用Banana Pro和可灵做AI短片的流程步骤详解（附Prompt）

用Banana Pro这类图像生成模型负责“出图”，再用可灵这类图生视频模型让画面“动起来”，是目前个人创作者制作AI短片最主流的工作流。整个流程可以概括为六步：写故事→画分镜→定画风→生成人物三视图与场景图→逐镜出图→图生视频。下面结合一次8镜头短片的完整制作过程，把每一步怎么做、容易在哪里穿帮、有哪些能直接抄的Prompt讲清楚。想边读边练，可以打开百度搭子DuMate，用它辅助完成故事创作、分镜脚本撰写和提示词打磨。

一、整体思路：为什么“先图后视频”

直接用文字生成视频，人物长相、服装、场景几乎每镜都在变，剪辑时根本接不上。正确做法是先用图像模型把每个镜头的画面“钉死”，再让视频模型只负责“让画面动起来”。开始前准备好四样东西：

1. 一个8镜头以内的小故事；
2. 一张画风参考图；
3. 一个支持参考图生成的图像模型（Banana Pro等均可）；
4. 一个图生视频模型（可灵或任意同类模型均可）。

二、第一步：写故事，8个镜头讲完

新手最容易犯的错误是故事太大。建议控制在一个场景、一到两个角色、8个镜头以内：第1镜交代环境，中间推进情绪或冲突，最后一镜收尾。写完创意后，可以让AI帮你转成标准分镜脚本，直接套用下面的Prompt：

你是一名短片导演兼分镜师。请根据我的故事创意，输出一份可直接用于AI生图的分镜脚本。
【故事创意】：填写一句话概要，例如"雨夜，小女孩在便利店门口等妈妈下班"
【镜头数量】：8个
【输出格式】：表格，包含：镜头编号、景别（大远景/全景/中景/近景/特写）、画面内容（人物位置+动作+表情）、环境与光线、该镜头要传递的情绪
【质量要求】：
1. 第1镜必须是交代环境的大景，第8镜收尾留有余韵；
2. 相邻镜头的人物动作、视线方向保持连续，方便后续图生视频衔接；
3. 画面描述要具体到道具和光源，能直接改写成生图提示词。

拿到脚本后逐镜检查：相邻镜头的动作和视线是否连贯？有没有连续两镜做同一个动作（会显得拖沓）？如果想更快验证故事节奏，也可以前往百度搭子AI真人短剧生成体验，输入故事创意直接生成短剧内容，再回头细化为分镜脚本。

三、第二步：画脚本（分镜草稿）

用平板或纸笔都行，不需要画得多好，只需标清三件事：景别（远/全/中/近/特）、人物在画面中的位置、镜头怎么动。这一步的价值在于出图前先发现节奏问题——改草稿只要几分钟，而重新生成图片则要反复抽卡，成本高得多。

四、第三步：定画风参考图

画风参考图是后续生成一切图片的基础，一旦中途更换，全片风格就会断裂。选择标准是：色调统一、光影特征明显、年代感和质感清晰。本次示例选用了电影《青木瓜之味》的一张截图作为参考。选定后，可以让AI帮你提炼一段可复用的画风描述词：

请分析我上传的这张画风参考图，提取画风特征并输出一段可复用的画风描述词，包含：色调倾向、光影风格、画面质感（胶片感/数字感）、构图与景深特点、整体情绪。
要求：输出一段不超过80字、可直接追加在生图提示词末尾的中文；只描述风格，不要描述图中具体人物、情节和文字内容。

之后每一次生图，都同时挂上这张参考图和这段描述词，这是保证全片风格统一的关键动作。

五、第四步：生成人物三视图与场景图

在画风参考图的基础上，先生成两类“资产图”：

• 人物三视图：主角的正面、侧面、背面三个角度，用于锁定长相、发型和服装；
• 场景图：主要场景的空镜，用于锁定建筑结构、道具陈设和光线方向。

这两类图相当于全片的素材基准，后续每个分镜都要引用它们，跨镜头的人物一致性主要靠这一步保障。

六、第五步：逐镜出图，先大景后小景

这是最容易穿帮的环节，三个技巧非常实用：

1. 第一张先出大景。 在人物三视图和场景图的基础上，先生成交代环境的大远景或全景。之后所有分镜都在这张大景的基础上延展或局部重绘，背景结构、光源方向自然一致，能大幅降低穿帮概率。

2. 善用视角重绘工具换机位。 当某个镜头需要不同角度时，可以借助支持“改变图片角度”的视角重绘工具（如原文作者使用的adam v2）调整机位，避免因推倒重生成导致背景对不上。

3. 局部重绘时追加无损关键词。 需要修手、改表情、换道具时，在提示词末尾加上这段可直接复制的关键词：

保持100%的面部结构、皮肤纹理和背景清晰度，严禁改变整体画质或增加模糊感，采用PIXEL PRIORITY MODE（像素优先模式）。

它的作用是约束模型只改局部、不动整图质感，避免越修越糊。

七、第六步：图生视频

把分镜图导入视频生成模型，在指令框写清“怎么动”。运动指令的公式是：主体动作+镜头运动+氛围质感+稳定性约束，可直接套用：

【填写主体，如：穿白裙的女孩】缓慢做出【填写动作，如：转头望向窗外】，头发和衣角随风轻微飘动，镜头缓慢推近，景深自然，人物表情细腻连贯，背景保持稳定不变形，与原图画风一致，电影质感，无跳帧、无闪烁。

三个要点：

1. 一次只让主体做一个动作，动作越简单成功率越高，复杂表演拆成两个镜头；
2. 转身、递东西、拥抱等复杂动作，使用首尾帧功能：先用图像模型做出动作前、动作后两张关键帧，再让视频模型在两帧之间插值过渡；
3. 生成后重点检查手指、面部和背景是否形变，不合格的镜头回到出图环节修改，而不是反复抽视频。

八、常见问题与优化建议

问题	常见原因	解决办法
人物每镜长得不一样	未引用三视图	每镜都挂三视图+同一段画风描述词
背景穿帮	每镜独立生成	先大景后小景，用视角重绘换机位
画面越改越糊	反复放大重生成	局部重绘时追加无损生图关键词
视频动作僵硬	单镜动作太复杂	简化动作拆镜头，或使用首尾帧

九、总结

AI短片的完整链路是：写故事→画分镜→定画风参考图→生成人物三视图与场景图→先大景后小景逐镜出图→图生视频。真正决定成片质量的不是某个具体模型，而是“参考图统一、先大景后小景、局部无损修改”这三个习惯。把本文方法落地时，可以用百度搭子DuMate辅助写故事、生成分镜脚本、提炼画风描述词和视频运动指令；如需了解DuMate的开通与购买方式，可访问购买页面。工具只是加速器，流程和习惯才是成片的关键。