夜雨聆风菌子会从0到1，一步步教你怎么制作出一个简单视频，怎么优化提示词、图片，然后再提高视频质量，以及如何让视频模型更听话。
可以说，这套学完，你完全可以用其他人分享的提示词来制作，原理都是一样的。
下面全程高能，注意记笔记，废话不多说，直接上干货：
第一步：构思一个故事
一切的开始，是需要你有一个剧本。例如，你想创作一个这样的故事：
少年在赛朋博克世界里遇到了一个少女，一见钟情。
好了，这就是你的原始剧本，这一步就结束了，就这么简单。
第二步：设定基础信息
基础信息一般包含画面比例、时长、分镜数量、视觉质感以及拍摄基调。你可以自由决定你还需要什么信息，比如动画运动的风格。
例如：
你希望其画面比例是16：9，时长15s，15s的分镜你希望有4-7个，视觉质感类似双城之战、蜘蛛侠：纵横宇宙那种三渲二的画风。拍摄基调是文艺、忧郁、冷色调、意识流。
将这些设定好后，有利于后续长视频的视频质感统一。
第三步：拆分剧本
简单来说，你需要将你的故事变成一个有画面感的导演脚本。
例如，你直接将你之前的要求丢给豆包，末尾加上下面这段话：
以纯文本模式输出，分镜的镜头内容以摄像机为叙述主体，先说镜头在哪、怎么动、运镜细节，再说分镜内的前景、中景、远景具体可见哪些元素，然后明确景深范围、画面虚化层级与虚化程度，最后说明画面内主体的动作、行动、运动，且主体的行动要描述的有头有尾。以8-15s为一组。
豆包给出了一个提示词，你先文档保存下来：
整体基调：冷青、灰蓝主色调，光影偏暗，氛围忧郁朦胧，意识流碎片化叙事镜 1（00:00-00:02 | 2s）运镜：机位低空平视，固定镜头，镜头无位移、无变焦画面层次：远景为连绵悬空霓虹楼宇、全息广告流光、阴雨薄雾；中景是潮湿金属街道、锈蚀护栏；前景是半透明雨丝、街边废弃机械零件景深：浅景深，前景雨丝重度虚化，中景街道中度虚化，远景楼宇轻度虚化主体动作：少年独自缓步走入画面，双手插在工装口袋，脚步放缓，目光漫无目的扫向街道两侧，全程垂着眉眼，神态落寞。镜 2（00:02-00:04 | 2s）运镜：机位平移右移，慢速横摇，镜头跟随少年行进方向滑动画面层次：远景为巨型电子屏闪烁冷光；中景是狭长街巷、发光管线缠绕墙体；前景是斑驳反光的积水路面景深：中浅景深，前景积水轻微虚化，中景街巷清晰，远景电子屏轻度虚化主体动作：少年抬脚踩过路面积水，水花短暂溅起，他下意识低头看向水洼，行进动作短暂停顿。镜 3（00:04-00:07 | 3s）运镜：机位抬升小幅仰拍，定点定格，镜头静止，微收焦距画面层次：远景为高耸赛博建筑群、暗沉夜空；中景是巷口路灯、冷色光晕；前景是错落金属立柱景深：极浅景深，前景立柱重度虚化，仅巷口中心区域实焦，远景完全虚化主体动作：少年抬头前行，视线无意间穿透立柱间隙，目光骤然定格，身体停下脚步，上半身微微前倾。镜 4（00:07-00:10 | 3s）运镜：机位切至正面侧拍，缓慢推镜，匀速向巷口中心推进画面层次：远景为朦胧楼宇剪影；中景是少女静立在路灯下，发丝被夜风微动；前景是浮动细碎霓虹光点景深：浅景深，前景光点中度虚化，少女主体完全实焦，远景剪影重度虚化主体动作：少女背对街巷侧立，单手轻扶墙面，微微偏头望向街边，身姿安静松弛，未察觉前方视线。镜 5（00:10-00:13 | 3s）运镜：机位切换双人中景，环形慢绕，小范围弧形运镜，节奏舒缓画面层次：远景为连片霓虹灯带、雾气；中景是少年与少女隔一段距离相对而立；前景是飘落的细雨景深：中景深，前景细雨轻微虚化，两人主体清晰，背景雾气中度虚化主体动作：少年缓缓抬手，插兜的手自然落下，眉眼舒展，眼底泛起悸动，视线牢牢锁在少女身上；少女似有所感，慢慢转过身子，目光迎向少年。镜 6（00:13-00:15 | 2s）运镜：机位拉远至全景，缓缓后拉，镜头向后淡出画面画面层次：远景为整片赛博都市冷色轮廓；中景是街巷、路灯与两道身影；前景为漫天雨雾景深：大景深逐步转深，整体画面由清晰慢慢整体柔化、轻度虚化主体动作：两人静静对视，无人迈步靠近，周遭光影缓缓流动，画面在朦胧氛围中收尾，动作定格在相望瞬间。
第四步：生成图片
先让豆包给你生成人物、场景和道具提示词：
提取出剧本中的所有人物角色、用得上的场景和多个画面会出现的重要道具，将其提取为基准图片提示词。以下的所有流程你都必须在思考过程中完全按步骤分析完毕后，再输出纯文本提示词。具体标准：<人物>从以上剧本中提取角色信息，生成一个或多个用于创建角色标准视图的、符合市场定位且风格化的提示词，提取出全部关键人物以及全部衣物差分。注意，人物身上禁止出现任何道具。核心原则：1.定位优先：设计前先思考角色的市场定位、功能及目标受众审美。2.感觉导向：描述侧重于角色的整体气质、感觉和氛围，同时追求物理细节的精确。3.主体优先：严格剥离手持道具和小型配饰，只关注角色本身的核心特征。总的来说，你需要遵循以下原则：自洽原则（禁止跨引用）：每一条 prompt 必须完全自洽，禁止出现任何依赖其他条目才能理解的描述，例如"和XX款式相同""参考XX的服装"。所有细节必须在当前 prompt 内用具体文字完整展开。如某角色的服装与另一角色高度相似，必须将该服装的所有细节在当前 prompt 中重新、完整地描写一遍，不得以引用代替描写。全量体征原则：人物 prompt 必须覆盖以下所有维度，不得省略任何一项——性别、年龄、身高与体型、时代背景和区域人种、核心定位 、脸型、五官细节（眉形、眼型、瞳色、鼻型、唇型）、发型与发色 、肤色 、妆容 、服装（面料、款式、配色、纹样、层次）、气质关键词。每一项都必须用具体描述填充，每个角色都需要有差异化的详细五官描写，禁止用"普通""常见""正常"等模糊词敷衍。禁止项：禁止人物表情夸张，禁止人物眼神不看向镜头，禁止人物此时处于流泪、眼眶泛红、闭着眼睛等非常规状态。角色的眼神必须直视镜头。最后，你必须在所有资产前面都加上“画面严格对半分，左半部分是肩部以上的头部大头照，右半部分是从头到脚的全身正面主视图，纯白色背景”的前缀。</人物><场景>根据剧本中的描述，提取已有场景在该特定时刻的所有关键元素，生成一个或多个场景提示词。此图旨在清晰展示该特定分镜下，场景内所有物体的空间关系和布局状态。核心原则：1.完整性驱动：在构思场景信息的时候，场景中的元素、状态、光影等信息需要从整个已知剧本中推断。你需要从整个剧本中找到同一个场景中所含有的信息，并推出这个场景应该含有什么元素。2.视角：室内默认采用“正上方45度俯视”的镜头，拒绝任何侧视或斜视，以获得清晰布局视图。室外等则根据分镜和剧情那边的要求随意生成角度即可。3.元素完整性与合理构思：必须包含剧本中提到的所有元素。同时，基于剧情逻辑，主动构思并添加未明确提及但合理存在的背景道具，丰富场景细节，使其符合剧情氛围。4.禁止差分：当多个分镜发生在同一宏观场景（如“大牢”）但状态不同时，只需要生成一张此场景的基图，也就是去除各种状态的最本真的内容。注意需要提取出剧本中出现的全部场景。同时需要注意，里面不得包含任何人物。</场景><道具>格式和人物场景相同，对每个道具描述其特征，并强制在最前面加上白色背景前缀。</道具><输出格式>人物：`{{名称}}{{提示词}}``{{名称}}{{提示词}}`...场景：...</输出格式>
豆包会生成图片的提示词：
你只取人物和场景去生成图片就可以了。对于道具，只有需要长视频保持一致性的时候再去生成，其他大部分时候都不需要专门生成。
示例用的是gpt image 2（豆包也可），生成完毕后，你就会得到了这三张图片：
第五步：生成视频
视频提示词包含说明、画质、风格与约束词。说明就是需要@图片，让AI知道哪一张图是谁。
画质和风格前面豆包给你生好了，约束词就是让AI知道自己不要去做什么，如不要生成BGM，不要生成字幕等。
所以，你取分镜提示词后，还需要在前面加上：
少年参考图1，少女参考图2，当前场景参考图3。
其他要求：无bgm，无字幕。
这时候你就会得到一个简单的视频：
第六步：视频优化
1.换参考图
假如你对视频效果不满意，一般来说肯定第一反应都是说要换视频提示词，但参考图同样重要。
参考图是另一种形式的视频提示词，需要得到重视。原本的场景图使用gpt image2生成，噪点很多，这也影响了视频的生成。
同时，男主和女主的形象你也不太满意，感觉过于油腻，运动起来怪怪的，那么，换一种画风。
此处生图模型是z-image-turbo，这种赛璐璐画风其实很好出效果，就是那种很有动画感的效果。
2.优化提示词
你直接让AI重新生成一版提示词，不同的是，这次你携带素材提示词过去，并加上更多的要求。
在提出更多的要求之前，你需要知道你对上一个视频为什么不满意：
画面太平，镜头太慢吞吞的，没有力气，没有那种忧郁的、boy meets girl的朦胧的忧郁和闪切感，镜头要动起来，人物也动起来。或许可能让镜头变得更多一些，比如15s的镜头数量增加到7-9个。
好，就这样大白话就足够了，AI能理解你说的。然后换一个模型，将这个新任务交给deepseek。
以下是发送给deepseek（快速模式 深度思考）的要求：
我想做的故事是：少年在赛博朋克世界里遇到了一个少女，一见钟情。我们已经有的素材是：少年：男性，年龄17岁左右，身形偏清瘦，中等身高，东亚人种，都市街头普通少年形象。脸型线条柔和，略带清瘦棱角，鹅蛋脸轮廓。眉形偏细长，眉峰平缓，眼型是狭长杏眼，瞳色为深灰蓝色，眼尾微微下垂，鼻型小巧挺直，唇形偏薄，唇线清晰。短发造型，发色为深炭黑色，发丝利落蓬松，肤色是冷调白皙，无妆容。身着工装套装，外层为哑光深灰蓝色硬质工装外套，面料耐磨厚实，版型宽松直筒，无多余纹样；内搭浅灰色修身棉质圆领打底衫；下装是同色系深灰蓝色工装长裤，裤型宽松，裤脚微收。整体气质落寞沉静，眉眼间带着忧郁感，眼神直视镜头，表情平和内敛。少女：女性，年龄16岁左右，身形纤细窈窕，身姿轻盈，中等身高，东亚人种，赛博都市清冷少女形象。脸型是精致瓜子脸，轮廓柔和温婉。眉形纤细弯长，眼型是圆润桃花眼，瞳色为浅冰蓝色，眼瞳清澈，鼻型小巧秀气，鼻梁偏低，唇形饱满圆润，唇线柔和。中长发自然垂落，发色为浅银灰色，发丝柔顺有层次，肤色是冷调瓷白，裸妆质感，仅唇部淡淡显色。身着简约修身休闲服饰，上衣为雾蓝色垂坠感针织长袖衫，面料柔软亲肤，版型贴合身形，无印花纹样；下装是浅灰色直筒半身裙，面料挺括，长度及膝，鞋子是黑色小皮靴。整体气质安静疏离，温婉又带着朦胧忧郁，眼神直视镜头，表情恬淡平静。场景：室外场景，常规平视视角。整体空间为狭长都市街巷，地面是潮湿金属路面，遍布积水，路面带有反光效果；墙体斑驳，缠绕着发光冷色管线，墙面有锈蚀痕迹；街边立有金属立柱、锈蚀护栏，散落废弃机械零件；街巷深处矗立连绵的悬空霓虹楼宇，楼宇表面布满全息广告、闪烁霓虹灯带，巨型电子屏散发冷光；街巷中央设置复古路灯，灯光晕染出冷色光圈；空中弥漫阴雨薄雾、细密雨丝，暗沉夜空作为远景，整体光影偏昏暗，空间层次分明，远景建筑群朦胧虚化，街巷结构纵深明显，无人物出现。我想做一个15s的脚本，我希望其画面比例是16：9，时间只做15s，15s的镜头数量我希望有7-9个，希望的视觉质感是：二次元赛璐璐平涂风格。拍摄基调则是文艺、忧郁、冷色调、意识流。请注意，一定不能画面太平，镜头太慢吞吞的，没有力气，一定要有那种忧郁的、boy meets girl的朦胧的忧郁和闪切感。以纯文本模式输出，分镜的镜头内容以摄像机为叙述主体，先说镜头在哪、怎么动、运镜细节，再说分镜内的前景、中景、远景具体可见哪些元素，然后明确景深范围、画面虚化层级与虚化程度，最后说明画面内主体的动作、行动、运动，且主体的行动要描述的有头有尾。
ds给了一套提示词，看着还不错，让我们跑跑看。
镜头1（1.5秒）摄像机：固定于街巷中段低角度，轻微仰视，镜头缓慢向右平移（约10cm/s）。前景：右侧金属立柱锈蚀表面，挂着断裂的发光管线，微弱冷蓝色光闪烁；中景：潮湿金属路面，积水倒映远处霓虹光带，雨丝斜落；远景：巷口深处虚化的悬空霓虹楼宇，巨型电子屏冷光晕染。景深：前景立柱清晰（焦点），中景路面微虚，远景高度虚化（高斯模糊半径8）。主体：无人物，仅雨丝飘落，积水波纹扩散。镜头2（2秒）摄像机：腰平高度，从少年左侧后方45°跟拍，轻微抖动模拟行走节奏，镜头缓慢前推。前景：少年左肩与后脑勺（浅灰打底衫领口），虚化；中景：少年侧脸轮廓（深灰蓝工装外套肩线），清晰；远景：街巷延伸方向，霓虹楼宇与全息广告碎片，中度虚化。景深：中景少年肩部实焦，前后景虚化（前景虚化度5，远景4）。主体：少年从画面左下方入画，低头快步行走，右脚落地后左脚抬起，湿漉路面溅起细碎水花；抬头瞬间目光涣散，然后微蹙眉。镜头3（1.5秒）摄像机：固定于街巷拐角处铁护栏后，平视，模拟偷窥视角，镜头极快向右甩（约0.3秒完成甩动），然后静止。前景：锈蚀护栏铁丝网虚化（径向模糊），中景：巷中空地，积水反射冷白光晕；远景：巷口少女身影（极模糊）。景深：全画面浅景深，仅中景水洼反射光点实焦，其余虚化（半径5-7）。主体：少女从巷口右侧闪入画面中央，背对镜头，中长发被雨丝打湿，停顿半步，皮靴踩水发出轻响。镜头4（2秒）摄像机：少年第一人称主观视角（模拟POV），镜头缓慢前推并微微左右摇摆（如行走晃动）。前景：无；中景：少女背面及侧颜（距离约5米），雨雾中轮廓柔和；远景：霓虹楼宇光晕叠加在少女身后。景深：少女主体清晰，背景高动态模糊（半径10，光斑散景）。主体：少女侧身转头四分之一，露出浅冰蓝色眼睛侧影，睫毛沾雨珠，随即转回正面继续缓步前行。镜头5（1.5秒）摄像机：固定于少年眼部特写高度，仰拍15°，镜头急速推近（0.5秒推到最近）然后急停。前景：无；中景：少年眼部（深灰蓝色瞳仁）；远景：少女虚化成的光斑。景深：眼部极致清晰，虹膜纹理可见，其余完全虚化（半径15）。主体：少年瞳孔骤然放大，眼尾微颤，睫毛上下眨一次，目光从涣散变为聚焦，嘴唇微张。镜头6（2秒）摄像机：侧面平移跟拍少女，与少女腰部同高，镜头匀速横移（速度与少女步行同步）。前景：少女前臂与手（雾蓝色针织衫袖口），虚化；中景：少女侧脸与肩膀，清晰；远景：街巷墙壁上冷色管线快速后退，虚化。景深：中景实，前景轻微虚（半径3），远景中等虚化（半径6）。主体：少女双手自然垂放，右手食指轻轻勾住半身裙侧缝，步伐轻盈细碎，发丝随步伐轻微飘动。镜头7（1.5秒）摄像机：固定于路灯灯柱旁，低角度仰视30°，镜头做一次极快上摇（0.2秒）然后急停回位。前景：路灯金属柱身（冷色光圈晕染），虚化；中景：少女路过灯下瞬间，浅银灰发丝被冷光打亮；远景：暗沉夜空与细雨。景深：中景少女发丝与路灯交界处实，其余虚化（半径4-6）。主体：少女抬头望向路灯，雨丝落在她鼻尖，她轻轻闭眼又睁开，继续向前。镜头8（1.5秒）摄像机：少年肩后过肩视角，镜头快速推拉（推0.3秒，拉0.3秒，循环一次，营造呼吸感）。前景：少年工装外套肩部纹理，微虚；中景：少女背影逐渐缩小远去；远景：巷口霓虹光晕弥散。景深：中景少女实，前景轻微虚，远景虚化（半径9）。主体：少年停住脚步，右手抬起至胸前又放下，掌心向内半握拳，喉结上下滚动一次。镜头9（1.5秒）摄像机：固定于街巷正中央上方俯视45°，镜头缓慢下降并同时前推（无人机落体感）。前景：无；中景：少年与少女相隔三米面对面站立，积水倒映两人身影；远景：四周霓虹全息广告如雨幕般流动。景深：全画面中等景深，主体清晰，远景略有光晕散焦（半径5）。主体：少年向少女迈出一步，脚尖点地，少女同时侧身偏头避开视线，雨丝在两人之间划过，两人影子在水洼中重叠一瞬。
看起来似乎好多了！虽然因为豆包本身只能跑10s，这让这个视频的节奏稍微有些快，不过无伤大雅。
复盘一下：
你将图片换了一种画风，然后重新生成了一版提示词，换了模型，并预先将你的素材信息告知了AI，且加上了更多更详细的要求，最后效果比第一版好了不少。
1、视频提示词不满意就重新生，修修补补有时候效果也不会很好。底子差了那就不好改，现在重新从0生成提示词的成本很低，反正又不是手搓。
2、如果条件允许，能在出视频提示词之前就将所有图片生成好，并保留了提示词是最好的，将其和要求一起投喂给出视频提示词的AI，你图片素材的信息越准确，视频提示词也会出的越准确。可以看到这样一个视频基本都没啥bug，这种1抽1的情况其实非常少见，大多数时候，跑视频的bug挺多的，比如穿模、站位错误等等。
3、最重要的是，你自己要能有较为具体的要求，比如说你觉得这个不好，你不想要什么，你希望镜头数再多一些，你希望镜头运动的再快一些等。这并不需要多高的审美，能清晰地表达就足够了。当然，对于如何找出视频提示词的不足这一方面，也是可以和AI一起探讨。
感兴趣的，「AI漫剧」全套实操直播课放下面了，想快速搞钱的宝子可关注我公众号，回复【666】三个字，添好友自取：⬇️⬇️⬇️
里面包含AI漫剧全套制作玩法，从AI工具、AI漫剧制作流、商单变现全给你包圆儿了！用最接地气的语言，给你讲最“干”的操作！咱直接对抄就ok～
