AI如何做一部视频

AI 如何做一部视频（实战记录：年会祝福片）

0. 概要（TL;DR）

这篇笔记记录一次「用 AI 快速做一支团队年会祝福视频」的实战过程：从需求澄清 → 剧本/分镜 → 角色与场景图生成 → 智能多帧生成视频 → 锁定片段迭代 → PR 后期合成与出片。

核心体会：先把“剧本 + 分镜 + 统一美术规则”定清楚，再去抽卡生成，效率和可控性会高很多。

1. 背景与目标

最近公司年会临近，领导希望我用 AI 做一个我们团队的祝福视频。此前我主要做的是文生图、图生图等内容，对「视频生成 + 后期」相对陌生，因此这次以“尽快交付、效果可用”为第一优先级。

1.1 目标（我当时的交付标准）

• 时长：约 30–90 秒（按现场播放节奏可调整）
• 风格：偏科技感/未来感，画面统一、节奏明确
• 内容：每位成员都有露脸/出镜，镜头间过渡自然
• 可交付：可直接播放的成片（带 BGM / 字幕可选）

1.2 约束与风险

• 时间紧：生成的迭代成本高，必须减少返工
• 一致性：人物脸、服装、风格、光照容易漂移
• 合规：人物肖像与音乐素材需要确保授权/许可

2. 工具与素材清单

这次为了快速落地，我优先选“成熟的一体化产品”，减少工程搭建成本。

2.1 主要工具链

环节	工具/能力	我用它做什么
剧本/旁白草稿	ChatGPT（LLM）	出脚本、镜头描述、转场建议
画面生成	即梦 AI（图片生成）	场景图、人物在特定场景的画面
视频生成	即梦 AI（视频生成）	用“智能多帧”拼成长镜头/连贯片段
后期剪辑	Adobe Premiere Pro（PR）等	配乐、节奏剪辑、补镜头、导出

相关延伸：如果你偏“可控性/可复现”，也可以走 Stable Diffusion + ControlNet 的路线（见：[[ControNet基础学习]]、[[ControlNet学习实战1--字体海报]]、[[Stable_diffusion入门学习]]）。

2.2 素材准备（强烈建议先准备）

• 每位成员的清晰全身照（正面、光照均匀、无遮挡）
• 可选：半身近景/证件照角度（用于人脸一致性）
• 团队 Logo / 标语 / 年会主题文案（片头片尾用）
• BGM 候选（至少 2–3 首备选，避免卡版权）

3. 工作流总览（先定规则，再生成）

推荐按下面顺序推进，避免“生成到一半发现故事不通/风格不统一”。

1. 明确需求：时长、风格、人员出镜方式、交付格式
2. 写剧本：一句话梗概 → 分段台词/字幕 → 每段对应画面意图
3. 做分镜：每个镜头的主体、场景、运镜、转场（文字版即可）
4. 生成关键帧/场景图：先把“统一画风”打稳
5. 视频生成：用“智能多帧”按分镜把镜头串起来
6. 迭代：不满意的段落重抽卡；满意的段落锁定
7. PR 合成：配乐、节奏、字幕、片头片尾、导出

4. 剧本与分镜：决定上限的环节

我用 ChatGPT 辅助生成剧本，核心是把“人物怎么出场、怎么过渡、每个镜头要表达什么”写清楚。

4.1 一个可复用的分镜表（模板）

你可以用表格把每段描述清楚，后续把每一行丢给图片/视频生成就很顺。

镜头	时长	画面主体	场景	运镜/动作	旁白/字幕	转场
01	3s	团队合照/LOGO	未来城市	推进	“XX团队祝大家…”	闪白
02	3s	A 同学	实验室/工位	左→右平移	“新年快乐”	遮罩

4.2 给 LLM 的提示词（示例）

（根据实际情况替换方括号内容）

你是视频导演，请为“[年会祝福视频]”生成一个 60 秒的剧本与分镜。
要求：
1）[N] 位成员依次出镜，每人 3–4 秒；
2）整体风格：[科技感/未来感]；
3）每个镜头输出：画面主体、场景、运镜、转场、字幕；
4）镜头之间过渡要自然，尽量做到“一镜到底/连贯感”。

5. 即梦 AI：模式选择与功能对照

在即梦 AI 的视频生成里，我主要关注三种模式：首尾帧 / 智能多帧 / 主体参考。

5.1 三种模式怎么选

• 首尾帧：给定首帧（可选尾帧），模型在中间补全运动与变化；适合“单段短镜头”
• 主体参考：更像“把 A 的主体特征迁移到 B 的画面/动作里”（例如“让图二的动物戴上图一的帽子”）
• 智能多帧：更像“把多个关键帧串起来”，每帧之间用提示词描述运镜与切换；适合做“连贯的长镜头/一镜到底感”

我这次选择 智能多帧，因为它更适合把“多个人物出镜 + 多场景切换”串成一个整体。

5.2 从 ControlNet 思路迁移过来（概念对照）

如果你之前了解过 ControlNet，会发现即梦 AI 把能力拆成了多个“参考/约束”选项，例如：智能参考、角色特征、人像写真、主体识别、风格参考、边缘轮廓、景深、人物姿势等。

我这次最常用、也最容易踩坑的是下面两个：

• 角色特征：更偏“整体角色一致性”（性别、发型、衣着风格、整体气质等）
• 人像写真：更偏“人脸一致性”（脸型、五官、相似度等）

经验：如果你只强调了风格或场景，没强调人物一致性，确实可能出现“男生脸跑到女生身上”这类漂移。

6. 场景图/人物图生成：先把统一风格打稳

我的做法是先准备团队每个人的全身照，然后基于剧本逐段生成“对应场景”的图片（相当于关键帧）。

6.1 场景图提示词（示例模板）

[主体：某同学/团队LOGO]，位于[场景：未来实验室/赛博街道/公司大厅]，
风格：[科技感/电影级灯光/高对比/体积光]，
构图：[中景/全身/三分法]，
镜头：[35mm/浅景深]，
细节：[屏幕HUD/霓虹灯/粒子特效]，
高质量，清晰，细节丰富

6.2 一致性策略（实用）

• 统一画面规则：固定 1–2 套“风格参考”（色调/光比/材质）
• 固定人物规则：同一个人尽量用同一组参考图（全身 + 近景）
• 统一镜头语言：不要一会儿写实一会儿二次元；不要随机切换镜头焦段

7. 视频生成（智能多帧）：按分镜逐段拼装

按剧本顺序，把每个场景的图片依次加入“智能多帧”，在帧与帧之间写清楚：

• 运镜：推进 / 拉远 / 平移 / 环绕 / 俯仰
• 动作：挥手 / 点头 / 走入画面 / 转身
• 转场：闪白 / 叠化 / 遮罩 / 速度渐变

[!tip]
写提示词时尽量“动作可视化 + 镜头可执行”。不要只写“酷炫一点”，而要写“镜头从左向右平移，主体保持居中，背景出现 HUD 叠加”。

8. 迭代方式：锁定满意片段，局部重抽卡

实际体验很像“随机抽卡”：一次生成出来，难免中间某些段落不满意。

我的迭代策略：

• 先通跑一版得到“可播放的粗剪”
• 对满意的片段锁定
• 只重生成不满意的片段（降低整体漂移和返工）
• 关键节点（人物首次出场、片头片尾）优先追求稳定

9. 后期剪辑（PR 等）：把“可用”变成“好看”

视频生成完成后，我会用 PR 做一些最必要的后期：

• 配乐：先定节奏，再按节奏修剪镜头长度
• 修补：裁切、轻微调色、加少量转场/光效做统一
• 字幕（可选）：人物祝福语、团队口号、片尾信息
• 导出：建议先导出一版 1080p 作为交付预览，再按需求导最终版

10. 复盘清单（下次更快）

10.1 开始前（5 分钟）

• 明确时长、比例（16:9/9:16）、风格、交付格式
• 收齐人物参考图（全身 + 近景）
• 准备 2–3 首 BGM 备选（确认可用/授权）

10.2 生成中（节省返工）

• 先定“统一画风”再批量生成
• 先出粗剪能跑通全片，再逐段打磨
• 锁定满意片段，只重抽不满意部分

10.3 成片前（降低翻车）

• 检查人脸一致性（尤其是男女/年龄特征）
• 检查字幕错别字与口播同步
• 检查音乐音量与高潮点

---

如果后面我再做一版更“可控/可复现”的流程，计划把即梦 AI 的方案与 Stable Diffusion + ControlNet 的方案做一次对比：同一套分镜分别跑两条流水线，看成本/时间/质量/可控性的差异。