影，台面有细腻反光。风格：高端 3C 产品广告，冷调，极简。技术：8K 商业摄影质感，金属与磨砂材质的真实反射。【第二段 · 使用场景】一名年轻男性在通勤地铁上取出耳机戴入耳中，闭眼轻靠车窗。镜头：中景，过肩视角，35mm，轻微手持晃动。光线：车厢顶部冷白荧光灯，窗外掠过的隧道灯光。风格：都市纪实，低饱和，轻微颗粒。【第三段 · 卖点特写】耳机特写，机身表面缓慢浮现金色的降噪波纹动画。镜头：特写，环绕运镜 90 度。风格：科技感，深色背景，金色高光。

要点：三段用同一个色调基底（冷调 + 金属），拼接后才像一支完整的广告片。

示例 2｜电影感叙事镜头（文生视频）

一位面容消瘦的中年男人坐在狭窄的审讯室里，身体略微前倾，双肩自然下垂但略显紧绷，头部微向右转，目光锐利地凝视画面左侧画外。镜头：中近景（Medium Close-up），完全平视（Eye-level），85mm 长焦带来的空间压缩感，背景被彻底虚化成柔和光斑，焦点锐利锁定双眼。光线：右侧自然窗光作单侧主光，在面部阴影侧形成经典的伦勃朗三角高光，左脸处于阴影中，眼球有清晰的眼神光。环境：50 年代风格的听证会办公室，百叶窗形成垂直线条，背景左后方远处坐着一位模糊的深色着装女性。风格：低饱和柯达 Vision3 胶片色调，整体偏冷，肤色苍白真实，环境色为沉闷的办公绿与暗木棕，黑色西装与白衬衫形成高对比。氛围：令人窒息的压抑感、存在主义的危机感、严肃的心理惊悚。技术：IMAX 70mm 胶片质感，可见皮肤毛孔与面部汗毛细节，羊毛西装的粗粝纤维纹理，轻微自然胶片颗粒。

要点：这条提示词几乎把「七要素」写满了。注意光线部分写得极具体——布光是电影感最大的来源，而模型对布光术语的理解非常好。

示例 3｜动漫角色一致性（多主体参考）

做法：不用长提示词，改为挂参考图 + 短提示词

【参考图】3 张：角色正面 / 侧面 / 全身（同一角色，同一画风）【提示词】[角色A] 站在雨夜的霓虹街道上，缓缓回头看向镜头，雨水顺着发梢滴落，表情从平静转为惊讶。[角色B] 撑伞站在她身后三米处，伞面微微倾斜。镜头：中景，平视，环绕运镜 30 度。风格：日式动画电影质感，赛璐璐上色，霓虹光在湿地面上的反射。画幅：16:9

要点：参考图 > 文字描述。当你有参考图时，提示词里就不要再详细描述长相了——那反而会干扰参考图的锚定效果。提示词只写动作、镜头、环境、风格。

示例 4｜口播 / 数字人（音频驱动）

做法：先录好/生成音频 → 用音频驱动人像

【输入】一段 15 秒的中文配音音频（44.1kHz）+ 一张正面人像图【参数】- 唇形同步强度：高- 头部微动幅度：中（避免机械感）- 视线：自然漂移，偶尔直视镜头- 背景：静态虚化的办公室【提示词（部分产品需要）】人物自然说话，表情放松，偶尔有轻微点头与眨眼，肩部随呼吸有细微起伏，镜头固定不动。

要点：拆短句。超过 20 秒的连续口播，后半段口型容易漂。做法是把音频切成 10–15 秒的段落，分别驱动后拼接，剪辑点上用转场或画面切换遮盖。

示例 5｜国风场景（用中文提示词）

做法：用中文写具体意象，不要翻译成英文

青瓦白墙的江南小巷，细雨中一把油纸伞缓缓撑开，行人踩着湿漉漉的石板路向巷子深处走远，屋檐水珠成串滴落。镜头：全景转中景，平视，24mm 广角，缓慢跟拍。光线：阴天漫射光，低对比，空气中有可见的雨丝与水汽。风格：水墨留白构图，宣纸质感，低饱和青灰色调。氛围：静谧、悠远、略带惆怅。

要点：通义万相、即梦、可灵这类国产模型对中文语境的本土文化符号（青瓦白墙、油纸伞、宣纸、水墨留白）识别明显更准。在国产模型上写中文，比写翻译腔英文效果好。

示例 6｜长视频分段拼接（首尾帧衔接）

【第 1 段】首帧 = 主角站在门口（静帧 A）          提示词：推门而入，镜头缓慢向前推进          → 导出尾帧，存为「静帧 B」【第 2 段】首帧 = 静帧 B（上一段的尾帧）          提示词：继续向前走，环顾四周，镜头轻微左摇          → 导出尾帧，存为「静帧 C」【第 3 段】首帧 = 静帧 C          提示词：停下脚步，抬头望向天花板，镜头缓慢上摇          → 导出尾帧

要点：这样生成的片段，段与段的衔接处几乎是无缝的。这是把 5 秒片段串成 30 秒叙事的标准做法。

五、常见失败排查表

六、一句话速查卡

• 提示词：
  主体 + 动作 + 环境 + 镜头 + 光线 + 风格 + 技术（动作和镜头不能省）
• 镜头：
  谁在看、从哪看、怎么动
• 一致性：
  参考图 > 主体库 > 风格锚定词；文字描述最弱
• 长视频：
  分段生成 + 尾帧接首帧 + 剪辑拼接
• 省钱：
  Draft 试错 → 高清定稿（差价可达 20 倍）
• 避坑：
  快速大动作、手部特写、画面内文字、多人交叉、长段对白
• 音频：
  内容要精确走后期，氛围音效走原生
• 成本：
  分辨率 × 时长 × 迭代次数，迭代次数最容易失控