AI 短视频完整教程

AI 短视频完整制作手册(官方依据校正版):即梦 Seedance 2.5 + 可灵 + 剪映

工具链:即梦(Seedance 2.5)+ 可灵 + 剪映 适用人群:零基础新手,从第一条 5 秒视频走到第一条 30 秒成片 本文约定:标有 【官方】 的内容来自 BytePlus / 火山引擎 Doubao Seedance 2.5 提示词指南、可灵 API 文档;标有 【实践】 的内容来自社区实操总结,不是官方承诺值。 官方提示词指南确认了六要素公式和参考素材的分工逻辑[reference:0];可灵 API 文档确认了首尾帧与参考图的互斥规则和 cfg_scale 默认值[reference:1][reference:2]。

目录

  1. 先建立正确的心理模型
  2. 工具准备与账号设置
  3. 三周学习路径总览
  4. 第一周——跑通
  5. 第二周——控稳
  6. 第三周——成片
  7. 提示词完整体系
  8. 人物设计完整体系
  9. 场景设计完整体系
  10. 三层锁定技术栈详解
  11. 30 秒 Demo 完整提示词
  12. 剪映收尾详解
  13. 全流程问题排查手册
  14. 常见问题 FAQ
  15. 核心结论

第一部分:先建立正确的心理模型

1.1 AI 视频模型没有“记忆”,每一次生成都是一次重新采样

AI 视频模型把每个镜头当作独立任务处理。它没有“上一个镜头长什么样”的持久记忆。即使提示词完全相同,两次生成的结果也不会完全一样,因为扩散模型在每一步去噪时都带有随机性。

这个事实推导出整本手册的第一个原则:

一致性不是“生成出来的”,是“锁定出来的”。 你无法靠一段文字描述让模型记住一张脸,只能用参考图把这张脸的特征“注入”到每一次生成中,让每次采样都被同一个锚点约束。

1.2 文字控制“类别”,参考图控制“个体”

文本提示词在模型内部被编码为语义标签。你写“黑色短发女性”,模型匹配的是“黑色短发女性”这个类别,然后从它见过的无数同类别样本中采样一个。两次采样之间没有任何强制关联。

参考图走的是另一条路:模型从图中提取身份特征向量,注入生成网络,让输出向这张脸靠拢。当文字描述和参考图同时存在时,文字可能抢走注意力——这就是为什么图生视频时如果还在提示词里写外貌,脸反而会变。

1.3 一致性会在长序列中衰减,原因有三层

第一层,注意力稀释。 分镜越长,token 数越多。身份嵌入在 cross-attention 中的权重会被背景、动作、运动轨迹等大量其他 token 稀释。

第二层,去噪误差累积。 扩散模型的每一步去噪都有微小误差。单段 5 秒的误差还没累积就结束了;多段接力时,误差像滚雪球一样放大。

第三层,跨分镜无共享状态。 每一镜独立生成,模型不“记得”上一镜的主角。它只能从你再次喂给它的参考图里重新提取身份——每次提取都有微小偏差,跨多个镜头累积起来,就是你看到的“换了张脸”。

理解了这三层,后面所有的锁定技巧就都有了归因:参考图对抗第一层和第三层,图生视频固定首帧对抗第二层,尾帧延续对抗第三层在剪辑点上的暴露。

1.4 一条必须内化的纪律

把“决定外观”和“驱动运动”拆开。

  • 决定外观:在图片阶段完成,产出角色母图、场景角度图、首帧图。
  • 驱动运动:在视频阶段完成,提示词只写动作、运镜、光影,不重复外貌。

这条纪律贯穿整本手册。任何一次“图生视频后脸变了”,第一反应都是检查提示词里是不是又写了外貌。

第二部分:工具准备与账号设置

2.1 三个工具的分工

工具负责什么为什么用它
即梦(Seedance 2.5)出图 + 短片段视频生成与剪映同账号直连;支持多视角参考图和首尾帧
可灵图生视频、多图参考、首尾帧、口型首尾帧的 ControlNet 结构锁较稳;多图参考融合对角色一致性有帮助
剪映配音、字幕、剪辑、调色、节奏AI 配音和智能字幕成熟;能直接调用即梦素材

2.2 账号与素材管理

  • 即梦和剪映使用同一账号登录,否则素材库不互通。
  • 在电脑上建一个项目文件夹,命名如 项目_小满的清晨_2026。
  • 文件夹内再建三个子文件夹:01_锁定图、02_分段视频、03_导出成片。
  • 每一张锁定图命名带版本号,如 Xiaoman_母图_v1.png、咖啡馆_窗口向内_v1.png。不要用“最终版”“最最终版”这种命名,版本号才是可追溯的。

2.3 免费额度与商用限制

  • 即梦免费版明确不能商用,可灵也要查协议。第一周练手没问题,但别拿免费版产出直接发商业内容。
  • 三个工具都有每日免费额度,第一周完全够用。等第二周开始需要更稳的一致性时,再考虑是否升级付费。
  • 先用 480P 打样,满意再渲染 1080P。高分辨率不会修复一致性,只会把已经存在的漂移放大。【实践】

第三部分:三周学习路径总览

阶段时间核心目标产出这一周绝对不要做的事
阶段一:跑通第 1 周让一张图动起来,消除对工具的陌生感1 条 5–8 秒单镜头视频不要写剧本,不要分镜,不要追求运镜复杂
阶段二:控稳第 2 周解决“换镜头就换脸/换场景”1 条 15–20 秒、2–3 镜头的短片不要跳过参考图直接文生视频
阶段三:成片第 3 周用剪映完成配音、字幕、节奏、调色1 条 30 秒可发布成片不要一次性生成全部素材再剪

每一阶段只引入必要的新概念。第一周不碰参考强度、seed、首尾帧;第二周才引入角色卡和场景角度图;第三周才引入调色和节奏对齐。

第四部分:第一周——跑通

4.1 这一周的唯一任务

把图生视频这条链路走通一次。

你不需要理解参考强度,不需要做角色卡,不需要分镜。你只需要:写一句画面 → 用即梦出图 → 选一张 → 丢进可灵图生视频 → 提示词只写动作 → 生成 → 看有没有明显“崩”。

4.2 第一步:写一句“一句话画面”

一个穿白衬衫的女生,站在窗边看手机,午后自然光。

这句话已经包含了主体、动作、场景、光影四个要素。即梦和可灵都接中文提示词,不需要翻英文文档。

为什么只写一句? 第一周的目标是跑通链路,不是做艺术。句子越简单,变量越少,你越容易判断“哪一步出了问题”。

4.3 第二步:即梦出图

在即梦的“图片生成”里输入上面那句话,生成 4 张变体。

选图标准:

  • 脸最清晰的一张
  • 构图最稳的一张
  • 没有明显手部畸形的一张

保存为 第一周_测试图_v1.png。

可能遇到的问题:

问题原因改法
四张图脸都不一样文生图本身就是随机采样正常现象,选一张最顺眼的即可,第一周不需要锁定
手部畸形扩散模型手部是常见短板换一张手不明显的构图,或接受它
画面太“塑料感”提示词缺质感约束加“写实电影质感”或“35mm film look”

4.4 第三步:可灵图生视频

打开可灵的“图生视频”,上传 第一周_测试图_v1.png。

提示词只写运动:

镜头缓慢右移,女生轻微抬头。

为什么这一步用可灵而不是即梦? 可灵在图生视频时建议删掉提示词里的外貌描述,只写动作和运镜。如果你还在提示词里写“一个穿白衬衫的女生”,文字会覆盖参考图,反而导致脸变样。新手在第一周就养成这个习惯,后面会省很多事。

参数设置:

参数推荐值依据
时长5 秒先跑通,再延长
画幅9:16(竖屏)按发布平台选
分辨率480P 或 720P先用低分辨率确认构图和动作
cfg_scale0.6–0.7【官方】 默认 0.5,值越高越贴提示词[reference:3];0.6–0.7 是实践区间

4.5 第四步:生成 2–3 条,只检查一件事

只检查:人物有没有变形、手指有没有多出来、画面有没有突然扭曲。

遇到“手崩了”是正常的,重试即可,不要试图修。第一周不要打开剪映,不要做后期。你的任务只是观察“图生视频会出什么问题”。

4.6 第一周避坑清单

  • 单段不要超过 8 秒。 超过 8 秒,一致性开始明显漂移,新手会误以为是自己的提示词写错了。
  • 不要在这一周调参考强度。 你还没有角色卡,参考强度没有稳定的参考对象。
  • 不要在这一周做多镜头。 多镜头是第二周的事。第一周只做一个镜头,做完就停。

第五部分:第二周——控稳

5.1 这一周要面对的真正门槛

第一周你只做了一个镜头。第二周要面对 AI 视频真正的门槛:多个镜头放在一起,人物和场景还是不是同一个。

5.2 核心原则:把“外观”和“运动”拆开

人物和场景在进入视频生成之前,就必须以“资产”的形式存在;视频生成阶段只负责动作和运镜,不负责“决定长什么样”。

5.3 第一步:做角色参考图(不是写一段文字)

在即梦里生成角色的正面、侧面、45 度三张图,纯色背景,保存下来,整周不换。

角色母图的生成提示词示例:

一位28岁的东亚女性,齐肩直黑短发,棕色眼睛,浅色皮肤,穿白色亚麻衬衫和浅橄榄色帆布围裙,小号金色耳钉。正面半身肖像,眼睛看向镜头,均匀柔和的自然光,浅灰纯色背景,面部无遮挡,高清,写实电影质感。

生成 3–4 张变体,选正面、五官最清晰的一张保存,命名为 Xiaoman_母图_v1.png。

选图标准: 把三张并排放大,问自己“这像不像同一个人换了个角度”。不像就重生成,不要凑合。

5.4 第二步:做场景角度图

用即梦生成同一空间的 3–4 个角度(正面、侧面、反向视角)。新手先做到 “同一个房间,不同机位” 即可。

场景主角度生成提示词示例:

清晨的独立咖啡馆室内,大理石吧台在前景,吧台后是木质咖啡机和磨豆机,左侧是一扇大玻璃窗,窗外是模糊的街道。暖色晨光从窗口斜射进来,空气中有轻微尘埃颗粒。中景,竖屏9:16,写实电影质感,安静温暖的氛围,没有人。

保存为 咖啡馆_窗口向内_v1.png。

5.5 第三步:每一镜都从“图生视频”开始

文生视频的第一帧是随机的,图生视频的第一帧是你审核通过的那张图。

即梦操作路径: 首页「视频生成」→ 选 Seedance 2.5 → 上传图片 → 单张图走图生视频,两张图走首尾帧。时长可选 5/10/15/30 秒,比例按发布平台选 9:16 或 16:9。

可灵操作路径: 「图生视频」→ 上传参考图 → 提示词只写运动 → 选时长(5/10 秒)和画幅(9:16 / 16:9 / 1:1)。

5.6 第四步:写一条“只写运动”的提示词

人物保持参考图中的外貌和服装不变。她端起杯子,缓慢转向窗口,镜头固定。

“保持与参考图同一角色” 这句话要显式写出来。一致性首先是参考图的责任,其次是提示词的责任,缺一不可。

5.7 第二周的关键纪律:一次只改一个变量

动作和长相分开改。想出站姿,就只改站姿那几个字,别的原封不动;想换表情,就只换表情那几个字。描述里任何一个词被换掉,模型都会当成一次新的理解。

5.8 第二周的小项目

做一条 15 秒、2–3 个镜头的短片。只检查两件事: 脸是否还是同一个人、背景是否还是同一个空间。其他瑕疵先忽略。

5.9 第二周避坑清单

  • 可灵生成的片段需要手动下载再导入剪映,目前可灵和剪映没有直连通道。下载时点“高清”。
  • 即梦和剪映是直连的:同一账号登录,即梦生成的素材可以直接在剪映素材库调用,无水印。
  • 不要在这一周做超过 5 个镜头。 镜头越多,跨分镜累积误差越大。

第六部分:第三周——成片

6.1 这一周的任务

前两周你已经有了“能用的镜头”。第三周的任务不是生成更多素材,而是把已有素材组织成一条有节奏、有声音、有字幕的成片。

6.2 剪映的四件事,按顺序做

6.2.1 配音

把台词或口播稿粘贴进剪映的“AI 配音”,选一个音色,一键生成。新手不要自己录,先用 AI 配音跑通流程。

6.2.2 字幕

用剪映的“智能字幕”自动识别配音,样式选白字黑描边,字号调大,确保手机上能看清。

6.2.3 调色

用“调节” → 色温/色调/饱和度统一所有片段,或使用“智能调色”一键匹配。一个调色预设覆盖全片。

6.2.4 节奏

转场点卡在动作完成帧,而不是随机截断。如果镜头 A 是“伸手开门”,就在手触到门把的瞬间切到镜头 B。

6.3 收尾呼应怎么实现

方式一:尾帧作为下一镜首帧。 上一镜的最后一帧,就是下一镜的第一帧。

方式二:首尾帧闭合。 一个镜头的首帧和尾帧设计成同一个空间、同一个角色、相近的构图,模型自动补出中间过程。

方式三:叙事级首尾呼应。 开场镜头的构图、色调、道具,在结尾镜头中以变体形式重现。这需要在分镜阶段就设计好。

6.4 第三周的发布前检查

  • 人物和画面有没有明显变形?
  • 字幕在手机上能不能看清?
  • 节奏有没有拖得太慢?
  • 开头 3 秒有没有让人想继续看的东西?
  • 结尾有没有引导收藏或评论?

第七部分:提示词完整体系

7.1 官方六要素公式

【官方】 BytePlus / 火山引擎 Seedance 2.5 提示词指南给出的公式是:

主体 + 动作或事件 + 场景与环境 + 视觉风格 + 运镜或切镜 + 声音

官方原文的表述是“先说清楚想生成什么,再按需补上参考素材、过程、画面和声音”[reference:4]。前两项(主体、动作)是地基,后四项按需添加。

示例:

一名陶艺师在清晨的工作室中完成一只浅蓝色陶杯,将它从转盘上取下并放到木架中央。窗外柔和晨光照入室内,湿润陶土呈现细腻光泽。镜头先以中景记录拉坯动作,再缓慢推近陶杯表面的纹理,最后切到木架正面。保留转盘低沉转动声、陶土摩擦声和轻微室内环境声。

7.2 参考素材的分工(官方强调的关键动作)

【官方】 上传参考素材后,“最关键的一步是逐份说明每份素材负责什么”[reference:5]。不要让模型自己猜哪张图负责角色、哪张图负责场景。

Seedance 2.5 单次最多可组合 50 份参考素材,其中:

类型官方上限官方推荐的稳定区间
图片最多 30 张,单张 ≤4K1–8 张更稳定;9–12 张可尝试,但稳定性下降、需要抽卡[reference:6][reference:7]
视频最多 10 段,合计 ≤30s视频编辑时原片建议 ≤20s[reference:8]
音频最多 10 段,合计 ≤30s—

这意味着“3 张参考图”不是工具上限,而是新手策略。 官方能力是 30 张,但推荐范围是 1–8 张。新手从 3 张起步,是因为参考图越多,特征不一致时被“平均”的风险越大。

7.3 负面控制:Seedance 2.5 没有独立 negative_prompt 参数

【官方/实践边界】 Seedance 2.5 的公开 API 没有独立的 negative_prompt 参数,排除项需要写在提示词内部[reference:9]。官方支持的负向控制主要是字幕和音频:

不额外加入对白字幕 / 不要字幕
无 bgm,只生成环境音和动作音

如果你从社区看到“blurry, extra fingers, deformed hands”这类负面词模板,可以把它放在提示词末尾,但需要知道:它不是官方参数,效果取决于模型是否把“no X”理解为排除而不是引入 X。最稳的负向控制是显式写“No subtitles, no text, no BGM”,而不是堆叠大量负面形容词。

7.4 运镜指令库

【官方】 以下运镜可以直接写进提示词:景别(大全景/全景/中景/近景/特写)、运镜(推/拉/摇/移/跟/环绕/俯冲/后拉/上摇/手持晃动)、机位(低角度/俯视/第一人称);热门运镜如一镜到底、希区柯克变焦、航拍、FPV、子弹时间也支持[reference:10]。

运镜类型英文指令主要用途
推镜slow dolly-in强调细节、聚焦重点
拉镜slow dolly-out揭示环境、收尾释放
横摇pan left / pan right展示空间
竖摇tilt up / tilt down角色登场、空间揭示
环绕slow orbit / 180-degree orbit立体展示主体
跟拍tracking shot沉浸感
固定static shot对话、纪实风格

一条硬规则:一个镜头只用一种主要运镜。 如果需要第二种,写清转折点,例如“先固定 3 秒,然后开始缓慢推近”。

7.5 景别与一致性

【实践】 特写里脸占的面积大,身份特征强,一致性更容易维持;大远景里人只占几个像素,模型几乎没有足够信息来锁定“这是谁”。需要严格一致性的关键镜头,尽量用中景以上的景别。

第八部分:人物设计完整体系

8.1 AI 是如何“区分”人物的

AI 并没有一个内置的“人脸数据库”。它做的是特征编码 + 条件注入:从参考图中提取身份特征向量(identity embedding),注入生成网络,让输出向这张脸靠拢。文字只提供语义标签,参考图提供的是可以直接注入网络的特征向量。

8.2 角色卡的三件套

  1. 一张主肖像(母图):正面、眼睛可见、均匀光照、纯色或虚化背景、面部无遮挡。
  2. 一张全身图:穿着本集服装,用于人物在画面中移动的镜头。
  3. 一段固定的文字角色块:粘贴到每一个提示词中,一字不改。

8.3 角色文字块:要“可量化”,不要“模糊”

弱锚点:

一位年轻女性,黑色头发

强锚点:

一位30岁的东亚女性,齐肩直黑发带自然弧度,棕色眼睛,浅色皮肤,左耳戴银色水滴耳坠,穿合身的红色皮夹克搭配白色圆领T恤,深蓝色修身牛仔裤,白色运动鞋

两条铁律:

  • 绝不改述:同一个角色在所有提示词中的描述必须逐字相同。哪怕只差一个字,也可能触发全新特征采样。
  • 服装在一集内保持固定。中途换装,为新服装单独做参考图。

8.4 角色卡模板

称呼:阿檀(全片只用这一个叫法)
静态特征(2–3 个):齐肩黑发、墨绿色雨衣、银色耳钉
画风:2D日漫风格(和成片一致)
图片1:大头照,只含头部
图片2:全身照,单人

8.5 人物设计案例:从零到角色卡

第一步:生成四视图

一位穿蓝背带裤、圆脸短发的8岁中国男孩,写实卡通风格,生成正面、左侧、右侧、背面四张三视图,纯灰背景,无阴影,高清线条清晰

第二步:筛选并保存主肖像(母图)

选正面、面部最清晰的一张,作为后续所有视频生成的角色参考图。

第三步:撰写角色文字块

与图片放在同一个文件夹中,文件名带版本号。

第九部分:场景设计完整体系

9.1 为什么场景也会“漂”

场景一致性的失败,根源和人物一样:模型对“同一个房间”没有持久记忆。额外的放大器包括:环境语义漂移(光线方向变了、道具颜色变了)、时序运动断层(拼接处动作跳变)、多镜头并行生成时场景特征没有被强约束。

9.2 九宫格场景锁定法

先用即梦生成同一空间的 9 个不同角度:正面、左侧、右侧、俯视、仰视、角落、门口向内、窗口向外、反向视角。后续每个镜头的图生视频都以其中对应的角度图作为首帧参考。

新手简化版: 先做 3–4 个角度(正面、侧面、反向视角)即可。

9.3 可灵的“环境冻结”写法

穿白衬衫的男人(面部清晰,手部静止)→背景写字楼大堂,大理石地面,左侧旋转门,右侧前台,冷白色顶光,环境元素在整段视频中保持不变

关键是把背景元素当作被“冻结”的物体来写。

第十部分:三层锁定技术栈详解

10.1 第一层:每一镜都传参考图

【官方】 Seedance 2.5 参考图上限 30 张,单张 ≤4K[reference:11]。官方推荐 1–8 张更稳定,9–12 张可尝试但需要抽卡[reference:12]。

【实践】 新手从 3 张以内起步,基准图放第一位。参考强度如果界面提供,可以从 68%–73% 作为起步参考——但需要明确:这不是官方数值,社区实测中 65%–75% 区间较常见,具体取决于你的参考图质量和镜头类型[reference:13][reference:14]。

可灵: Kling 4.0 Omni 最多支持 10 张参考图[reference:15]。

10.2 第二层:图生视频固定首帧

文生视频的第一帧是随机的,图生视频的第一帧是你审核通过的那张图。这一步把“决定外观”从视频生成阶段剥离出去。

一条关键纪律: 图生视频时删掉提示词里的外貌描述,只写动作、场景和运镜。

可灵 cfg_scale:【官方】 默认 0.5,取值 0–1,值越高模型越贴提示词、灵活性越低[reference:16][reference:17]。【实践】 图生视频建议 0.6–0.8,兼顾一致性和运动自然度。

10.3 第三层:尾帧延续

把上一镜的最后一帧作为下一镜的首帧参考。

可灵首尾帧的硬规则:【官方】 首尾帧 不能与参考图、参考视频同时使用;同时给了两类只会保留一类[reference:18][reference:19]。首尾帧模式下比例跟随首帧[reference:20]。

这意味着: 如果你想用首尾帧做无缝衔接,就不要在这一镜再传角色参考图;角色一致性要靠首帧和尾帧本身来承载。

10.4 补充:固定 seed

【实践】 相同 seed + 相同提示词 = 相似结果。首次生成满意母图时复制 seed 值存档,后续同角色生成时在 prompt 末尾追加同一 seed。

第十一部分:30 秒 Demo 完整提示词

11.1 Demo 说明

主题: 咖啡师小满的清晨。竖屏 9:16,电影感,暖色调。
结构: 6 段 × 5 秒 = 30 秒。
逻辑: 先做两张锁定图 → 每一段都用图生视频,首帧来自锁定图 → 提示词里只写动作和运镜 → 6 段在剪映拼接。

提示词里的 @Image1、@Image2 是占位写法,上传图片后用平台自己的参考图编号替换。

11.2 先做两张“锁定图”(在即梦中完成,只需做一次)

锁定图 1:角色主肖像(Xiaoman)

一位28岁的东亚女性,齐肩直黑短发,棕色眼睛,浅色皮肤,穿白色亚麻衬衫和浅橄榄色帆布围裙,小号金色耳钉。正面半身肖像,眼睛看向镜头,均匀柔和的自然光,浅灰纯色背景,面部无遮挡,高清,写实电影质感。

生成 3–4 张变体,选正面、五官最清晰的一张保存,命名为 Xiaoman_母图_v1.png。

锁定图 2:场景主角度(咖啡馆吧台·窗口向内)

清晨的独立咖啡馆室内,大理石吧台在前景,吧台后是木质咖啡机和磨豆机,左侧是一扇大玻璃窗,窗外是模糊的街道。暖色晨光从窗口斜射进来,空气中有轻微尘埃颗粒。中景,竖屏9:16,写实电影质感,安静温暖的氛围,没有人。

保存为 咖啡馆_窗口向内_v1.png。

11.3 六段完整提示词

第 1 段|0–5s|建立空间与人物

首帧来源: 咖啡馆_窗口向内_v1.png
运镜: 缓慢推近(slow dolly-in)

@Image1 is the first frame. The camera slowly pushes in from a medium shot toward the counter. Xiaoman, the woman in the white linen shirt and olive apron, stands behind the marble counter, gently placing a white ceramic cup under the espresso machine. Warm morning light comes through the side window from the left. Dust particles float in the light. Static body posture, no sudden movements. Cinematic, quiet, 35mm film look. No subtitles, no text, no BGM; ambient café room tone and the soft hum of the espresso machine only.

检查点: 脸是否和母图一致、围裙颜色是否还是浅橄榄色、光是否从左侧窗口进来。

第 2 段|5–10s|人物动作

首帧来源: 第 1 段的最后一帧;同时上传 Xiaoman_母图_v1.png 作为角色参考
运镜: 固定机位(static shot)

@Image1 is the first frame, and @Image2 is the character reference. Xiaoman keeps the same face, hair, and clothing as @Image2. She presses the espresso button, then turns her head slightly toward the window. The camera stays static. Same warm morning light from the left window, same counter and espresso machine in the background. No face morphing, no hand deformation, no extra fingers. No subtitles.

检查点: 脸是否还是同一个人、手是否自然、背景的咖啡机是否没有变样。

第 3 段|10–15s|手部特写

首帧来源: 咖啡馆_窗口向内_v1.png
运镜: 固定近景(static close-up)

@Image1 is the first frame. Close-up of a woman's hands in a white linen sleeve and olive apron lifting a white ceramic cup from the marble counter. Steady hands, no shaking. Warm morning side light from the left. The marble texture and the edge of the espresso machine stay exactly as in @Image1. Shallow depth of field. No subtitles, no text.

检查点: 手部是否有变形、杯子和吧台材质是否和场景图一致。

第 4 段|15–20s|中景连续动作

首帧来源: 第 3 段的最后一帧;Xiaoman_母图_v1.png 作为角色参考
运镜: 缓慢环绕半圈(slow 180-degree orbit)

@Image1 is the first frame, and @Image2 is the character reference. Xiaoman, with the same face, hair, and olive apron from @Image2, holds the cup and looks toward the window. The camera slowly orbits around her from the front-left toward the front-right, revealing more of the café interior. She does not speak. Warm morning light stays consistent from the window side. Cinematic, smooth orbit, no abrupt cuts. No subtitles.

检查点: 环绕过程中脸是否漂移、围裙和衬衫是否保持同一套服装。

第 5 段|20–25s|环境空镜过渡

首帧来源: 咖啡馆_窗口向内_v1.png
运镜: 固定机位(static shot)

@Image1 is the first frame. The counter is now empty except for a finished latte in a white ceramic cup sitting on the marble. Steam rises slowly from the cup. The camera is static. The same warm morning light comes from the left window, the same dust particles float in the air, the same espresso machine and wooden counter texture as in @Image1. Quiet, still, cinematic. No people, no subtitles, no text. Ambient café room tone only.

检查点: 这个镜头是“呼吸段”,只要背景和光线和前面一致,就成功了。

第 6 段|25–30s|收束与呼应

首帧来源: 第 5 段的最后一帧;尾帧: 咖啡馆_窗口向内_v1.png
运镜: 缓慢拉远(slow dolly-out)

@Image1 is the first frame, and @Image2 is the last frame. The camera slowly pulls back from the finished latte on the counter, revealing the full café counter and the window from @Image2. Steam continues to rise gently. The final frame matches the composition and warm light of @Image2. Slow, quiet, cinematic. No subtitles, no text, no BGM; ambient room tone only.

检查点: 拉远后的构图是否回到了开场那张场景图的角度,形成首尾呼应。

注意: 第 6 段走首尾帧模式时,不要再额外上传角色参考图——可灵首尾帧与参考图互斥[reference:21]。首尾帧本身已经承载了构图和一致性。

11.4 新手操作顺序(按这个顺序做,不要跳步)

  1. 做锁定图: 在即梦图片生成里做 Xiaoman_母图_v1.png 和 咖啡馆_窗口向内_v1.png,各选一张保存。
  2. 第 1 段: 用 咖啡馆_窗口向内_v1.png 做首帧,走图生视频,出 2–3 条,选脸和光最对的一条。
  3. 第 2 段: 导出第 1 段最后一帧作为首帧,同时上传 Xiaoman_母图_v1.png 作为角色参考,生成。
  4. 第 3 段: 重新用 咖啡馆_窗口向内_v1.png 做首帧,拍手部特写。
  5. 第 4 段: 用第 3 段尾帧做首帧,Xiaoman_母图_v1.png 做角色参考,走环绕运镜。
  6. 第 5 段: 回到 咖啡馆_窗口向内_v1.png 做空镜。
  7. 第 6 段: 首帧用第 5 段尾帧,尾帧上传 咖啡馆_窗口向内_v1.png,走首尾帧模式,不额外上传参考图。
  8. 剪映拼接: 6 段按顺序放入时间线,转场点卡在每一段动作完成的那一帧;加环境音和轻 BGM;字幕用智能字幕自动识别(这段 Demo 没有台词,可以不加字幕,或只加一句标题字幕)。

第十二部分:剪映收尾详解

12.1 素材导入

  • 即梦生成的素材:同账号登录时,可直接在剪映素材库调用,无水印。
  • 可灵生成的素材:手动下载高清版,再导入剪映。
  • 导入后先按顺序排列,不要急着剪。先看一遍完整播放,判断整体节奏。

12.2 配音与字幕

  • 配音:粘贴稿子进“AI 配音”,选音色,一键生成。
  • 字幕:用“智能字幕”自动识别,白字黑描边,字号调大。

12.3 调色与节奏

  • 调色:用“调节”统一色温/色调/饱和度,或“智能调色”一键匹配。一个调色预设覆盖全片。
  • 节奏:转场点卡在动作完成帧。宁可短一点,不要长一点。

12.4 发布前检查

  • 人物和画面有没有明显变形?
  • 字幕在手机上能不能看清?
  • 节奏有没有拖得太慢?
  • 开头 3 秒有没有让人想继续看的东西?
  • 结尾有没有引导收藏或评论?

第十三部分:全流程问题排查手册

13.1 第一周常见问题

问题原因改法
四张图脸都不一样文生图随机采样选一张最顺眼的即可
手部畸形扩散模型手部短板换构图或接受它
图生视频后脸变了提示词还在写外貌删掉外貌词,只写动作和运镜
视频中途画面扭曲一个镜头写了两种运镜一个镜头只保留一种主要运镜

13.2 第二周常见问题

问题原因改法
换镜头后脸变了每一镜没有使用同一张角色参考图补传角色图;角色块逐字粘贴
换机位后背景变了首帧不是来自同一组场景角度图从保存的场景图中选对应角度作首帧
角色像“多个人平均”参考图特征不一致被平均缩减参考图数量,基准图放第一位
参考图“不生效”参考图背景杂乱、面部遮挡;或参考强度过低换干净的主肖像图;强度从 68%–73% 起步试
首尾帧过渡像“切换镜头”首帧和尾帧主题差异过大换成同一个人换姿势、同一个场景换时间
首尾帧模式下脸变了同时传了参考图(官方互斥)首尾帧模式下不传参考图

13.3 第三周常见问题

问题原因改法
全片色调不统一不同片段色温微差用一个调色预设覆盖全片
字幕看不清字号太小或样式太花白字黑描边,字号调大
节奏拖沓片段太长或转场点不对卡在动作完成帧
配音和画面对不上时长不匹配先配音,再按配音时长裁剪画面

13.4 跨阶段通用问题

问题原因改法
超过半分钟后画面开始漂单段时长过长拆成多段生成,再拼接
风格漂移(2D 变真人)提示词缺风格约束加“2D日漫风格”等明确风格词
运镜中途乱掉一个镜头写了两种运镜一个镜头只保留一种主要运镜
手或口型翻车模型当前短板重试;可调低 cfg_scale 增加灵活性

第十四部分:常见问题 FAQ

Q1:参考图到底能放几张?

【官方】 Seedance 2.5 上限是 30 张,单张 ≤4K。官方推荐 1–8 张更稳定,9–12 张需要抽卡[reference:22]。可灵 Kling 4.0 Omni 上限是 10 张[reference:23]。教程中“3 张以内”是新手策略,不是工具上限。

Q2:参考强度有没有官方推荐值?

没有统一的官方数值。 即梦的参考强度是一个 0–100 的滑块,效果取决于参考图质量和镜头类型。社区实测中 65%–75% 区间较常见,可以从 68%–73% 起步试,但不要把它当作官方标准[reference:24][reference:25]。

Q3:Seedance 2.5 有 negative_prompt 参数吗?

【官方】 公开 API 没有独立的 negative_prompt 参数。负向控制需要写在提示词内部,官方明确支持的是负向控制字幕和音频(“不要字幕”“无 bgm”)[reference:26][reference:27]。

Q4:可灵首尾帧能和参考图一起用吗?

不能。 可灵官方规则是“首尾帧不能与参考图、参考视频同时使用;同时给了两类只会保留一类”[reference:28][reference:29]。需要首尾帧时,一致性靠首帧和尾帧本身承载。

Q5:cfg_scale 怎么调?

【官方】 默认 0.5,取值 0–1,值越高模型越贴提示词、灵活性越低[reference:30]。【实践】 图生视频建议 0.6–0.8,兼顾一致性和运动自然度。

Q6:即梦和可灵选哪个?

即梦的优势是和剪映直连、素材无水印直达剪映;可灵的优势是首尾帧的 ControlNet 结构锁较稳、多图参考融合对角色一致性有帮助。建议两个都注册,按任务选。

Q7:我需要学 ComfyUI 吗?

第一年不需要。新手用即梦+可灵+剪映就能做出可发布的成片。

第十五部分:核心结论

人物和场景在进入视频生成之前,就必须已经以“资产”(图 + 固定文字块)的形式存在;视频生成阶段只负责动作和运镜,不负责“决定长什么样”。

从机制上看,这句话的意思是:参考图提供可注入的特征向量,图生视频把首帧的随机性消除,尾帧延续把跨片段的运动断层接上,剪辑点卡在动作完成帧完成叙事层面的收尾呼应。 四件事各管一个漏洞,合在一起,才是从“抽卡”走向可控的完整路径。

这一周就开始:打开即梦,写下你的一句画面,生成第一张图,然后把它丢进可灵让它动 5 秒。