AI 实用 08｜AI 视频生成：分镜、首帧与成片流程
先认清能力边界
AI 视频生成目前最擅长和最不擅长的事，差得很远：
擅长：单镜头内的运动、光影氛围、材质质感、慢动作、镜头推拉。
不擅长：长时间连续叙事、多角色互动、精确的手部动作、画面内文字、跨镜头的角色一致性。
这决定了正确的工作方式：不要试图一次生成一整段故事，而是把它拆成若干个"单镜头"，每个镜头单独生成，最后剪辑拼起来。这本来也是影视制作的做法。
完整流程
脚本 → 分镜表 → 每镜首帧图 → 单镜视频 → 拼接 → 配音/字幕 → 调色导出
真正决定成片质量的，是分镜表和首帧图这两步，不是最后一个"生成"按钮。
第一步：写分镜表
一份能直接拍的分镜表，每行包含：
| 镜号 | 时长 | 景别/机位 | 画面内容 | 运动 | 台词/音效 |
|---|---|---|---|---|---|
| 1 | 4s | 特写，平视 | 咖啡杯口冒热气 | 镜头缓慢推近 | 环境声：咖啡馆 |
| 2 | 5s | 中景，过肩 | 女主的手推开笔记本 | 固定，轻微手持晃动 | 提示音 |
| 3 | 6s | 全景，低角度 | 窗外城市天际线 | 镜头向右横移 | 城市白噪 |
为什么必须先做这张表：它逼你把"想说什么"变成"每一秒看到什么"。跳过这步直接写提示词，得到的通常是"很美但没有信息"的空镜。
第二步：先出首帧图
这是最可靠的一条经验——图生视频的稳定性远高于文生视频。
原因很直接：首帧图已经把构图、人物、色调、光线都定死了，视频模型只需要负责"动起来"，不用同时猜"画什么"和"怎么动"。
所以流程是：
- 用图像生成把每个镜头的首帧画出来（同一个角色/场景用同一套参考，见第 07 篇的一致性方法）。
- 满意后再拿这张图去生成视频。
- 不满意就回到第 1 步——在图这一层改，比在视频层改省十倍时间。
有条件的话，同时给首帧和尾帧。首尾帧约束下，模型对"这段运动怎么走"的理解会准确很多，尤其适合"从 A 状态变到 B 状态"的镜头（比如门从关到开、人物从坐到站）。
第三步：写视频提示词
视频提示词比图像提示词多两个维度：时间和运动。
【主体与场景】继承首帧：办公桌前，女性，深蓝衬衫，桌面有笔记本和咖啡杯
【动作】她右手抬起，把笔记本合上，动作从慢到快，最后停顿一秒
【镜头运动】镜头从她的侧后方缓慢推近，速度均匀，全程约 5 秒
【画面氛围】午后自然光，窗户在画面右侧，光线略过曝，空气中有细微浮尘
【风格】写实，浅景深，轻微胶片颗粒
【约束】不出现文字，不出现手部特写，画面不要突然切换
三个关键点：
- 动作要写"过程"。不是"她合上电脑"，而是"抬右手 → 合上 → 停顿"。有起止和节奏，模型才知道怎么分配时间。
- 镜头运动单独写。"推近/拉远/横移/摇/跟随/固定"，一次只说一个，说多了模型会乱。
- 明确时长。5 秒的镜头不要塞三个动作，塞不下。
时长的真相：短镜头更好
主流模型单段生成多在几秒到十几秒。想清楚一件事：观众注意力的单位是镜头，不是秒数。
- 一个 4 秒的镜头里，只有一个动作 → 清晰。
- 一个 10 秒的镜头里，塞三个动作 → 每个都糊。
多用短镜头、快切，成片的节奏感反而更好。10 个 4 秒镜头拼出的 40 秒，比 4 个 10 秒镜头更容易看。
一致性：系列镜头的难点
同一个角色出现在多个镜头里，最容易"每一镜长得都不太一样"。
三个抓手：
- 固定角色设定文本。每镜提示词开头，原样复制同一段人物描述（年龄、发型、服装、特征）。
- 固定参考图。用同一张"定妆照"作为参考图输入。
- 固定色调。所有镜头用同一组色彩描述（"低饱和、暖灰调、午后光"），后期再统一调色。
即便如此，不要期待完美一致。剪辑时可以靠机位、景别、光线变化来"掩盖"差异——这本来就是影视里的常用手法。
镜头语言：几个便宜但有效的
| 想要的效果 | 怎么写 |
|---|---|
| 紧张、压迫 | 特写 + 手持轻微晃动 + 快速推近 |
| 平静、叙事 | 固定机位 + 中景 + 缓慢横移 |
| 宏大、开场 | 低角度全景 + 缓慢上升 |
| 情绪顶点 | 极慢推近 + 主体不动 + 环境元素移动（雨、风、光） |
| 转场 | 镜头穿过前景物体（树枝、人群、门框），下一镜从类似前景穿出 |
"穿过前景"是最省事的转场手法，比切黑场自然，也比做特效便宜。
常见失败与对策
| 现象 | 原因 | 对策 |
|---|---|---|
| 人脸漂移、五官变形 | 面部在画面中太小 | 改为中景/特写，少用远景人物 |
| 手指扭曲 | 手部动作复杂 | 避免手部特写，改成"手被桌面遮住" |
| 文字乱码 | 视频里出现文字 | 画面里不要文字，字幕后期加 |
| 镜头突然变焦/跳切 | 提示词里叠了多种运动 | 一个镜头只描述一种运动 |
| 背景元素乱漂 | 场景描述太笼统 | 明确"背景静止，只有主体移动" |
| 运动太快/太慢 | 没给速率 | 加"缓慢""匀速""逐渐加速" |
| 色调前后不一致 | 每镜单独描述光 | 用同一段色彩描述，后期统一调色 |
后期：这一步决定"像不像作品"
生成只是素材。成片还需要：
- 剪辑：镜头顺序、节奏、转场。剪辑软件用剪映/达芬奇/PR 都行。
- 配音：AI 配音注意语速与画面节奏对齐，别让旁白追着画面说。
- 字幕：永远后期加，不要让模型在画面里生成文字。
- 调色：统一所有镜头的白平衡和对比度——这是"看起来是一个片子"的关键。
- 音效：环境音、动作音效。有声音的画面，可信度会高一截。
- 音乐：注意版权，商用必须用可商用的曲库。
一个判断标准：把所有镜头并排放在时间线上，如果它们的色温、对比、颗粒感不一致，观众立刻会觉得"拼凑"。统一调色比提高单镜清晰度更有效。
什么内容适合用 AI 视频
适合：
- 氛围片、概念片、产品质感展示
- 空镜、转场、封面动态
- 分镜预览（给客户看"大概长这样"）
- 无真人出镜的解说/科普配图动画
不适合：
- 需要精确口型同步的人物讲解（现有工具能做，但需要专门流程）
- 长时间连续叙事（超过 1 分钟的连续镜头几乎必崩）
- 需要精确文字/数据的内容（字幕后期加）
- 纪实、新闻类（不能用生成内容冒充真实影像）
成本与时间
经验量级（不同工具差异大，仅供参考）：
- 单镜头生成：几十秒到几分钟
- 一条 30 秒成片（8~10 个镜头）：从写分镜到导出，半天到一天
- 失败重试：占总时间的一半以上
所以最省时的做法还是那句：在首帧图上多花时间。图上改一次一分钟，视频上改一次十分钟。
商用注意
- AI 生成标识：多个平台要求标注，发布前读平台规则。
- 肖像权：不要生成可识别的真人，尤其是公众人物。
- 版权：生成的画面里不要出现受保护的 logo、角色形象。
- 配音：不要模仿特定真人的声音。
- 不用于误导：新闻、证件、证明材料、合同影像，一律不能用生成内容。
一句话总结
AI 视频不是"输入一句话得到一条片子"，它是**"把导演的工作拆成可执行的步骤"**：分镜决定结构，首帧决定画面，提示词决定运动，剪辑和调色决定它像不像一个作品。
跳过前面几步直接生成，得到的一定是"能看但没用"的素材。