全AIGC制作复盘：一条春节品牌病毒视频的多模型协同工作流——FansAI × 伊利金典

这篇文章想聊的不是「伊利来财牛多洗脑」（虽然当时整个办公室都在唱），而是这条视频从0到1的技术执行路径——用了哪些模型、每个环节怎么衔接、遇到了什么问题、怎么解决的。
这是FansAI为伊利金典完成的一次全AIGC制作实践，复盘一下整个技术执行过程。
可以先看看片子：[FansAI | 伊利金典 娟姗牛，它会来财！]

项目背景客户：伊利金典
需求：春节病毒视频，结合娟姗牛奶高端定位，全平台发布（小红书、视频号、海外INS）
制作周期：3周
执行方式：全AIGC制作，无实拍
3周完成一条全AI制作的60秒品牌TVC，涉及IP建模、角色动态生成、多场景合成、原创配乐，这是这个项目的基本难度系数。

为什么选择全AIGC而不是实拍
选择AIGC不只是为了省成本或压缩周期，而是有些内容传统拍摄根本做不到——或者做到的成本和周期远超AIGC路径。
来财牛这个项目有几个场景是典型的「实拍做不到」：娟姗牛的拟人化表演和情绪表达、宫廷加冕场景里真人与AI角色的同框互动、游戏UI风格的动态界面、纸板牛在六种不同视觉风格里的跨场景呈现。这些场景用实拍加后期特效的路径，成本会是AIGC的数倍，制作周期也远超3周。

技术执行路径拆解
第一步：视觉风格确定与IP建模
来财牛需要在60秒里跨越六个视觉风格迥异的场景：写实毛绒质感的娟姗牛、纸板折叠结构的礼盒牛、宫廷油画风格、财经节目UI风格、游戏界面风格、春节喜庆氛围。跨场景保持IP一致性，是整个项目品牌视觉DNA建模的核心难点。
用Midjourney探索各场景的视觉风格方向，产出概念参考图。但Midjourney在处理有精确结构要求的3D对象时，透视和比例控制能力有限——来财牛的纸盒结构在鱼眼镜头、低机位夸张透视下极容易变形失控。
解决方案是引入Nano Banana做纸盒牛的多视角模型建立，精确锁定结构比例和材质参数，制作标准化的多视角参考帧库。这套参考帧之后作为Midjourney和视频生成阶段的视觉锚点，确保来财牛在任何镜头角度下结构不失控、跨场景可识别度稳定。

第二步：角色动态生成
静态IP建好之后，角色的舞蹈动作和肢体表演是下一个难点。来财牛的叙事需要有丰富的情绪变化——从「我是娟姗牛」的出场自信，到「我方了」的反应性幽默，再到「来财！接！接！接！」的情绪高峰——每个情绪节点对应不同的动态表现，同时需要在整条品牌TVC里保持IP造型的一致性。动态越丰富，角色结构细节在帧间产生漂移的风险越高。
使用可灵O3进行角色动态生成，核心控制策略是把控首尾帧的一致性而不是试图控制每一帧。具体做法：确定关键情绪节点的参考帧，在首尾帧锁定之后让可灵O3生成中间帧，再通过人工逐帧审核筛选出结构漂移最小的生成结果。长镜头衔接处需要额外处理，避免两段动态拼接时出现明显跳帧。

第三步：多场景合成与一致性控制
这个项目涉及真人实拍素材（鱼眼镜头的人物表演）和AI生成场景的混合合成。真人素材和AI场景的光线、色温、景深需要在合成阶段做精确匹配，否则「真实感」和「AI感」的割裂在成片里会非常明显。
六个视觉风格之间的切换需要建立统一的视觉约束参数，确保尽管场景迥异，整条片子的品牌调性是统一的。后期使用DaVinci统一喜庆商业调色，绑定伊利品牌包装的色彩规范，修复AI生成过程中的画面瑕疵。

第四步：原创BGM与分镜同步设计
这是这个项目里最容易被低估的技术环节，也是执行难度超出预期的地方。
来财牛的BGM是一首「娟姗牛第一人称自述」的说唱，歌词结构跟随叙事情绪递进：开场段的短句密集对应快切镜头，中段的情绪铺垫对应节奏放缓的场景切换，高潮段「来财！接！接！接！」的强节奏对应画面动作最密集的序列，结尾抒情段对应慢镜头收口。歌词的每一个情绪节点都和画面的剪辑节拍精确绑定。
这意味着BGM的创作不是在视频剪完之后配上去的，而是在分镜阶段就确定了情绪节点和剪辑节拍，Suno AI的生成参数基于这套节拍结构来设定——节拍密度、情绪强度曲线、关键词植入位置全部在生成前规划好。从概念到完成用时3天。声画同步设计而不是声画分离再合并，是这条片子情绪传递效率更高的根本原因。

整体工作流
概念策略 + 分镜情绪节点规划
↓
Midjourney 视觉风格探索 + 场景概念图
↓
Nano Banana IP多视角建模（结构锁定）
↓
Suno AI 原创BGM定制（与分镜节拍同步设计）
↓
可灵O3 角色动态生成（首尾帧把控 + 人工逐帧筛选）
↓
真人实拍素材 + AI场景混合合成
↓
DaVinci 调色合成 + 品牌色彩规范绑定
↓
人工逐帧审核 + 瑕疵修复
↓
全流程12天完成交付。

三个值得记录的经验
IP跨场景一致性的核心是参考帧体系，不是模型。
在生成之前建立足够细致的多视角参考帧库，后续所有生成环节都以这套参考帧为视觉锚点，比生成之后再修复效率高得多。参考帧体系搭建得越细，后续各模型的生成结果一致性越稳定。

声画同步要在分镜阶段介入，不是后期阶段。
等视频剪完再配乐，声画同步的上限就已经被锁死了。在分镜阶段规划情绪节点和剪辑节拍，再基于这套结构生成配乐，才能实现真正的声画咬合，而不只是「音乐和画面同时存在」。

多模型协同的关键是明确每个模型的能力边界。
Midjourney适合做风格探索，不适合做精确结构建模；可灵O3适合做角色动态，复杂场景合成需要后期介入辅助；Suno AI在有明确节拍参数输入时生成质量更可控。每个模型用在它最擅长的环节，这是AIGC全流程闭环工作流的基本逻辑，也是人机协作真正发挥价值的地方——AI决定速度，人的判断决定品质。
如果你的团队也在做类似的品牌AIGC内容项目，欢迎交流：nico.zeng@fscity.art