AI 自动剪辑视频之（二）

2026 年 9 月 12 日AI 教学

上一篇讲了我怎么把整条流水线搭起来。这一篇专门掰扯画面。

做短视频，文案好写，配音好办，字幕更是个纯技术活。真正卡人的永远是画面。你手上没有素材，又不想出门拍，剩下的办法就两种，要么让 AI 画一张图再让它动起来，要么让 AI 直接生成一段视频。

这一篇讲前一种。

一、先说个容易误会的事

很多人一听“免费”，就以为免费档也能出图。

不是的。我流水线里那个免费档用的是本地占位图，说白了就是一张纯色渐变，上面把提示词的文字写上去，长得跟 PPT 的空白页差不多。它的用处只有一个，让你看清节奏和字幕断句对不对，真发出去可是万万不能的。

真能看的图得花钱，走火山方舟的 Seedream，好消息是这个便宜到可以忽略，一张才几分钱，一条十秒的片子拢共两三张图，几毛钱就下来了。你拿一杯奶茶的钱能生一百多张，随便试。

所以“图片生成视频”底下其实藏着两个东西：不要钱的那种发不出去，能发的那种要钱，但那点钱真不叫钱。

图是静的，视频得动，中间这一步有两条路，价钱差着两个数量级。

第一条是本地推拉摇移，也就是老法子的“肯·伯恩斯效果”。

原理很土，把一张图放大一点，再让取景框慢慢往里推、往外拉、往左移、往右移，一秒三十帧地渲出来，看着就像镜头真在动。这一步纯本地算，一分钱不花，画面也绝不会变形，因为它压根没生成任何新东西，只是在裁一张图而已。

缺点也明显，它动的是镜头，不是画面里的东西，人不会眨眼，水不会流，旗子也不会飘。口播类的内容其实够用，你听的是那几句话，画面只要不难看就行。但你要做赛车飞驰、要做人物动作，这个法子表现不出来。

第二条是把图喂给 Seedance，让它真的动起来。

这就是大家常说的图生视频了，你给一张图，它拿这张图当第一帧，往后生成几秒钟真实的运动。人会转头，光会变，尘土会扬起来。效果和上一条不在一个层次。

代价是按秒计费。Seedance 最短出五秒，两个镜头就按十秒算，一条十秒的片子十几块。生图那点钱可以忽略，这个不能。

这里有个反直觉的地方，值得单说。

你可能会想，既然 Seedance 能直接文生视频，那我干嘛还多花一步去生图呢，直接一句话让它出视频不就完了。

问题出在连贯性上。

文生视频每一镜都是模型独立想象的。你第一镜写“赛车过弯”，第二镜写“赛车冲线”，它就给你两台车，涂装不一样，机位不一样，连光线也对不上，观众一看就出戏了。

图生视频就不一样了，你先把每一镜的图生出来，图跟图之间互相参照，人物、配色、风格都能对上，然后每张图各自变成一段视频，动的是图里的东西，图定死了，视频自然就统一了。

先定画面再定运动，比一次性想象整段视频靠谱得多。 这是我这一天里最有用的一条心得。

顺着上面这条往下，就到了角色一致性。

片子里有出镜的人，最常见的翻车就是第一镜三十岁第二镜五十岁，衣服换了发型也跟着换了。我的解法是在脚本里加一个字段，叫 character，一句话把人固定住：

三十岁左右的中国男性，短发，深色连帽卫衣，安静专注

跑的时候流水线会先单独生一张角色参考图，存成 _ref.png，之后每一镜生图都带着这张图去，同时把这句描述也拼进提示词里做双保险。这样三个镜头里就是同一个人了。手上要是已经有现成的人物照片，那更简单，直接写 reference_image 指过去，优先级比 character 还高。

有一条我给自己划了红线：涉及真实人物，绝不用这个字段去生成他的脸。

前两天我做那条讲张雪机车的片子，张雪是真人，真实存在的企业家。我可以讲他公司拿了 WSBK 分站冠军，那是公开报道过的事实，但我不能让 AI 编一张他的脸放进视频里，更不能编他说过的话。那条片子我全走的不露脸镜头，赛车、压弯、终点线，事实按公开报道来，一个字不多编。

这不是什么技术上做不到，是我自己不干。

写了一天下来，几条实在的：

画面提示词要写具体的东西，别写概念。 “科技感”“未来感”“充满希望”这类词模型接不住，它压根不知道该画什么。你得写主体、环境、光线、色调、构图：“深夜书桌前，人物侧脸被屏幕微光照亮，暖色调，竖构图”，这样它才有的画。

运镜提示词一个动作就够了。 推近、拉远、左移、右移，挑一个写死，你要写成“镜头先推近再环绕最后拉远”，出来的东西一定糊，动作越复杂变形越厉害。

竖屏的主体往画面中上部放。 底下那块得留给字幕，主体放中间偏上，字幕压上去才不挡脸。这个在提示词里直接说，模型听得懂。

不要在提示词里要求出现文字。 生图模型写中文字基本都是鬼画符，需要文字就后期加，字幕、标题都走剪辑那一步。

我自己的用法是分档跑，一档一档往上加钱。

文案还在改的时候，全程用免费的占位图加本地推拉摇移，改一百遍也是零成本，只看节奏和字幕。文案定了，换成 Seedream 真生图，还是本地运镜，几毛钱，这一步专看画风对不对、色调统不统一。画风也满意了，最后才开 Seedance 让它真动起来，十几块，出正式版。

这个顺序千万别倒过来。 你要是一上来就开生视频，改一次文案烧一次钱，几十块就这么飘走了。

我在流水线里也把这个规矩写死了，缓存记的是生成参数，你改了口播、改了提示词、换了音色，只有那一镜重做，别的照旧复用。所以往上加钱的时候，前面几档的成果不会白费。

这一篇讲的都是“让 AI 画”。但还有一条路我一个字没提，就是根本不用 AI 画，直接拿现成的视频素材来剪。

那条路有它自己的门道，也有它自己的坑，尤其是素材从哪儿来这件事，中间有个特别常见的误解——很多人以为大模型能帮你上网找素材，其实它只会造，不会找。这个下一篇细说。

最后说句题外的。我现在做片子，第一反应已经不是“让 AI 画一张”，而是“我手机里有没有现成的”。AI 画得再好，也不如你自己拍的那张菜市场照片有味道，还不要钱。