最近刷视频，连着刷到好几条民间故事类的视频。有故事情节，配着古风画面，讲个两三分钟，点赞都不低。

我顺手点进一个账号翻了翻，发现更新频率很高，几乎日更。我心里就想到：我自己能不能做？

抱着这个念头，我花了一个下午，真把一条做出来了。过程比想象中顺，但也踩了几个坑。这篇就把我完整的做法写下来，用的都是现成的工具，写故事的大模型、生图的、生成视频的、剪辑的，小白也能上手。

故事是根本，别让 AI 自己瞎编

很多人第一步就让 AI "写一个古风的奇闻异事或者民间故事，大概 3-4 分钟的剧情"，这种提示词适用于没有方向，不知道做什么的时候，AI能给出一个大概的故事，如果符合我们的预期，就继续使用；如果不符合我们设想的，就继续对话把详细的风格、故事大概规定清楚。

写完AI会给到我们几点主要的东西：一主要角色的形象和穿着气质；二是需要哪些场景；三是按顺序拆好的分镜，标出每个镜头拍什么、大概几秒。后面画图、生成视频，全照着这份角色、场景和分镜清单做，不会漏也不会乱。

先定妆，再开拍，角色的脸不能变

故事定了，接下来是让主角"长什么样"。这步看着不起眼，其实是整条视频成败的关键。

道理很简单：观众对"脸变了"的敏感，远远超过"画面好不好看"。上一个镜头还是这张脸，下个镜头五官换了个人，前面铺垫的氛围一下就散了。所以这一步我宁愿多花时间。

这里按照AI给的剧情，我先单独生成白灵，狐仙化形的白衣少女的形象：

2D日漫风格，日系萌系动漫插画；18岁 年轻女性 身高1.60米，体型轻盈纤细，中国人，黑色披肩长发，发间别一朵白色灯笼花，鹅蛋脸，大而明亮的光泽感浅棕眼眸，鼻梁小巧，唇色粉嫩，自然肤色，头发半挽起，带发饰，身穿素白色齐腰宋制百迭纱裙，直领对襟短褙子，浅灰调衣缘，裙长及地，裙摆覆盖脚踝与脚背，长度直达脚部，脚穿素白色绢布绣白花弓鞋

抽到一张满意的脸之后，马上用它生成正面、侧面、背面三张多视图。现在的生图工具都能传参考图，把这张脸传上去，让 AI 照着出，不同角度就不会换人。我把这几张图存好，后面所有镜头都拿它们当参照。

其他形象也是同样的路数，先出形象，再做三视图。

场景和道具，宁少勿滥

角色定了，照着前面AI写的场景清单补画面。我这条只要四个场景：青石板古镇(外)-雨夜街道、陈记灯笼铺(内)-前厅、陈记灯笼铺(内)-作坊、古镇端午灯会街道

道具单独出，担子、油灯、供桌上的旧物，故事里出现什么补什么。这步别贪多，镜头用不上的别浪费时间生成。

让画面动起来，一次打磨一个镜头

所有图备齐，才轮到生成视频。Seedance 系列、MiniMax、可灵这几个模型都能做，效果差不太多。

把角色图或场景图喂进去，输入文字的剧情描述。

这步不要一次性把所有镜头丢进去，首先AI生成不了那么长的画面，如果把提示词堆上去，画面时长不够，那就是一条快闪的视频。我头一回就这么干的，六个片段一起提交，结果第一个就出了问题，后面全得重来，白等半天。后来就老老实实一次只磨一个：生成一个，看效果，不行改提示词重来，满意了再下一个。

再交代几个真实情况。生成视频要排队，一条片子五六个镜头，等上半天很正常。而且不是每条都一次到位，人物的形象最容易崩，动不动就有出入；画面里要是同时出现两个以上的人，动作还容易打架。碰到这些，别怀疑是自己不会用，就是模型现阶段的水平，多抽几次挑能用的就行。

片段齐了，剩下就是拼。我用剪映，别的剪辑软件也一样。

顺序按分镜排好，字幕让剪映自动识别，但导出前一定自己过一遍。志怪故事里生僻字多，"山魈""乩童"这类词，识别经常出错。

BGM 找古风、悬疑方向的，音量压到比人声低一截，它是垫底的，不是抢戏的。最后把画面切换卡在音乐的重音上，导出 一条就齐了。

做下来我最大的感受是：这类视频，工具解决的其实是"画面"和"声音"，真正费心思的还是故事本身。

有个反直觉的发现：观众其实不介意画面是不是完美的。大家盯着的是故事讲得清不清楚、氛围到不到位。所以想明白这点，就不用跟每个镜头死磕，该放过就放过。

流程跑熟之后，做一条真的就是一个下午甚至一个小时的事。