做过 AI 视频的人,大概都经历过这个循环:写一段几百字的提示词,点生成,屏幕上出来一段画面——人动了,但腿是糊的;场景换了,但脸变了;想改一个动作,只能整段重抽,抽到好为止。成本在反复「抽卡」里悄悄烧掉,成片却始终差一口气。
问题往往不在模型不够强,而在用法:我们把「拍一部电影」这件事,压缩成了「一次生成」。
光尘方法论的核心只有一句话:电影不是一次生成的,是一层层做出来的。 AI 只做其中几步,人做判断,系统做检查。
先打个比方。把电影制作想成做饭:
没有人会把所有食材一起丢进锅里一次煮熟。AI 视频也一样——没有人能把所有动作、景别、情绪塞进一段提示词里一次生成好。
1. 一次只让 AI 做一件事。 不要在一段提示词里同时要求:走路 + 停步 + 抬头 + 回头 + 微笑 + 换景别 + 运镜。模型会顾此失彼,最后每样都差一点。正确做法是拆开:这一段只演「走近」,下一段只演「停步」,再下一段只演「抬头」,最后一段只演「回眸笑」。每段 2–4 秒,段落之间用剪辑接起来。
2. 先定结构,再出画面。 先把「这场戏怎么拍」定下来:景别(远景 / 中景 / 近景 / 特写)、镜头功能(建立空间 / 动作 / 反应 / 插入 / 空镜)、人物在画面左边还是右边、看向哪边、轴线在哪、这一段多长。结构定了再让 AI 生成画面——不要让模型一边决定怎么拍、一边演、一边剪。
3. 能用剪辑解决的,不要硬让模型演。 模型不擅长全身走路(16:9 里腿会糊、会切头)、大幅位移、两个人真实接触、长镜头保持同一张脸。这些用剪辑解决反而更好:
观众看到的是「连贯」,不是「一个镜头演完」。
4. 每层都要验收,缺数据不算通过。 每一层做完都问三个问题:信不信(看起来像真的在动吗)、跟不跟(切点有没有带着注意力走)、值不值(坏了能不能只重做这一段)。没有数据就写「不知道」,不要默认「没问题」。「测不出来」和「没有问题」是两件事。
步骤 | 做什么 | 谁做 |
|---|---|---|
1. 剧本体检 | 这场有没有转折、目标、阻碍、潜台词? | 人 + 系统初筛 |
2. 分镜 | 定景别、覆盖位、人物位置、视线、时长 | 系统给方案,人改 |
3. 首帧 | 角色定妆、选角、身份确认 | 系统生成,人看 |
4. 视频分段 | 一段只演一个动作,2–4 秒 | 系统生成,人看 |
5. 声音 | 台词、环境声、脚步、音乐 | 系统排,人听 |
6. 剪辑 | 切点、空镜、遮挡、淡入淡出 | 系统拼,人看 |
7. 体检 | 剪辑语法、动作可读、卡司、合规 | 系统跑 |
8. 返修 | 按问题回到对应层,不在一张图上硬修 | 人决定 |
关键在第 8 步:返修是「回到对应层」,不是「在同一张图上反复硬修」。 画面糊了就重生成那 2 秒,身位错了就回到分镜改位置——分层的好处,就是坏哪层修哪层。
信不信:动作可读。 头上下晃得太厉害 → 像鬼畜,不像走路(建议 ≤ 8% 脸高);背景完全不动 → 像站桩(走路/前进镜头需要背景后退);主体突然变大变小 → 像瞬间变焦,不像位移。
跟不跟:切点有没有带注意力。 动作切在中段,不要切在起手前;景别/地点变了,先给空镜或遮挡;对话用正反打,A 看右、B 看左,不要让两个人都看镜头;上一镜人在中间、下一镜突然跑右边,观众会瞬间出戏。
值不值:能不能只修一段。 一段 2 秒坏了,只重跑这 2 秒;素材、音乐、配音都进资产库,下次能复用;不能返修的成片,再漂亮也不值钱。
其他交给系统:时长、景别建议、轴线、接缝、体检、资产入库。
这套方法有明确的适用边界,说清楚比藏着好:
常见误区里,最贵的一条是「单镜抽卡,抽到好为止」——不能重剪、不能返修,成本不可控。还有一条是「把测不出来当没问题」——缺数据要写 unknown,沉默通过最危险。
这套方法论的价值,不在于让 AI 一次生成更漂亮的画面,而在于把不可控的生成,变成可分工、可验收、可返修的工程流程。它不绑定任何特定商业云平台,可以配合本地开源模型离线使用——数据留在本地,成本可控,流程可复用。
如果你也在做 AI 视频,欢迎在评论区聊聊你踩过的坑。
作者:光尘矩阵|原创,转载请注明出处。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。