- 博客
- 文生视频 AI 工作流:从草稿提示词到最终成片之间的四道检查
文生视频 AI 工作流:从草稿提示词到最终成片之间的四道检查
一套可落地的文生视频 AI 流程:先锁定画面规格,用单一运镜写分镜区块,把每个参考素材绑定到唯一职责,再在改动任何一行之前用同一份清单检查每一次渲染。

大多数文生视频 AI 的尝试在模型开始渲染之前就已经出错了,因为一段提示词被同时要求承担四件互不相关的工作:决定画幅、描述场景、控制运镜、评判结果。当成片不对时,你无法判断是这四项决定里的哪一项造成的,于是下一次尝试把所有东西都改一遍,循环始终无法收敛。
解决办法是流程性的,而不是创意性的。把生成当成一条带四道决策闸门的生产循环,让每一道闸门在下一道开启之前只回答一个问题。这套流程在短片感的镜头、产品镜头,以及用 KOOX AI 上的 Seedance 2.0 这类文生视频 AI 工具制作的社媒剪辑版本上都站得住。
为什么第一版提示词从来不是成品
单薄的提示词不会以某一种可识别的方式失败,而这正是它难以修补的原因。Runway 的Seedance 2.0 提示词指南区分了六种不同的失败模式:主体含糊,渲染出的是通用的素材库式环境运动;动作只用笼统说法描述,模型就会在你未指定的细节层级上自行发明;缺少光线或运镜指示,画面就会发平;参考素材没有被指派职责,就会渗入你根本没想要的色彩或风格;一整段不分层的文字让模型无从把握节奏;而没有任何收尾约束的提示词,可能返回谁都没要求的字幕、Logo 或水印。
这份清单是用来诊断的,不是用来装饰的。在改动提示词之前,先说出你面对的是这六种里的哪一种。环境漂移是主体问题,画面发平是光线问题,冒出来的 Logo 是约束问题,你想要一条长镜头却出现了切点,是结构问题。其中只有一种能靠重写动作那一行来解决。
第一道闸门:先锁定画面规格,再动笔
面板顶部那些设置会约束后面写下的每一句话,所以要在第一次渲染让你失望之前就把它们定下来。其中三项最关键。
时长与构图排在最前。一条典型的镜头是五到十五秒,能承载的是几个镜头而不是一整段序列,所以在写之前先数清楚你实际装得下几个节拍。画幅对构图的塑造不亚于取景:竖幅与宽幅需要的主体和空间排布并不相同,同一段提示词很少能同时服务两者。
分辨率排在第二,因为它会改变提示词的读法。为高分辨率渲染里的精细细节而写的描述,用在草稿轮次上是浪费;而草稿分辨率的轮次恰恰是测试运动的好地方。有些模型还提供限制输出分辨率的快速版或 mini 版本,为极致细节写的提示词在那里拿不到它要的东西。
每个动作所占的时长排在第三。如果一个动作需要四五秒才读得出来,那么十五秒的镜头装三个很宽裕,装五个则只有在小幅动作时才成立。把六个节拍塞进八秒,是成片显得仓促却又看不出明显瑕疵最常见的原因。
第二道闸门:把需求写成两层,而不是一层
Seedance 对提示词的响应分为外层结构与内层描述,效果不佳的提示词通常是把其中一层塌进了另一层。外层是分镜表:按事件发生的顺序写出带标签的区块,让模型先知道整段的节奏,再知道里面有什么。内层是每个区块里的散文:谁在场、在做什么、在哪里、处于什么光线下、镜头如何运动。
两个习惯能把这件事落到实处。第一,写连贯的句子,而不是关键词列表。一串名词加形容词不提供它们之间的关系,模型就会把每个元素各自照字面单独渲染;同样的元素写成句子,才有可以维系在一起的东西。第二,每个镜头内部的顺序保持一致:先运镜或转场,再主体动作与表情,然后是位置或空间变化,最后是声音。模型会把镜头做的事和主体做的事分开,而稳定的顺序让这种区分更容易读出。

第三道闸门:每个镜头八个要素,只给一个运镜
一个完整的镜头区块要覆盖:精确的主体、动作细节、场景与环境、光线与色调、运镜、视觉风格、画质,以及约束。画质与收尾约束是最常被跳过的两项,而它们恰恰是让渲染保持稳定的两项。
运镜那一行值得单独定一条规则:每个镜头只给一个运动。同时要求推、拉、摇、移,会加剧不稳定,结果看起来就像一个不知道该往哪儿看的画面。单一的标准运动更稳,用平实的术语就够:中景、特写、全景、缓慢推进、平滑横移、固定镜头。如果一段序列需要两个运动,就给它两个镜头。
约束放在结尾,用「不得出现什么」来表达。场景本身用正面描述,把否定句式留到提示词的末尾——在那里写一句不加字幕、不生成 Logo 或水印,不花什么成本,却能挡掉最恼人的那一类重渲。
让主体动起来:部位、幅度与过渡
笼统的动作动词等于把细节交给模型去编,而两个动作之间的衔接会被读成一次跳切,而不是连续。写明身体部位,加上幅度、速度或力度,并把过渡写出来,大部分问题就解决了。「她拿起碗,把它放到架子上」变成「她用双手慢慢端起碗,然后借着起身的惯性自然地转向架子」。
速度既是风格决定,也是稳定性决定。缓慢、轻柔、连续的运动比高能量动作更容易保持完整,而奔跑、大幅跳跃和剧烈动作正是形变与不稳定容易出现的地方。情绪遵循同样的逻辑:「骄傲」或「紧张」这样的词给不了模型任何可见的东西,而垂下的肩膀、一次呼气、一丝浅笑才有可以驱动的东西。
第四道闸门:把每个参考素材绑定到唯一职责
参考素材是文生视频 AI 获得一致性的地方,也是最常丢掉一致性的地方。有两个做法承担了大部分价值。先用两三个稳定的静态特征把主体定义一次,此后每次出现都用同一个标签,模型就不必猜你指的是画面里的哪个人。然后把每个素材明确绑定到它所管辖的东西上,而不是挂上去碰运气:设定产品轮廓的图片只控制轮廓,设定运镜的视频只控制运镜,两者之间不互相借用别的什么。
用的素材要少于上限允许的数量。总共四到五个参考通常胜过一整套路,因为素材太多会让模型更难判断哪些特征优先,表现出来的就是风格冲突和漂移。对一个角色来说,一张特写头像配一张全身图,对脸的锚定效果远好于一张特征在画面里占比太小的合成图。
把声音放回提示词里它该在的位置
当模型在同一轮里同时生成画面和音频时,声音设计就是提示词的内容,而不是后面另做的一步。标明每一行是哪类信息:对白、音乐、音效各自用固定的写法,模型就不必去推断一句话是被说出来的、配了乐的,还是房间里的噪声。一句对白如果用的是模型不会默认的语言,需要在旁边写明是哪种语言。
检查环节的价值也体现在这里。画面对了、环境音却和场景打架的片子不算生成失败;它只是一行需要重写,因为解法就在生成它的那段提示词里。
对着固定清单检查,而不是凭感觉
最后这道闸门是大多数尝试会跳过的。在判断一次渲染好不好之前,每次都拿同一份短清单去查:主体的轮廓在运动中是否保持完整,光线在镜头之间是否一致,有没有文字、Logo 或水印,运动读起来是连贯的还是有顿挫,节奏是否与你写的分镜表相符。
面向可控生成的运镜与运动指导,用制片的说法讲的是同一件事(见 ReelMind 的运镜与运动笔记):在把一个镜头接到别的东西上之前,先检查它的运动稳定性、轮廓保持和光线一致性。通过这三项的片子即便不是你想象的那一条,也可以用;而任何一项不过的片子,在剪辑里救不回来。

一次只改一个变量
把提示词写成带标签的区块,理由就在于这样修改变得精准可切。两次生成之间只改一行,其余完全不动,输出上的差异就可归因。同时改主体行和运镜行,即便第二条片子更好,你也没有学到任何东西。
在渲染结果旁边留一份简短记录:镜头区块、设置参数,以及你改的那一行。当一条片子回来很乱时,第一步通常是做减法而不是加法,因为动作量超出了可用时间才是标准病因。如果渲染返回黑帧或直接失败,往往只是提示词对所选时长和分辨率来说过于复杂,降到每几秒一个动作,或者改用草稿分辨率,比重写一遍解决得更快。
一个镜头通过了检查清单,就别再去动它,推进到序列里的下一个。一支完成的片子是一串被验证过的镜头,而不是一句完美的提示词——这正是为什么能稳定产出文生视频 AI 结果的流程,看起来更像一张清单,而不是一句咒语。