用 AI 做视频，其实和传统拍片是一回事

这是「AI 视频生成」专栏的第一篇。不绕弯子，直接把整套流程摊开给你看。

传统影视剧是怎么做的

先别急着打开 AI 工具。花两分钟想想，传统影视是怎么拍出来的。

一部片子，无论长短，流程大致都是这样：

剧本 → 分镜 → 美术/选角 → 拍摄 → 剪辑

每一步都在为下一步铺路：剧本定故事，分镜定画面，美术和选角定角色造型与场景氛围，拍摄把分镜变成素材，剪辑再把素材拼成完整的片子。

这套流程有一个很朴素的好处：哪一步出了问题，就退回哪一步修改，不必因为一个镜头不对，把整个项目推倒重来。

先记住这套流程。接下来你会发现，AI 做视频的逻辑与它几乎一模一样。

AI 做视频，套路完全一样

把 AI 影视的创作流程拆开来看，大致是这样：

剧本 → 分段 → 人物图/场景图 → 分镜 → 提示词 → 生成

把两套流程放在一起对比，你会发现它们本质上是同一件事。分镜还是分镜，美术变成了用图片模型生成角色图和场景图，拍摄变成了写提示词、让视频模型生成镜头。只是工具换了而已。

唯一的区别是什么？

目前最强的视频模型，一次最多生成 15 秒。

Sora 2 是这样，Seedance 2.0 也是这样。15 秒，就是现在的天花板。

这意味着，只要视频超过 15 秒，就必须把它拆开：30 秒拆成两个 15 秒，1 分钟拆成四个 15 秒。每段 15 秒的内容，都独立走一遍完整流程。

听起来有些麻烦，但习惯之后反而更顺手。因为每个 15 秒都是一个独立的“小项目”，出了问题只影响这一小段，不会连累整部片子。

举一个具体的例子

先看一个具体案例。我们直接拆解一段 30 秒的视频。

假设你想做一部末日题材的短片：黄昏时分，一名女幸存者独自站在海边废弃别墅的露台上。她手里攥着一张褪色的老照片，望着海面出神。

30 秒，怎么拆？

拆成两个 15 秒。

• 第一个 15 秒：环境铺陈。露台全景，散落的杂物，海面反射着金色落日，远处有废弃的高楼剪影。
• 第二个 15 秒：人物情绪。镜头推进到女幸存者身上，她低头看照片，抬头望向海面，远处隐约传来一声汽笛。

每段 15 秒的内容，都按下面这套固定流程走一遍。两段各自完成，再拼到一起。

每个 15 秒的固定流程

整套流程分为五步，每段 15 秒的内容都照此执行。

第一步：把这一段写成画面描述

不用写成正式剧本，自己看得懂就行。只要交代清楚三件事：谁、在哪儿、做什么。

比如第一个 15 秒（环境铺陈）：

黄昏，金色逆光从海面方向照过来。一栋现代风格的海边别墅已经废弃，露台地面散落着碎玻璃、泛黄的旧报纸和一把倒下的藤椅。无边泳池边缘长出青苔，池水浑浊。远处是被藤蔓覆盖的高楼废墟剪影，背景则是橙红色的海面落日。整个画面笼罩在“文明消亡之后”的氛围里，安静，却仍有一种残存的美。

这就够了。你写的是画面，不是台词。

第二步：出人物图和场景图

很多人会跳过这一步，但它恰恰是最容易翻车的一环。

如果不先固定形象，后续片段里的女主角很可能长得不一样——第一个镜头还是短发，第二个镜头就变成长发，第三个镜头连衣服颜色都换了。视频模型不会自动记住上一个片段，每次生成都相当于重新开始。

所以要先出图。生图模型现在最强的是 GPT-Image-2，可以直接用它生成需要的角色和场景。

场景图的提示词，按照第一段 15 秒的环境描述来写即可，直接用中文：

废弃的现代风格海边别墅露台，黄昏时刻，金色逆光从海面方向照射过来。露台地面散落着碎玻璃、泛黄的旧报纸和一把倒下的藤椅。无边泳池边缘长满青苔，池水浑浊呈绿色。远处是藤蔓覆盖的高楼废墟剪影，背景是橙红色的海面落日。写实摄影风格，35 mm 镜头，电影感，高对比度。

角色图提示词：

一个 25 岁的亚洲女性幸存者，利落的短发有些凌乱，脸上有几道灰痕，眼神疲惫但仍有光。她身穿一件旧军绿色风衣，领口已有磨损，里面是深灰色背心，脖子上挂着一串用弹壳改成的吊坠。她站在废弃别墅的露台栏杆边，海风轻轻吹动头发和衣角。写实摄影风格，35 mm 人像，逆光，电影感。

场景图生成两三张，角色图则准备正面、侧面和半身各一张。这些图片就是后续所有镜头的“视觉锚点”。

第三步：写分镜

把 15 秒的画面描述拆成具体镜头。每个镜头都要写清楚：景别、机位、运镜方式、画面内容和持续时间。

比如第一个 15 秒拆成这样：

镜头	时长	景别	机位	运镜	画面内容
1	5s	远景	平视，1.5 m 高度	固定→缓推	露台全景，以海面落日和废弃高楼剪影为背景，铺陈整体氛围
2	4s	中近景	低机位，30 cm 高度	固定微推	地面杂物：反光的碎玻璃、被风掀起一角的泛黄报纸、倒下的藤椅
3	3s	中景	平视，1.2 m 高度	横移	从泳池边缘向露台栏杆匀速横移，掠过散落的杂物，最终停在栏杆边
4	3s	特写	平视，1.6 m 高度	固定	无边泳池的水面，浑浊的绿色池水上漂着一片枯叶，落日倒影随水波跳动

四个镜头合计 15 秒。分镜写得越具体，后续生成越不容易跑偏。

第四步：写提示词

这是最关键的一步：把分镜表里的每一行，改写成 Seedance 2.0 能理解的中文提示词。

每条提示词的写法，参照下面这个格式：

@图片1 是主要人物·女幸存者
@图片2 是场景·废弃海边别墅露台
@图片3 是场景·海面落日

【0-5s | 第1镜 | 远景露台全景→海面落日 | 固定缓推】黄昏，金色逆光从海面方向铺满整个废弃海边别墅露台。镜头从露台中央缓慢向前推进约 1 米。前景是一把倒下的藤椅，椅面上积了一层灰。左侧无边泳池边缘青苔斑驳，池水浑浊呈绿色，水面上漂着一片枯叶。露台地面散落着碎玻璃碴和几张泛黄的旧报纸，报纸边角被海风轻轻掀动。远处天际线是一排藤蔓覆盖的高楼废墟剪影，橙红色落日在海面上拉出一条长光带。空气中飘着细小的尘埃粒子。画面带有末日后的荒芜感，但夕阳又留下一丝温度。无台词。

拆开来看，这套格式只有两部分：

开头先声明参考图。

@图片1、@图片2、@图片3——告诉模型每张参考图分别对应什么。角色图负责约束人物的脸、发型和服装，场景图负责约束环境的色调与结构。模型会综合这些图片和文字描述，生成最终画面。

方括号里写清拍摄指令。

【时间 | 镜号 | 景别和画面主体 | 运镜方式】——这几个信息决定了镜头怎么动、拍什么、拍多久。

方括号后的正文就是画面描述。尽量补全有用的细节：光从哪里来、地面是什么质感、空气里有什么、哪些物体正在运动。描述越具体，模型越容易理解你想要的画面。

再看第二个镜头的提示词：

@图片1 是主要人物·女幸存者
@图片2 是场景·废弃海边别墅露台

【0-4s | 第2镜 | 低机位地面杂物特写→碎玻璃报纸 | 固定微推】极低视角贴近露台地面，镜头以约 0.2 m/s 的速度缓慢向前微推。前景清晰呈现一块碎裂的玻璃碴，玻璃边缘反射着金色夕阳。旁边是一张泛黄的旧报纸，日期模糊不清，一角被海风轻轻掀起又落下。藤椅倒在地上，椅腿投出长长的影子。地面留有干涸的暗色水渍。海面方向投来逆光，整个画面笼罩在暖金色调里，灰尘粒子在光柱中缓慢浮动。末日废墟质感，写实摄影风格，无台词。

到了镜头 3，女主角会出现在画面里，因此也要带上角色参考图：

@图片1 是主要人物·女幸存者
@图片2 是场景·废弃海边别墅露台
@图片3 是场景·海面落日

【0-3s | 第3镜 | 中景露台横移→女幸存者背影入画 | 匀速横移】中景，机位高度约 1.2 米。镜头从泳池边缘向右匀速横移，经过地面散落的杂物——碎玻璃的反光一闪而过，泛黄报纸的边角微微颤动。镜头继续横移，一截褪色的藤椅扶手入画又出画，最终停在露台栏杆前。一个身穿旧军绿色风衣的女性背影站在栏杆边，短发被海风轻轻吹动。她面朝大海，站姿疲惫，脊背却依然挺直。夕阳在她身上勾出金色轮廓光。画面安静，无台词。

镜头 4 不需要角色参考图，但需要场景和水面参考图：

@图片3 是场景·海面落日

【0-3s | 第4镜 | 特写无边泳池水面→枯叶落日倒影 | 固定】固定机位，特写无边泳池的浑浊水面。水面呈暗绿色，池底隐约可见沉积的灰泥。一片枯黄的叶子漂在水面上，随着微小的水波轻轻旋转。橙红色的落日在水面上投下一个抖动的倒影，光斑随水纹向外扩散。远处海面在失焦中融化成一片模糊的金色。逆光，水面隐约反射出露台栏杆的轮廓。安静、缓慢、末日后的残存诗意，无台词。

几个要点：

• @图片 声明一定要写清楚，明确哪张是角色、哪张是场景。模型需要据此区分参考图的用途。
• 方括号里的运镜要具体。别只写“推镜”，可以写“镜头缓慢向前推进约 1 米”或“以约 0.2 m/s 的速度向前微推”。数据越明确，生成的镜头运动越稳定。
• 画面描述少用抽象情绪词。与其写“孤独”“悲伤”“绝望”，不如呈现具体画面：地面散落着碎玻璃，报纸被风吹动，灰尘在光柱里漂浮。让画面本身传递情绪，而不是用形容词替画面喊出来。

然后把这些提示词和对应的参考图一起提交到即梦。

第五步：生成视频

打开即梦官网，用 Seedance 2.0 的全能参考功能。

全能参考一次最多上传 10 张参考图。把第二步生成的角色图和场景图都传进去——角色正面、角色侧面、露台全景、海面落日，一个都别漏。然后在提示词里用 @图片N 逐一声明清楚。

一个镜头通常要生成 3 到 5 次，再从中挑出最好的一条。如果试了几次还是不对，就别再死磕提示词，往前退一步检查：人物脸崩了就换角色参考图，氛围不对就重做场景图，动作奇怪就回去修改分镜。

这就是前面提到的原则：哪一步出问题，就退回哪一步修改。

两段 15 秒的内容都按这套流程完成后，你就有了若干条视频素材。接下来，把它们放进剪辑软件拼起来即可。

剪辑收尾

到了这一步，基本都是执行层面的工作：

1. 按分镜顺序把片段拖进剪辑软件（剪映够用了）
2. 配音：ElevenLabs、豆包语音都行，哪个顺手用哪个
3. BGM：Suno 生成，或者直接找素材库
4. 调色：AI 生成的素材色调大概率不统一，统一拉一遍调色，质感瞬间上来
5. 加字幕，导出

一部 30 秒的片子，一个人一天就能完成，成本大约几十元。

几句实在话

做 AI 视频，最容易陷进去的一件事，就是和提示词死磕。一个镜头反复生成都不对，便开始怀疑是不是 prompt 写得不够好，接着花两个小时来回修改措辞。

问题很可能不在提示词。退回去看看：参考图是否足够清晰，分镜是否写得太笼统，场景图的氛围是否已经跑偏。提示词是最后一步，补不了前面环节留下的坑。

另外，这些工具更新得太快。今天用的是 GPT-Image-2 和 Seedance 2.0，或许三个月后又会换成另一套工具。工具会变，但这套拆解流程不会轻易过时。掌握了流程，无论换成什么工具，都能继续创作。

接下来的几篇文章，我会把每一步拆开细讲——剧本怎么写，模型才更容易理解；如何保持角色一致性；怎样把分镜转化为提示词；以及几个主流模型生成同一镜头时的横向对比。

如果感兴趣，欢迎收藏这个专栏。我会继续一篇篇写下去。