AI 视频最容易让人兴奋的地方，是一句话就能出现画面。也正因为如此，很多演示停在“生成一段很漂亮的视频”。但短剧不只需要漂亮画面，它还要让观众知道谁在做什么、为什么继续看、镜头之间是不是同一个故事。
有些模型按文字直接生成动态画面，这通常叫文生视频；有些模型从一张静态图出发，让画面产生运动，这通常叫图生视频。文生图则是用文字生成角色或场景的静态画面，常用来先确定视觉方向。知道这几种输入的区别，我才能决定先让模型帮我想象画面，还是让已经选定的画面动起来。
我想把 AI 视频当成一种新的制作能力来研究。我的目标不是先做一部完整短剧，而是先设计其中一个 30 秒开场片段：人物能认出来，动作能看懂，结尾留下一点悬念，让人愿意看下一段。它只用来验证一个开场场景的叙事和制作路线，不代表已经做出一集短剧，也不能单凭它判断连续剧情是否成立。
这里的 30 秒是一个练习规模，不代表行业标准。下面是一套我会采用的制作路线，目的是说明样片怎样规划，不是声称已经完成的短剧实测。
第一步：先有一个能拍出来的故事
短视频时长很短，但不等于故事也可以没有因果。先写出三句话：
- 主角想得到什么？
- 什么事情挡住了他？
- 结尾出现什么变化，让观众想知道接下来会怎样？
例如：一个夜班外卖员把送错的包裹送回去，门后却传来自己的声音。这个设想还不能直接拿去生成视频，但至少有角色、动作和转折。下一步要把它拆成能被观看的镜头，而不是继续往故事里塞更多设定。
我会给每个镜头指定一个功能：交代环境、呈现动作、给出反应、留下信息。30 秒可以先尝试 4 到 6 个镜头，每个镜头只承担一个主要变化。镜头越多，生成、筛选和保持连续性的工作也越多。
第二步：先固定角色，再让角色动起来
如果每个镜头都从文字重新生成，角色的脸、衣服、光线和构图可能会变。文生图适合快速探索人物外观、场景气氛和关键画面，但每张图的变化也可能把它带向不同版本。
我会先做一张角色参考图，写一段简短角色设定：年龄感、发型、服装颜色、随身物件和情绪气质。再做一张主要场景参考图。制作时把这两张图当作固定锚点，不在每个镜头里重新发明人物。
这不是保证角色完全一致的魔法。参考图只是提供稳定的视觉线索，镜头变化、遮挡、表情和模型能力仍会影响结果。我的检查项会包括：脸部特征、衣服关键细节、人物所在位置、主要光线、道具是否突然换样。
以“包裹放到门口，听见声音后回头”为例，我会先把它拆成短镜头，而不是要求一个生成任务同时完成整段表演：
镜头 | 观众需要看到什么 | 生成方式的起点 | 连续性锚点 |
1 | 夜晚楼道和主角抵达 | 场景参考图做图生视频，轻微推进 | 同一件外套、同一盏冷色楼道灯 |
2 | 包裹被放在门边 | 关键帧转图生视频，动作保持简单 | 包裹颜色与门牌位置 |
3 | 主角听见门后声音 | 近景或静止画面，声音后期处理 | 主角站在门的同一侧 |
4 | 主角回头，镜头停在表情 | 图生视频描述动作和镜头运动 | 面部、衣服和画面方向 |
5 | 门内出现异常线索 | 单独设计一张新关键画面 | 通过声音或道具接回前一镜头 |
这张表是分镜草案，不是生成结果。它让我先看见生成任务需要什么素材，也能在某个镜头失败时只重做那一段。
角色参考图的提示词，我会先控制在角色与风格信息上：
我会先选定一张可用参考，再把同一份人物描述带到分镜记录里。若模型支持参考图或角色一致性控制，就同时按其当前功能文档使用；如果不支持，提示词本身无法保证多个镜头稳定一致。
第三步：文生视频和图生视频分工
这两种名字描述的是输入不同。文生视频从文字生成画面，适合探索氛围、补充过场或尝试还没有定型的构想。图生视频则从一张图出发，让它产生运动；当我已经有了构图和角色参考，它更适合继续探索这个画面如何移动。
Runway 对其 Gen-4.5 的官方说明同时列出 Text to Video 与 Image to Video，并建议图生视频提示词重点描述运动，文生视频提示词则同时交代视觉元素和运动。快手发布的可灵 3.0 系列覆盖文本、图像、音频与视频输入输出。具体可用能力、时长与费用会随产品版本变化，我会在真正制作时再查当期说明。
我的选择顺序会是：先确定镜头里必须保留的东西，再决定生成方式。如果环境和角色都还没想清楚，先用文生图或文生视频探索方向；如果我要稳定一个已经选中的画面，就用图生视频尝试动作；如果工具支持参考素材或多模态控制，再按它的当前文档调整输入。
一个图生视频提示词骨架
我会从画面里已经有什么开始，主要写动作和镜头变化：
这个模板不是通用的“咒语”。如果模型把动作顺序理解错，我会把它拆成更短的动作或更少的镜头；如果画面一直改动角色，就退回到单镜头测试，而不是叠加更多形容词。
第四步：剪辑承担故事连续性
模型负责生成镜头，剪辑负责让镜头变成观众读得懂的因果。即使每一段单独看起来不错，拼起来仍可能出现动作跳跃、人物位置不连贯、情绪没有落点的问题。
因此，第一版样片只需要保住三个连接：角色在同一个故事里，动作有前后顺序，结尾回应开头的问题。字幕应该帮助理解，而不是补救完全看不懂的画面。声音、停顿和镜头顺序也会改变观众对同一段素材的理解。
如果我需要生成配音或音乐，会把它们作为独立资产管理，记录素材来源、使用条件和授权状态。画面里出现的真实人物、品牌、影视角色或他人作品，也不因经过生成模型就自动变成没有权利问题的素材。
我会怎样判断第一条片是否完成
我不会用“生成了多少段”衡量这次练习。更实用的是一页检查单：
- 不看说明，观众能否说出主角在做什么？
- 镜头之间是否保留关键人物特征和道具？
- 每段画面是否服务于动作或转折，而不是只做装饰？
- 失败镜头是靠剪掉解决，还是必须回到提示词重做？
- 我记录了生成次数、人工挑选和剪辑花费吗？
- 用到的模型、素材和声音是否能按其现行条件使用？
如果前四项过不了，我会缩小故事，减少角色、场景和动作；如果后两项没有记录，样片就只能证明“画面能生成”，还不能证明这条流程适合持续制作。
我的下一步不是批量生产
AI 视频让我看到的是一种新的分工：文字和图片帮助我明确视觉方向，视频模型探索动态表现，剪辑重新建立叙事顺序，人负责挑选哪些结果值得保留。
文生图、文生视频、图生视频看起来像三个创作按钮，实际需要的是一个连续的制作判断。先让故事足够小，再让角色和镜头有锚点，最后看剪辑能不能把观众带到结尾。
我想先把一条短片做得清楚，再考虑能不能扩大成短剧系列。真正值得复用的不是一段提示词，而是我能解释每一步为什么存在、失败后应该退回哪一步的制作地图。
参考资料
资料核对日期：2026-09-30。本文的 30 秒开场片段为流程示例，需经实际制作后再补充耗时、成本和效果记录。
Loading...