1.1 AI视频的定义、生成原理与常见成品类型
我第一次接触AI视频的时候，脑子里冒出来的画面是科幻电影里那种机器人剪辑师。真正用下来才发现，它更像一个特别听话但偶尔犯迷糊的实习生。AI视频说白了，就是你给机器一段文字、一张图或者一段音频，它通过算法帮你生成动态画面。生成原理这块不用钻太深，大概知道它是靠扩散模型和时序网络配合工作就行。扩散模型负责理解你的描述，时序网络负责让画面动起来不跳帧。我一般跟朋友解释就说，像你脑子里想一个画面，AI帮你画出来还让它动，只是它画得好不好取决于你说得清不清楚。
常见的成品类型分这么几种。一种是纯文生视频，你打字描述场景，出来就是一段几秒到十几秒的短片。第二种是图生视频，你给一张静态照片，AI让里面的人物眨眼、风吹头发、背景水流。第三种是数字人视频，你写一段口播稿，选个虚拟形象，它帮你念出来还带口型。还有一种是AI剪辑，你丢一堆素材进去，它帮你粗剪、配乐、加字幕。我都试过，每种上手难度不一样。
刚开始别贪多，选一种类型玩熟再说。我自己是从图生视频入手的，因为控制感强，翻车了也知道问题出在哪儿。
1.2 零基础学习AI视频的路径、设备与软件准备
零基础学这个，最怕一上来就报几千块的课。我走过弯路，后来发现路径其实很简单。先花两天把主流工具注册一遍，每个都点一遍界面按钮，别怕点错。然后挑一个工具，模仿别人的成品做三条视频，哪怕一模一样也没关系。三条之后你自然知道每个参数是干嘛的。再往后就是自己写提示词，反复调，反复看结果。我认识一个做早餐店短视频的老板，他就用手机加一个免费工具，每天发一条，两个月下来比专业团队做得还自然。
设备方面，一台能上网的电脑或者手机就够了。电脑的话，显卡好一点生成速度快，但这不是门槛，我见过用轻薄本一样出片的。软件准备分两块：生成工具和剪辑工具。生成工具像Runway、Pika、可灵这些，挑一两个顺手的。剪辑工具用剪映或者CapCut就行，免费功能足够。我一开始用PR，后来发现剪映的自动字幕和AI配乐太省事了，现在基本只用剪映。
还有一点容易被忽略，就是素材库。平时看到好的图片、音乐、音效随手存下来，分类放好。等你开始做视频的时候，素材库就是你的弹药库。我手机里专门有个相册叫“AI素材”，攒了快两千张图，做视频的时候翻一翻就有灵感。
1.3 AI视频制作与传统视频制作的差异及适用场景
传统视频制作我干过几年，一个三分钟的产品片，策划、拍摄、剪辑、调色、配音，少说两周。AI视频把中间环节压缩了，你不需要摄像师、不需要灯光师、不需要租棚。我上个月帮朋友做一条咖啡店宣传片，从写脚本到成片输出，四个小时。画面质感肯定比不上实拍，但发朋友圈和小红书完全够用。最大的差异是试错成本。传统拍摄你拍废一条镜头，时间场地人工全浪费。AI视频你生成一条不满意，删掉重来，只花几秒。
适用场景这块，我分三类说。第一类是口播和知识科普，数字人帮你念稿子，省了化妆打光背台词。第二类是产品展示和广告，特别是那些实拍不好拍的场景，比如微观世界、未来城市、抽象概念。第三类是个人表达，老照片动起来、音乐MV、图文转视频，这些用AI做比传统方式便宜太多。反过来说，需要真实人物情感、复杂动作交互、精确产品细节的片子，目前AI还接不住。我自己的判断标准是：如果这个视频的核心是“信息传递”，AI够用；如果核心是“情绪共鸣”，传统拍摄更稳。但边界在变，每个月都有新工具打破我的判断。
2.1 文生视频、图生视频、数字人与AI剪辑工具分类
我一开始把所有AI视频工具都当成一类东西，用着用着才咂摸出味道来。它们其实分成四个门派，每个门派的脾气完全不一样。文生视频是最像“许愿”的那种，你打一段字，它给你一段画面。Runway、Pika、可灵、Sora都算这个门派。图生视频更像是“让照片活过来”，你给一张图，它负责让里头的东西动。数字人工具是另一个路子，你写稿子，它让虚拟人张嘴说话，HeyGen、D-ID、剪映的数字人功能我都用过。AI剪辑工具最接地气，你丢素材进去，它帮你粗剪、配字幕、加音乐，剪映、CapCut、Descript都算。
我自己最常用的是图生视频，因为可控。文字描述再细，AI理解出来总有些偏差。给一张图，至少构图和主体是确定的，我只需要控制运动方式。数字人我主要用来做口播类内容，省了化妆、打光、背稿子。AI剪辑我用得最少，因为我的素材量不够大，自动剪辑的优势发挥不出来。有个做美食账号的朋友天天用AI剪辑，他把拍摄素材丢进去，十分钟出一条，效率高得吓人。
选工具这件事，我的建议是别贪。每个门派挑一个顺手的，先用透。我见过有人同时开五个工具，结果哪个都只摸了个皮毛，出片质量一直上不去。我自己的组合是：可灵做文生视频，Runway做图生视频，HeyGen做数字人，剪映兜底剪辑和字幕。这个组合用了小半年，基本覆盖我所有需求。
2.2 工具注册、界面功能、基础参数与生成流程
注册这件事看着简单，里头有不少门道。海外工具像Runway、Pika，一般用邮箱或者谷歌账号注册，部分需要科学上网。国内的可灵、即梦、Vidu用手机号就行，注册流程快很多。我建议注册的时候就用一个固定邮箱，别到处乱用，不然到时候找账号都找不着。有些工具注册完送积分，够你试几十次，别浪费，先想好要试什么再动手。
界面这块，大部分工具的逻辑差不多。左边或者上边是输入区，你写提示词、传图片、选参数。中间是预览区，生成的结果在这儿显示。右边或者下边是历史记录，你生成过的东西都在里面。基础参数无非这几个：时长、比例、运动强度、风格。时长一般三到十秒，比例有横屏竖屏方形，运动强度控制画面动得多厉害，风格就是写实、动画、电影感这些。我刚开始用的时候把运动强度拉满，结果画面抖得像地震，后来发现数值调到中间偏下最稳。
生成流程我走一遍给你看。打开工具，选模式，文生视频还是图生视频。然后写提示词，描述你想要的画面，越具体越好。接着选参数，时长、比例、运动幅度。点生成，等几十秒到几分钟。出来之后看结果，不满意就改提示词或者换参数再来。我一般一个镜头会生成三到五次，挑最好的一条。有个小技巧，同样的提示词多跑几次，每次结果都不一样，有时候会有惊喜。
2.3 免费与付费方案对比、导出格式与素材管理
免费方案能用，但有天花板。大部分工具免费版给的是积分制，注册送一些，每天签到送一些，用完了要么等第二天，要么掏钱。免费版通常还有水印，分辨率也低一些。我刚开始全靠免费额度撑着，做了十几条视频，后来发现不够用，才充了第一个会员。付费方案分月付和年付，年付便宜不少，但我建议先月付，用一两个月确定自己真的需要再转年付。价格从几十到几百不等，Runway的标准版一个月十几美元，可灵的会员一个月几十块人民币，差距挺大。
导出格式这块，主流就是MP4，少数工具支持MOV和GIF。分辨率有720P、1080P、4K，免费版一般只给720P或者带水印的1080P。帧率常见的是24帧和30帧，电影感选24，日常内容选30。我导出的时候一般选MP4加1080P，兼容性最好，传哪个平台都没问题。有些工具导出还要排队，付费用户优先，免费用户等得久一点，这个要有心理准备。
素材管理是我踩过坑的地方。一开始生成完就扔那儿不管，后来要做混剪，找半天找不到。现在我的习惯是：每个项目建一个文件夹，里面分“生成素材”“音频”“成品”三个子文件夹。生成素材按日期加关键词命名，比如“20240612_咖啡店_拉花”。音频单独放，成品单独放。我还在手机备忘录里记每个素材的提示词和参数，方便以后复用。这套方法看着笨，但省了我大量翻找的时间。素材攒多了之后，你会发现它们之间能互相组合，一条视频的废片可能是另一条视频的宝贝。
3.1 选题策划、脚本撰写与分镜设计
我刚开始做AI视频那阵子，最头疼的不是工具操作，是坐那儿半天不知道做什么。脑子里的想法飘来飘去，落到提示词框里就变成一坨。后来我给自己定了个规矩：选题不贪大，一个视频只讲一件事。比如“怎么用AI做咖啡拉花视频”比“AI视频制作全攻略”好落地得多。选题的时候我会问自己三个问题——这个内容我自己想不想看？搜索框里有没有人问？我手头的工具能不能做出来？三个都过关了才动手。
脚本这步我吃过亏。最早我觉得AI视频不用写脚本，直接开干，生出来的画面全是零碎镜头，拼一起跟喝醉了拍的似的。现在我写脚本用最笨的办法：拿张纸，左边写“画面”，右边写“词儿”。画面那列就一句话描述镜头里有什么，词儿那列写这块要说什么话。一个三十秒的视频，我一般写五到七个镜头。写的时候我会默念一遍，念着别扭的地方就改，念着顺嘴的基本就没问题。
分镜设计我不画图，画图太费时间。我用文字分镜，格式就是“镜头1：特写，咖啡杯，手入画。镜头2：中景，拉花缸倾斜，奶泡流出。”这种写法看着简陋，但给AI工具用足够了。有一点我特别注意——每个镜头描述里必须带上“景别+主体+动作+氛围”。少了任何一项，AI就容易乱发挥。我有个本子专门记分镜模板，做多了之后直接套，效率翻倍。
3.2 素材生成、提示词编写与画面一致性控制
素材生成这块我踩的坑能写一本书。最开始我一条视频用五个不同工具生成，结果画风五花八门，有的是写实电影感，有的是二次元，剪一起像精神分裂。现在我的做法是：一条视频只用一个工具做主生成，最多加一个辅助工具做局部修改。生成之前先把所有镜头的提示词排好序，风格描述统一放在最前面，比如“电影感，暖色调，35mm镜头”，每个镜头都带上这串前缀。
提示词编写我摸索出一套自己的公式：风格+主体+动作+环境+光线+镜头。举个例子，“电影感，一个年轻女人，推开门走进来，日式咖啡馆，午后阳光从窗户照进来，中景跟拍”。这么写比“一个女人走进咖啡馆”强太多。还有个小发现——提示词里加“slow motion”“handheld”这类运动描述，画面会活很多。不加的话AI给的运动往往很愣，像机器人走路。
画面一致性是我花最长时间才搞明白的事。同一个角色在五个镜头里长得不一样，这事太常见了。我的解法有三个：一是用图生视频，先定一张角色图，后面所有镜头都拿这张图当参考；二是提示词里把角色特征写死，比如“短发，圆脸，戴黑框眼镜，穿灰色卫衣”，每个镜头都重复一遍；三是场景不变的话，生成第一个镜头后截图，后面拿截图当首帧。这三个方法混着用，一致性能到七八成。剩下的两三成靠剪辑节奏盖过去，观众其实不太会盯着看。
3.3 配音配乐、字幕剪辑、转场特效与成片导出
配音我试过三种方式。自己录最自然，但环境噪音和口误得反复重录。AI配音省事，可灵、剪映里的AI音色够用了，我一般选“纪录片男声”或者“亲切女声”这两种。数字人自带配音最方便，但声音和口型偶尔对不上。现在我常用的组合是：自己录一遍，再用AI配音做备份，哪条好用哪条。配乐我从来不自己找，直接用剪映的曲库，搜关键词比如“轻快”“治愈”“科技感”，挑前五首试听，选最顺耳的。
字幕这步别偷懒。AI自动识别字幕准确率现在很高，但错别字还是会有，尤其是同音字。我每条视频都会把字幕过一遍，改完再导出。字幕样式我固定用黑体白字加黑边，大小调到手机上看清楚为准。有人喜欢花哨字幕，我的经验是——字幕越简单，观众越集中在内容上。
转场特效我用得克制。刚开始做视频的时候恨不得每个镜头之间都加个炫酷转场，后来发现观众根本来不及看。现在我只用三种：硬切、叠化、黑场。硬切最常用，叠化用在时间流逝的地方，黑场用在章节转换。成片导出我选MP4加1080P，帧率30，码率拉到最高。导出前我会在手机上预览一遍，电脑上看没问题不代表手机上看没问题。声音大小、字幕位置、画面亮度，手机过一遍全暴露。
4.1 提示词结构、镜头语言与风格描述方法
我做了两百多条AI视频之后，慢慢摸出一个规律——提示词写得好不好，决定了成片是“能看”还是“想看”。很多人写提示词像在许愿，“一个漂亮的女孩在海边”这种句子，AI给你的东西每次都不一样，因为信息量太少，它只能瞎猜。我的做法是把提示词拆成四个模块来写：风格定调、镜头描述、主体动作、环境氛围。这四个模块按顺序排列，AI解析起来最稳。
风格定调我一般放三到五个词。比如“电影感、胶片颗粒、暖色调、浅景深”这一组，一出来画面质感就定了。你要是写“赛博朋克、霓虹灯、暗调、高对比”，出来的东西完全另一个味道。镜头语言这块我单独拎出来说，因为它太重要了。我常用的镜头词有这些：特写、中景、全景、俯拍、仰拍、跟拍、推镜、拉镜、环绕。把这些词加进提示词里，AI对画面的控制力会强很多。比如“中景跟拍”比“拍一个人走路”精准十倍。
风格描述有个小技巧——用电影名字或者导演风格来锚定。我写“韦斯·安德森风格”的时候，AI给的是对称构图加粉彩色调。写“诺兰风格”出来的是冷色调加手持感。这招特别好使，因为电影风格本身包含了色彩、构图、运镜、光线一整套视觉语言。不过要注意，太具体的导演名字有些工具会屏蔽，我一般用“对称构图、粉彩色调、居中镜头”这种描述词来替代，效果差不多。
参数和提示词的关系我打个比方：提示词是菜谱，参数是火候。菜谱写得好，火候不对照样糊。AI视频工具里最常调的参数就那几个——运动强度、镜头运动幅度、帧率、时长、种子值。运动强度我一般设在中间值偏下，太高了画面容易扭曲，太低了又像幻灯片。镜头运动幅度这个参数很多人忽略，其实它和提示词里的运镜词是联动的。你提示词写了“推镜”，参数里运动幅度就得配合调高一点，不然推不动。
种子值这东西我刚开始完全不用，后来发现它是个宝藏。同一条提示词，换个种子值出来的画面完全不一样。我通常会一次性生成四到六个不同种子的版本，挑最顺眼的那个，记下种子值，后面做系列内容的时候复用这个种子，风格一致性就有保障了。时长参数要看工具，有些工具固定五秒，有些能拉长到十几秒。我的经验是——单镜头别超过八秒，AI视频时间越长，画面崩坏的概率越大。
4.2 角色、场景、光线与运动镜头的控制技巧
角色控制是我花时间最多的地方。同一个角色在不同镜头里长得不一样，这事几乎每个做AI视频的人都遇到过。我试过很多方法，最后固定下来一套流程：先用图生图生成一张角色定妆照，正面、半身、清晰。这张图存好，后面所有镜头都拿它当参考图。工具里一般叫“角色参考”或者“主体锁定”，把参考强度拉到70%到80%之间。拉太满画面会僵，拉太低角色又会变。
角色描述词也有讲究。我会把角色特征写成固定的一串词，每个镜头提示词里都带上。比如“三十岁女性，利落短发，单眼皮，高颧骨，穿深蓝色衬衫”这一串，每个镜头都原样复制。这串词我管它叫“角色DNA”。写的时候尽量用具体的、可视化的形容词，别用“漂亮”“帅气”这种主观词。AI理解不了漂亮，它能理解的是“大眼睛、高鼻梁、尖下巴”这种具体特征。
场景控制的核心是“锚定物”。一个场景里必须有个不变的东西，观众才能认出这是同一个地方。我常用的是建筑特征、家具摆放、窗外景色这三类。比如咖啡馆场景，我锚定“靠窗的位置、木质圆桌、墙上的黑白照片”。每个镜头都带上这几个词，场景就稳了。还有个小技巧——如果场景要换角度拍摄，我会先写“从门口看”“从柜台看”这种视角词，再叠加锚定物描述，出来的画面空间感连贯很多。
光线是最容易被忽略但效果最明显的控制项。我总结了几种常用光线描述：黄金时刻（日落前后暖光）、蓝色时刻（日落后冷光）、顶光（正午硬光）、侧光（增强立体感）、逆光（轮廓光）。写提示词的时候把光线词放在风格模块后面、镜头模块前面，AI对光线的响应最准确。举个例子，“黄金时刻，侧光，中景，一个女人坐在长椅上”——这组词出来，画面立刻有质感。
运动镜头我单独拎出来讲，因为它是AI视频区别于图片的核心。常用的运动类型有：推、拉、摇、移、跟、升、降、环绕。我写运动镜头的时候，会把运动拆成“起幅”和“落幅”来描述。比如“镜头从女人的面部特写开始，缓慢拉远，最后停在全身中景”。这种写法AI理解起来最清晰。运动速度也要写，“缓慢”“匀速”“快速”这些词加上去，画面节奏会跟着变。我一般用“缓慢”居多，AI视频运动一快就容易糊。
4.3 常见画面崩坏、闪烁、变形问题与调优策略
画面崩坏是我早期最头疼的问题。具体表现有几种：人脸扭曲、手指多根、肢体错位、物体融合。我观察下来，崩坏往往发生在三个时刻——运动幅度大的镜头、多人同框的镜头、快速切换的镜头。解决办法我试出来几个：一是把运动幅度参数调低，宁可画面动得慢一点也别崩；二是多人镜头尽量拆成单人镜头，分开生成再剪一起；三是提示词里加“稳定画面”“减少变形”这类负面约束词。
闪烁问题主要出现在两个镜头拼接的地方，前一帧和后一帧亮度或者色调突变。我遇到这种情况一般从三个方向排查。提示词里风格描述是否一致，每条提示词开头那串风格词必须一字不差。种子值是否复用，同场景的镜头我一般用同一个种子值。光线描述是否统一，别一个镜头写“暖光”，下一个写“冷光”。这三个对齐了，闪烁问题能减少八成。
变形问题比较刁钻，有时候是AI模型本身的局限。我碰到过物体边缘融化、背景跟着主体动、快速运动时画面撕裂这几种。应对策略我分情况处理。物体边缘融化，提示词里加“清晰边缘”“锐利轮廓”。背景跟着主体动，加“固定背景”“静态环境”。快速运动撕裂，把运动速度调慢，或者把长镜头拆成两个短镜头。有些工具参数里有“运动平滑度”或者“帧间一致性”这类选项，把它拉高，撕裂会好很多。
调优是个反复试错的过程，我一般一个镜头生成六到八版，挑最好的那版。时间长了之后，我总结出一个“三遍法则”。第一遍按原始提示词生成，看整体方向对不对。第二遍根据问题调整提示词，加约束词或者改描述。第三遍调参数，动运动幅度、种子值、参考强度这些。三遍还不行，说明这个镜头设计本身有问题，得回去改分镜，别死磕。
有个心态上的事我想说一下。AI视频生成有随机性，同样的提示词和参数，两次生成结果不一样，这很正常。我刚开始做的时候特别较劲，非要一条过，结果一天下来啥也没做成。后来我接受了这个随机性，把它当成抽卡。一次生成四版，挑一版能用的，剩下的当素材备用。有时候崩坏的画面反而有意外效果，我有一条视频里的“融化效果”就是崩坏出来的，观众还以为是故意设计的。
5.1 短视频口播、数字人讲解与知识科普视频
我第一条真正跑通的AI视频就是口播类型的。那会儿用的是一个数字人工具，输入文案，选了个形象，等了大概三分钟，一个西装革履的“我”就开始对着镜头说话了。嘴型对得上，语气也自然，就是眼神有点呆。这条视频发出去之后播放量比我真人出镜的高了三倍，评论区还有人问“博主是不是去整容了”。从那时候起我就意识到，数字人这条赛道对不想露脸的人来说，简直是救命稻草。
做口播类视频我现在有一套固定流程。文案先写好，控制在三百字以内，语速正常的AI配音大概一分钟出头。文案的写法跟写文章不一样，得短句、口语、有节奏。我经常用“你知道吗”“我跟你讲”“这事儿是这样的”这种开头，观众听到这种话耳朵会竖起来。数字人形象我一般选半身、正面、眼神略微偏离镜头的那种，太直视镜头会有压迫感。背景我习惯用虚化的办公室或者纯色墙，简洁为主，观众注意力集中在嘴和表情上。
知识科普类的视频我用的是另一套打法。这类视频核心是信息密度，画面得跟着内容走，不能一个数字人从头讲到尾。我的做法是数字人出镜讲开头和结尾，中间穿插AI生成的示意图、动画演示、数据可视化画面。比如讲“黑洞是怎么形成的”这个话题，数字人讲完开场白之后，画面切到AI生成的恒星坍缩动画，配上解说词，再切回数字人做个总结。这种“人机混剪”的节奏观众不容易疲劳。
科普视频的脚本我写的时候会刻意埋“钩子”。每隔十五秒左右抛一个问题或者一个反常识的事实，比如“你以为黑洞是个洞，其实它是个球”。这种句子一出来，完播率能拉高不少。AI生成画面的时候，提示词要跟着脚本走，画面和文案对不上观众立刻划走。我一般先把脚本拆成一个个画面描述，每个描述写两到三句提示词，批量生成素材，最后剪到一起。整个过程熟练了，一条三分钟的科普视频大概两小时能搞定。
数字人这块我想多说一句。现在市面上的数字人工具分两种，一种是预置形象，你选一个现成的用；另一种是定制形象，上传自己的视频训练一个专属数字人。预置形象便宜、上手快，适合刚起步的时候用。定制形象贵一些，训练要等，但出来的效果更个人化，粉丝粘性也更强。我建议先用预置形象跑通流程，确定这个方向能做了，再考虑定制。别一上来就花钱定制，结果做了三条就不想做了，那钱就白花了。
5.2 产品广告、品牌宣传片与动画风格视频
产品广告是我接商单最多的类型。很多小品牌预算有限，请不起摄制组，但又需要一条像样的广告片。这种需求AI视频正好能接住。我做产品广告的流程是这样的：先拿到产品图和卖点，然后写一个十五秒到三十秒的脚本，画面风格根据产品调性来定。美妆产品走柔和光线加特写镜头，电子产品走冷色调加科技感运镜，食品走暖色调加慢动作。提示词里我会把产品特征写死，比如“白色磨砂瓶身、金色瓶盖、液体质地浓稠”，每个镜头都带上这串词。
产品广告最难的地方是产品一致性。同一个瓶子在不同镜头里长得不一样，观众一眼就能看出来。我的解决办法是用图生视频为主，文生视频为辅。先拍或者找一张清晰的产品图，用图生视频功能让瓶子动起来。每个镜头的首帧都用同一张图，出来的产品就稳定了。文生视频只用在不出现产品的空镜头上，比如氛围镜头、转场镜头。这样搭配着来，整条片子既有动感又不失真。
品牌宣传片比产品广告复杂一个量级。宣传片要讲品牌故事，要有情绪，要有起承转合。我做过一个咖啡品牌的宣传片，从咖啡豆的产地画面开始，到烘焙、研磨、冲泡，最后落到一个人端着杯子看窗外的镜头。整条片子没有一句台词，全靠画面和音乐推。这种片子对画面的连贯性要求极高，我的做法是先定一个统一的视觉基调，比如“暖棕色、胶片质感、柔光”，所有镜头的提示词里都带上这组词。种子值也尽量复用，保证色调统一。
动画风格视频是我个人最喜欢玩的类型。吉卜力风格、皮克斯风格、水墨风格、赛博朋克风格，每种风格出来的东西都特别有辨识度。做动画风格视频有个诀窍——提示词里要同时写风格词和具体的画面描述。光写“吉卜力风格”不够，AI不知道你要画什么。我一般这么写：“吉卜力风格，一个女孩站在开满野花的山坡上，远处是蓝天白云，微风吹动她的裙摆，柔和光线，手绘质感”。风格词定调，画面描述定内容，出来的东西就靠谱了。
动画风格视频有个坑我得提醒一下。有些工具对知名动画公司的风格词会做限制，你写“迪士尼风格”可能出不来东西。我的应对办法是用描述词替代品牌词。想要迪士尼的感觉，就写“圆润造型、大眼睛角色、鲜艳色彩、流畅动作”。想要吉卜力的感觉，就写“手绘水彩背景、柔和色调、自然光影、细腻云层”。描述词比品牌词更安全，效果也不差。我做过一条水墨风格的短片，用的就是“宣纸质感、墨色晕染、留白构图”这组词，出来之后朋友还以为我找了画师手绘的。
5.3 图文转视频、老照片动起来与音乐MV制作
图文转视频是我用得最多的批量生产方法。手头有一堆图片素材，配上文案和音乐，用AI工具自动生成转场和动效，十分钟能出一条。这种视频特别适合做知识盘点、产品合集、旅行记录这类内容。我的操作流程是先把图片按顺序排好，每张图写一句文案，导入工具之后选一个模板，工具会自动加转场、加字幕、加背景音乐。出来的东西虽然不算精致，但胜在快。我有一条“十个必去的国内小众旅行地”的视频就是这么做的，从整理图片到导出成片，花了不到半小时。
图文转视频的质感提升有个小技巧——给静态图片加轻微的运动。AI工具里一般叫“Ken Burns效果”或者“图片动效”，就是让图片缓慢放大或者平移。这个效果一加，画面立刻活了。再配合图片之间的叠化转场，整条视频的观感能提升一个档次。音乐选择也重要，图文类视频我一般选轻快的纯音乐，节奏别太快，跟图片切换的节奏对上就行。图片切换太快观众来不及看，太慢又显得拖沓。我的经验是每张图停留三到四秒比较舒服。
老照片动起来这个玩法我是从家里的旧相册开始的。我把爷爷奶奶年轻时候的照片扫描进电脑，用AI工具让照片里的人眨眼、微笑、轻微转头。做出来的效果怎么说呢，我奶奶看了之后愣了半天，说“这老头子年轻时候还真是这个样”。老照片动起来的核心是“微动”，动作幅度一定要小。眨眼、嘴角上扬、头部轻微转动，这些就够了。动作一大，照片里的人物就会变形，看着瘆人。
老照片修复是动起来之前的一步。很多老照片有折痕、褪色、噪点，直接拿去生成视频效果很差。我一般先用AI修复工具把照片修一遍，提高清晰度、去掉划痕、还原色彩。修复完了再动起来，效果好很多。修复的时候要注意保留照片的年代感，别修得太新，修成塑料质感反而没味道了。我修我爷爷那张照片的时候，保留了轻微的颗粒感和偏黄的色调，动起来之后那种岁月的味道还在。
音乐MV制作是我最近在尝试的方向。逻辑跟前面几种不太一样，MV是音乐先行，画面跟着音乐走。我一般先选一首歌，把歌词拆成段落，每段歌词对应一个画面场景。画面风格要统一，色调和情绪要跟歌曲匹配。快歌用快切、高饱和、大动作镜头，慢歌用长镜头、低饱和、微动。提示词里我会把歌曲的情绪写进去，比如“孤独感、冷色调、雨夜街道、霓虹灯反射在积水里”这种。
MV的剪辑节奏是关键。我一般先粗剪一版，把画面按歌词顺序排好，然后跟着音乐的节拍微调每个镜头的入点和出点。鼓点落的地方切镜头，旋律起来的地方放长镜头。这个活儿需要耐心，我一条三分钟的MV剪了大概四个小时。剪完之后发给朋友看，他说“你这画面跟歌词也太搭了吧”。其实就是卡点卡得准，加上画面情绪跟音乐情绪对上了。AI生成的画面本身有随机性，但正是这种随机性让MV有了独特的质感，每个镜头都不可复制。做MV这事我最大的感受是，AI负责生成素材，人负责赋予节奏和情绪，两边的活儿分清楚，出来的东西就有灵魂。
6.1 零基础练习计划、模板库与持续学习资源
我刚接触AI视频那阵子，每天最焦虑的事情就是不知道今天该练什么。工具界面打开，提示词框空着，脑子里也空着。后来我给自己定了个规矩——每天必须产出三条十五秒的短片，不管好坏，先做出来再说。这个“三条短片计划”我坚持了整整一个月，前十天做出来的东西惨不忍睹，画面扭曲、人物变形、逻辑跳跃。到了第二十天，我开始能预判哪些提示词会出问题，哪些参数调了之后画面会更稳。一个月结束的时候，我翻回去看第一天做的东西，感觉自己像换了一双手。
零基础练习计划的核心就四个字：定量、定主题。定量是说每天必须动手做，哪怕只做一个镜头。定主题是说这段时间集中练一种类型的东西，别今天做口播明天做动画后天做MV，那样每样都学不深。我的建议是第一周只练文生视频，把同一个画面描述用不同的提示词结构反复跑，看哪种写法出来的效果最稳。第二周练图生视频，找十张清晰的产品图或者人物图，让它们分别动起来。第三周开始加配音和字幕，第四周尝试完整的三十秒成片。一个月下来，基本流程就刻在肌肉记忆里了。
模板库这个概念我是从做PPT的时候迁移过来的。AI视频生成的随机性太强，每次从零开始写提示词效率极低。我的做法是建一个自己的提示词模板库，按场景分类。比如“人物特写”文件夹里存着“亚洲女性、三十岁左右、柔和光线、浅景深、自然表情”这种基础描述，“场景空镜”文件夹里存着“城市夜景、霓虹灯、雨后街道、反射光、电影感”这种氛围描述。用的时候把模板调出来，改几个关键词就能用，省了一大半时间。模板库我每隔两周整理一次，把跑出来效果好的提示词标星，效果差的删掉，库越来越精。
持续学习资源的获取我有几个固定渠道。一个是YouTube上的AI视频教程频道，更新快、实操多，缺点是英文内容需要啃。国内B站和抖音上也有不少创作者在分享，质量参差不齐，我一般看播放量高且评论区有真实反馈的那种。另一个渠道是工具官方的文档和社区，比如Runway、Pika、可灵这些工具都有自己的教程页面和用户论坛，官方文档写得最准，社区里能蹲到别人踩过的坑。我还加了三四个AI视频创作的微信群，群里经常有人发自己翻车的截图，问“这个手为什么长了六根指头”，这种真实案例比教程管用。
工具更新迭代的速度太快了，上个月刚熟悉的界面，这个月可能就改版了。我的应对策略是抓核心不抓表面。核心是什么？是提示词的结构逻辑、是画面一致性的控制方法、是镜头语言的基本规则。这些东西换了工具也一样用。表面是什么？是某个按钮在左边还是右边、某个参数叫什么名字。表面上的东西现查现学就行，不用焦虑。我有个朋友每次工具更新就焦虑得不行，觉得又要重新学。我跟他讲，你学的是做菜的思路，不是某个牌子的锅怎么用。换口锅，菜照样炒。
6.2 常见报错、版权、合规与伦理注意事项
报错这件事我踩过的坑能写一本书。最常见的是生成失败，提示“内容不符合安全策略”。这种情况一般是因为提示词里出现了敏感词，比如真实人名、品牌名、暴力相关词汇。我的解决办法是把敏感词替换成描述性语言。想要某个明星的感觉，就写“短发、棱角分明、笑容自信的亚洲男性”。想要某个品牌的感觉，就写“极简设计、白色包装、科技感”。换一种说法，AI就放行了。
画面崩坏是另一个高频问题。手指数量不对、腿部扭曲、眼睛不对称，这些我都经历过。调优的思路是先在提示词里加负面词，比如“畸形手、多余手指、扭曲面部、模糊、低质量”。然后在生成参数里调低运动幅度，运动幅度越大画面越容易崩。还有一个办法是缩短单次生成的时长，先出四秒的稳定画面，再用延长功能一段一段往后接。我做过一个十五秒的镜头，分四次生成，每次四秒左右，最后剪到一起，画面稳定性比一次性生成十五秒好很多。
版权问题是我现在越来越在意的事情。AI生成的内容版权归属目前各个平台的规定不一样，有的说归用户，有的说归平台，有的说没有版权。我自己的做法是：商用之前先看工具的用户协议，确认生成的内容可以用于商业用途。另外，如果生成的内容里出现了 recognizable 的真实人物、商标、受版权保护的角色形象，我绝对不会拿去商用。有一次我生成了一段画面，里面有个卡通形象长得特别像某知名IP，虽然提示词里没写那个名字，但我还是把那段删了。这种事情宁可不做，也别给自己埋雷。
合规和伦理这块我想认真说几句。AI视频能做的事情越来越多，数字人克隆、声音克隆、换脸这些技术已经很成熟了。技术是中性的，但用技术的人得有底线。我给自己定了三条规矩：不用别人的脸和声音做未经授权的数字人，不生成可能误导公众的虚假新闻类内容，不用AI视频去仿冒他人身份进行商业活动。这三条规矩看着简单，但真到有人拿着钱来找你做擦边内容的时候，能不能守住是另一回事。我拒绝过一单生意，对方想让我用AI克隆一个知名主持人的形象做产品推荐，给的钱不少，我没接。
平台审核的尺度也在收紧。抖音、B站、视频号这些平台现在对AI生成内容都有标识要求，有的要求你在发布时勾选“AI生成”选项，有的要求你在视频里加文字标注。我一开始觉得麻烦，后来想通了——标注一下反而能减少举报和限流。观众知道这是AI做的，预期就不一样了，不会拿真人的标准来挑刺。我现在的习惯是AI含量超过一半的视频，都在简介里写一句“本视频部分画面由AI生成”。诚实一点，省去很多麻烦。
6.3 多平台发布、效率工具与AI视频变现方向
多平台发布这件事我的策略是“一鱼多吃，但吃法不同”。同一条视频我不会原封不动地发到所有平台。抖音竖屏，B站横屏，视频号竖屏但节奏要慢一点，小红书的封面和标题要重新做。我的做法是先在抖音发一版，数据好的话再剪一版横屏发B站，B站的简介可以写长一点，把制作思路和提示词分享出来，B站用户吃这一套。小红书我一般只发图文加视频片段，标题写“我用AI做了个什么什么”，封面用对比图，点击率会高一些。
效率工具这块我离不开三个东西。第一个是素材管理工具，我用的是Eagle，把生成的视频片段、图片、音频分门别类存好，打上标签。找素材的时候搜标签就行，不用在文件夹里翻来翻去。第二个是提示词管理工具，我用Notion建了一个数据库，每条提示词记录生成效果、所属项目、使用工具，方便复用和迭代。第三个是AI剪辑工具，有些工具能自动识别口播视频里的停顿和废话，一键剪掉，省了我大量时间。这三个工具搭起来之后，我的生产效率至少翻了一倍。
AI视频变现的方向我试过和见过的有这么几种。第一种是接商单，帮小品牌做产品广告或者宣传片。这种单价从几百到几千不等，看片子的复杂度和客户预算。我接的第一单是一个手作饰品店，做了一条十五秒的产品展示，收了八百块。客户很满意，后来陆陆续续又找我做了五条。第二种是做账号流量分成，在抖音、B站、视频号上发AI视频，靠播放量拿平台补贴。这种收入不稳定，但胜在被动，一条爆款视频能带来持续几个月的长尾收益。
第三种是卖教程和模板。我在闲鱼和知识星球上看到不少人在卖AI视频的提示词合集、模板库、操作手册。这个东西的门槛在于你得先做出成绩，别人才会买你的教程。我认识一个博主，做了三个月AI视频，粉丝涨到五万之后开始卖九十九块的入门课，一个月卖了两百多份。第四种是定制数字人，帮企业或者个人训练专属的数字人形象，用于直播或者视频制作。这个方向客单价高，但技术门槛也高，需要懂一点模型训练的知识。
我自己的变现路径是“商单为主，流量为辅，教程试水”。商单收入最稳定，但需要持续获客，我一般靠作品集和客户口碑来带新单。流量收入是补充，爆一条吃半个月。教程我还在筹备阶段，打算等账号再稳一点再推。我想说的是，AI视频变现这件事急不得，先把内容质量做上来，把流程跑通，把作品集攒够。变现是水到渠成的事情，硬追着钱跑反而跑不快。我见过太多人做了一两周没看到收益就放弃了，其实再坚持一两个月，局面可能完全不一样。
评论
发表评论