做视频这行十几年我见过太多工具来了又走。前阵子一个做广告片的朋友把一段文字丢进 Sora 这类 AI 视频生成模型几分钟后拿回一段几秒钟的片段画面里的水花溅得挺像回事他盯着屏幕看了半天说了句我以前拍这个镜头要租场地、等天气、扛机器上山。这句话基本概括了这类工具的位置——它不是在替代导演它是在替代拍摄这个物理动作。但对刚接触的人来说真正卡住的往往不是创意而是三件事这东西到底能做到什么程度、账号和额度这道门槛怎么过、提示词该怎么写才不至于每次都在抽奖。这篇就按这三个问题往下捋把我自己踩过的坑、试出来的写法、以及哪些事从一开始就不该指望它一次说清楚。适合完全没上手过的新手也适合已经在用但总觉得结果不受控的人。1. 先摸清这类模型的真实能力边界再谈怎么用很多人第一次用 Sora 的体验是惊艳三秒失望三天。惊艳是因为第一段生成的画面确实像模像样失望是因为想让它连续做对三件事的时候它总在第二件上翻车。问题不在模型在预期。你得先接受一个事实现阶段这类模型本质上是一个高质量镜头生成器不是一个自动导演。它极强的部分是单个镜头内的光影、材质、流体、景深、运动模糊这些视觉层面的东西它很弱的部分是跨镜头的一致性、复杂因果动作、精确的文字和长时间叙事逻辑。理解这个区别之后你的工作方式会完全改变。你不会再写一个人在雨中奔跑然后回头微笑最后镜头拉远这种一句话包含三个镜头转换的需求而是拆成三段分别生成再在剪辑里拼。这个思维转换是新手到熟手之间最大的一道坎比学任何提示词技巧都重要。1.1 它擅长的是镜头语言短板在叙事逻辑我做过一个简单的对照测试给同一个模型两组需求第一组是特写一只手把冰块丢进威士忌杯慢动作逆光背景虚化第二组是一个人走进酒吧点了一杯酒坐下开始回忆往事。第一组几乎每次都能出可用的素材第二组十次里有六七次会在中途发生莫名其妙的场景跳变或者人物换脸。原因很直白——第一组需求里所有信息都是视觉可描述的第二组需求里包含回忆这种需要叙事结构才能表达的抽象概念。所以写提示词的时候一个非常实用的自查方法是把你想说的每一句话问一遍这一句能在画面上被看见吗。看不见的全部删掉或者翻译成能看见的东西。他很紧张看不见手指反复摩挲杯壁指节泛白看得见。气氛压抑看不见低色温顶光人物面部下半部落在阴影里看得见。这个转换听起来像文字游戏实际上是这个行业最核心的一项基本功。写分镜、写拍摄脚本、写灯光方案做的都是同一件事——把抽象意图翻译成可执行的物理参数。AI 视频只是把这个翻译过程直接暴露在了你面前翻译得不好它就不给你好结果。1.2 被高估的三个能力和被低估的两个能力新手最容易高估的三件事一是时长。单次生成的片段通常只有几秒到十几秒想要三十秒的成片就得生成五到十个片段再拼。有人以为输入一段长描述就能直接得到一部长片这是对当前技术阶段最大的误解。二是文字。画面里出现招牌、书页、屏幕上的文字大概率是乱码或者似是而非的字符。要展示文字内容正确做法是生成干净的画面后期把文字贴上去。三是人物一致性。同一个人物在不同片段里五官、发型、服装细节会有肉眼可见的偏差。想要一致性得靠参考图、首帧控制这类手段而且也不能保证百分之百。反而被严重低估的两个能力一是材质与物理表现。金属反光、布料褶皱、液体流动、烟雾扩散这类东西生成得相当靠谱很多时候比实拍加后期还省事。做产品展示、氛围镜头这是最省成本的路径。二是风格迁移的宽容度。你可以直接要求黑白胶片质感颗粒明显高对比或者二维手绘动画风格粗线条模型对风格类描述的理解力远比对人名、具体地名的理解力强。我试过用风格词堆叠出接近某个年代广告片的效果成功率比描述具体场景高得多。把这两组能力记在心里你在设计分镜的时候就会自动避开雷区——需要精确文字的地方用后期需要人物连续出镜的地方减少切换需要氛围和质感的地方大胆交给它。2. 账号与额度上手前绕不开的三道选择题关于注册我得先把话说在前面具体到点哪个按钮、填什么信息、用什么方式付费这一层我不打算在这篇文章里写。原因有两个一是各地对这类服务的可用范围规则不同而且调整频繁任何写死的操作路径过几个月就会失效甚至误导人二是涉及账号归属和支付方式的操作本身就应当按照各平台公开的服务条款来绕开规则的做法我不建议任何人尝试风险最终都落在使用者自己身上。所以我只讲判断标准和决策逻辑这部分是不会过期的。2.1 为什么不写死具体注册路径我见过太多教程的失效速度。去年还能用的流程今年可能因为区域策略调整、实名要求变化、支付通道变更而完全走不通读者照着做卡在第三步既浪费时间又容易急病乱投医去点一些来路不明的链接。这才是真正的坑。我的建议是直接去官方渠道看当前的服务条款和可用范围说明这是唯一可靠的信息源。如果官方明确说明你所在区域暂不支持那就接受这个结论转向可用范围内的替代方案第 6 节会讲选型。为了用一个工具去承担账号安全、支付安全上的额外风险从投入产出比上算是不划算的——你的时间成本远高于那点工具带来的效率提升。提示任何要求你提供账号密码、验证码、身份信息的代注册共享账号服务都不要碰。这不是保守这是底线。2.2 免费额度和付费额度真正的差别在试错次数假设你已经能正常使用接下来的问题是额度。额度这件事表面看是能生成多少条实际影响的是你的工作流设计。免费额度意味着你只能做低成本的试探——每次生成都要慎重不敢乱试付费额度带来的最大变化不是数量而是你敢不敢做废弃实验。这里有个很实在的换算一条提示词从初稿到能用的成片平均要迭代四到六次。也就是说你想要的每十秒可用素材背后是四到六次生成。如果你的额度只够做一两次尝试那你的实际产出会非常低因为你被迫在第一版不满意的时候凑合使用。我个人的经验是宁可少做几个镜头也要给每个镜头留足迭代次数——质量差距是肉眼可见的。具体怎么规划可以参考这个思路使用场景建议策略注意点纯学习、摸能力边界用最低额度做宽泛测试每个提示词只改一个变量记录结果单条短视频成片集中额度在 3-5 个关键镜头每个镜头预留 5 次以上迭代商业项目提案先做风格测试片再批量风格定不下来批量生成全是浪费长期内容生产建立提示词库复用已验证模板模板能显著降低单条成本这张表里最值得说的是最后一行。很多人每次从零开始写提示词实际上是在重复付费买同一个教训。把验证过的提示词存下来标注清楚这个模板适合什么场景、容易在什么地方出问题你的单条生成成本会直线下降。2.3 哪些素材从一开始就不该往里喂这一条比前两条都重要。有些内容不管工具多强都不该上传。涉及他人肖像、未公开的商业素材、含有个人身份信息的文档照片、以及任何你无权处置的第三方内容——这些不是技术上能不能的问题是该不该的问题。AI 生成的可信度越高误用的后果就越严重。另一个常被忽略的点是不要用生成内容去伪造真实事件、真实人物的言行。这条线一旦越过就不只是账号问题。我在给团队定规范的时候会把这条写在最前面比任何技术规范都靠前。实操层面还有一个细节上传参考图之前先检查图片的 EXIF 信息里有没有位置、设备等元数据做内容生产的人应该有这个习惯。这不是多此一举是基本的素材卫生。3. 提示词不是写作文把描述拆成六个可执行槽位这是全文最实操的部分。我试过的所有提示词写法最后收敛成一套固定结构六个槽位主体、动作、环境、镜头、光线、质感。不一定要六项全写但脑子里得有这六个格子缺哪格就知道结果大概率会在哪方面模糊。为什么是这六个因为它们对应的是拍摄现场真实存在的六个决策项。你想想一个摄制组在开拍前要定什么拍谁主体、他在干什么动作、在哪拍环境、机器架哪怎么运动镜头、灯怎么打光线、最终画面什么调性质感。AI 视频模型训练时吃的就是这些维度的标注数据你用同样的维度去描述匹配度自然最高。3.1 六个槽位的具体写法和常见错误主体写具体名词加限定词。一个女人不如三十岁上下的女性短发穿深灰色针织衫。限定词越具体模型越不会自由发挥。常见错误是写抽象身份比如一位职场精英模型只能靠刻板印象猜。动作写单一、连续、可在几秒内完成的动作。她慢慢转过头可以她先转头再站起来然后走向门口不行——这是三个镜头。常见错误是动作复合尤其在想要叙事的时候。环境写空间关系和背景元素但别写太满。背景元素过多会分散模型的注意力导致主体变形。两三个关键环境元素足够。镜头这一格最容易被新手忽略但收益最高。常用词包括特写、中景、全景、俯拍、仰拍、低角度、过肩镜头、推镜、拉镜、横移、手持跟拍。写清楚镜头画面构图的可控性会提升一大截。光线写光源方向、色温、软硬。比如左侧逆光暖色低色温硬光顶部柔光冷白无明显阴影。光线是氛围的主要来源比堆形容词有效得多。质感写风格和成像特征。胶片颗粒、浅景深、广角畸变、高对比、冷暖分离、二维动画风格等。下面这段是我实际在用的模板可以直接抄去改[主体] 中年男性微胖穿洗得发白的蓝布工装袖口卷起 [动作] 低头用拇指反复擦拭手中的铜制零件动作缓慢 [环境] 狭小的老式修理铺内景身后是挂满工具的木板墙 [镜头] 中近景略微仰拍固定机位浅景深 [光线] 右侧窗光斜射暖色硬光面部一半在阴影中 [质感] 胶片颗粒感低饱和轻微暗角六行写完通常第一版就能拿到构图和氛围对的结果剩下的迭代集中在动作细节上。这比写一大段散文体的描述效率高得多因为你可以精确定位是哪一格出了问题——如果光线不对只改光线那一行其他五行不动这样每次迭代都有明确的信息增量。3.2 一段提示词的迭代实录光说模板不够我把一次真实的迭代过程摊开讲。目标是雨夜街头一个人站在路灯下。第一版我写了雨夜一个人站在路灯下赛博朋克风格很有氛围感。结果画面很花主体被背景元素淹没看不清人在做什么风格倒是够赛博。问题诊断主体太模糊一个人动作缺失只是站着模型只能随机给她加动作环境写太满赛博朋克自带大量霓虹元素质感抢了主体的位置。第二版改成穿深色长风衣的女性背对镜头站立不动空旷的旧街道地面有积水中景路灯从右上方打下冷蓝主光胶片质感低饱和。结果好很多构图清晰但人物完全静止画面像一张照片。问题诊断动作写得太不动了。模型对站立不动的理解就是完全静止缺少微小的动态。第三版穿深色长风衣的女性背对镜头站立肩膀随呼吸轻微起伏风衣下摆被风吹动空旷的旧街道地面有反光的积水中景略微俯拍路灯从右上方打下形成顶逆光冷蓝主光雨丝在光柱中可见胶片质感。这一版基本可用了。关键增量就是肩膀随呼吸轻微起伏下摆被风吹动雨丝在光柱中可见这三处——它们给静态画面注入了微动而这恰恰是视频和图片最大的差别所在。这个案例里有个通用规律值得记下来描述静止画面时一定要补一到两个微小的持续动作。呼吸、发丝摆动、衣料飘动、光影缓慢变化、背景行人走过随便一个都行。没有微动的视频看起来就像幻灯片。3.3 负面描述和控制词的正确用法负面描述也就是告诉模型不要什么是有用的但用法和很多人想的不一样。它不是万能的写得太多反而会让模型注意力分散。我的经验是负面描述只针对三类问题画面元素的干扰、成像质量的缺陷、风格偏离。有效写法示例避免画面中出现文字和水印人物面部扭曲多余的手指过度锐化的数码感镜头快速晃动无效写法示例避免难看、不真实、不好看、奇怪区别在哪有效写法指向的是具体的、可被检测的视觉特征无效写法是主观评价模型无法把它映射到像素上。这个道理和给新人改片子一样——你说这条片子不好没意义你说第三秒的转场太生硬黑场时长不够才有意义。还有个控制词的小技巧如果你希望镜头运动平缓不要只写缓慢加上固定机位或者轻微推镜会更稳。因为缓慢这个词本身不指定运动方式模型可能给你一个缓慢的摇镜而你想要的其实是静止。指定运动方式比形容运动速度有效得多。4. 生成失败了怎么排查按这个顺序查别乱改新手遇到不满意的结果最常见的反应是把整段提示词重写一遍。这是效率最低的做法因为你根本不知道是哪个变量导致的改了之后即使变好了也无法复用。正确的做法是固定其他变量一次只动一处。下面这个排查顺序是我用了很久的从出现频率最高的原因开始往下走。4.1 人物漂移、手部崩坏与面部问题人物跨片段不一致排在第一位。排查顺序先看是不是每次生成都换了随机种子如果有种子控制的话再看有没有提供参考图或首帧最后才考虑是不是提示词里对人物的描述不够具体。很多人的做法是反复生成碰运气实际上加上一张参考图一致性会立刻提升一个档次。手部崩坏多指、少指、手指粘连。这个问题到这个阶段依然存在不要指望靠提示词彻底解决。可行的规避策略有三个一是构图上避免手部特写用中景、侧面、遮挡、手持道具来处理二是让手做简单的动作比如握、扶、插兜动作越复杂越容易崩三是如果必须露手接受它偶尔出错靠多生成几条挑一条好的。这是成本最低的路径。面部扭曲尤其出现在快速转头、大角度侧脸、人物从远处走近的场景。应对方式是减少面部在画面中的运动幅度或者用背对镜头侧影逆光剪影这类构图规避。做氛围片的时候剪影反而是更高级的表达一举两得。提示与其和手部和面部问题死磕不如在设计分镜阶段就绕开它们。成熟的做法不是解决缺陷是设计一条不触发缺陷的路径。4.2 物理常识错误和画面文字乱码物理错误的表现形式很多物体穿过另一个物体、影子方向与光源不符、液体流动方向反了、人物走路时脚底打滑。排查思路是先确认光源描述是否自相矛盾——如果你的提示词里同时出现了顶光和地面长长的斜影模型就会精神分裂。光线描述必须自洽这是最容易被忽略的一点。其次是运动速度。描述快速奔跑时模型容易在相邻帧之间产生不连续表现为人物突然位移或者肢体拉伸。把速度降下来改成小跑快步走稳定性会明显提升。想要速度感靠后期加速或者镜头语言来实现比直接让模型生成高速动作靠谱。画面文字乱码基本无解别浪费时间。招牌、屏幕、书页、包装上的文字正确的工作流是生成时要求纯色空白表面后期把文字合成上去。我做过对比后期贴字的成片质量和真实感都远高于硬生成而且改文案的时候不用重新生成整条片子。4.3 提示词没问题但结果就是不行的情况这种情况我也遇到过不少通常有三个隐藏原因。第一个是提示词内部冲突。比如你写了空旷无人的街道又写了背景有行人走过写了手持跟拍又写了画面稳定。写完通读一遍把矛盾的地方挑出来这一步能解决相当一部分莫名其妙的失败。第二个是信息密度超载。一条提示词里塞了七八个元素模型会平均分配注意力结果每个元素都做得半生不熟。判断方法很简单数一数你的提示词里有几个名词性主体超过三个就该做减法了。宁可分两次生成再合成也不要一次塞满。第三个是期望超出当前能力。复杂的多人物互动、精确的因果关系、超过十秒的连续叙事这些目前都还在能力边界之外。遇到这类需求不要怀疑自己的提示词水平直接换方案——拆镜头、用剪辑连接、用旁白补充信息。承认工具的边界是专业度的体现不是认输。5. 成片不是一次生成出来的分镜拆解与后期补救我见过最典型的错误工作流是写一段很长的描述生成不满意重写描述再生成反复十几次最后放弃。这条路走不通因为它假设了一次性生成完整内容这个前提而这个前提本身就不成立。真正可行的工作流是流水线式的拆镜头、单镜头生成、筛选、拼接、后期修饰。5.1 分镜拆解的三条原则一个镜头只表达一个信息。这是最核心的原则。如果一段五秒的素材里你要同时交代人物身份、环境位置和情绪变化那它必然失败。拆开第一个镜头交代环境第二个镜头交代人物第三个镜头交代动作。相邻镜头的视觉特征要有延续性。色调、光线方向、景别节奏要连贯否则拼起来像不同片子剪在一起。具体做法是在生成每个镜头时把前一镜头的色调和光线描述复制过去只改主体和动作部分。这个习惯能让成片的统一感提升非常明显。给剪辑留出余量。每个镜头多生成一到两秒方便后期调整节奏。尤其是需要卡点的内容素材长度不够会非常难受。拆解样例把雨夜街头等人这个场景拆成四个镜头镜头内容时长作用1空镜积水地面倒映路灯雨丝落下3s建立环境与情绪2中景人物背影站在路灯下风衣下摆飘动4s交代主体与位置3特写手持伞柄指节收紧2s传递焦灼情绪4全景人物在画面左侧右侧街道空旷延伸4s空间关系与留白四个镜头拼起来大约十三秒信息完整、节奏有起伏而且每个镜头的生成难度都很低。这比试图用一条提示词生成一段十三秒的完整叙事成功率高出一个数量级。5.2 剪辑阶段能补救什么不能补救什么后期不是万能的得知道哪些问题能修、哪些只能重生成。能修的色调不统一、节奏拖沓、镜头之间跳跃感、缺少过渡、音效缺失、画面里的小瑕疵用局部模糊、裁切、遮挡处理。这些都属于剪辑层面的事一段调色就能让不同批次的素材看起来像同一天拍的。不能修的人物面部崩坏、肢体结构错误、物理逻辑硬伤、主体跑出画外。这些一旦出现只能重新生成。判断标准很简单问题是否涉及画面中具体的结构性错误。是就重做不是就交给后期。有个很实用的小手法用转场掩盖接缝。相邻两段素材如果人物姿态对不上中间插一个雨滴落水或者车灯扫过的空镜观众的注意力被转移接缝就不明显了。这是老剪辑师常用的招用在 AI 素材上同样有效而且能省下大量重新生成的额度。配音和音效的重要性也常被低估。一段本来平庸的 AI 素材配上合适的雨声、脚步声、远处车流声质感立刻不同。声音对真实感的贡献比很多人以为的要大得多。我一般会先铺环境音再看画面很多节奏问题在有了声音之后就自然解决了。6. 不合适就换按需求选工具别按热度选最后聊选型。这类工具更新很快今天某个模型在某个维度领先三个月后可能就被追平。所以选型逻辑比具体产品重要得多。我的判断维度只有四个能不能满足我当前的需求、单条可用素材的成本、能不能稳定复现、以及素材版权归属是否清晰。6.1 四类需求对应四条路径做氛围镜头、产品展示、抽象视觉——这类需求对一致性要求低对画面质感要求高是 AI 视频最舒服的战场几乎任何主流工具都能胜任重点选生成速度快、质感好的。做人物出镜的口播或剧情——这类需求对手部、面部、跨镜头一致性要求极高目前所有工具都吃力。更务实的路径是真人出镜拍实拍素材AI 只负责补充空镜和氛围镜头。混着用效果比全 AI 好成本也更可控。做概念验证和提案——重点是快速出效果不追求完美。这时候选生成速度快、迭代成本低的哪怕是低保真度也能用。提案阶段客户看的是方向不是像素。做长期内容生产——重点是可复用性。选能用参考图、能固定风格、提示词模板能沉淀的那个。长期来看模板库的价值远大于工具本身的功能差异。6.2 一份不过期的选型对照表维度权重判断方法画面稳定性高同一提示词生成五次看结果方差一致性控制高提供参考图看人物是否保持单条成本中算出一条可用素材的综合成本不是单次生成成本迭代速度中从改提示词到看到结果的时间直接影响你的试错次数风格覆盖中是否能听懂胶片、动画、二维、写实等风格指令规则清晰度高服务条款、素材使用范围是否明确可查最后一行权重给得高是有原因的。工具会换项目会变但账号和素材的合规问题一旦出问题代价远超过省下来的那点时间。这也是我前面不愿意写具体注册路径的根本原因——有些门看着近走进去的代价不划算。用了一段时间之后我自己的体会是这类工具真正的价值不在能生成视频而在把试错的边际成本压到接近于零。以前一个想法要拍出来才知道行不行现在几分钟就能看到大概。所以它的正确用法不是当生产工具是当思考工具——先用它把脑子里模糊的画面具象化反复看几遍把不成立的方案筛掉剩下的再认真做。我现在的习惯是每接一个项目先花半天时间用 AI 把关键镜头的方向全跑一遍哪怕最后全部实拍这半天也绝不浪费因为它能让你在开拍前就把方向上的错误犯完。