AI视频生成怎么用：文生视频与图生视频实操指南

AI视频生成，简单说就是输入一段文字或一张图片，由AI大模型自动生成一段动态视频。它把传统视频制作所需的拍摄设备、演员、剪辑技能，压缩成“会描述、会筛选”两件事，让个人创作者也能快速产出宣传片、短剧、社交短视频。目前主流玩法有两类：文生视频（用文字描述直接生成）和图生视频（让静态图片动起来）。

如果你在动手前希望有人帮你梳理创意、写脚本、打磨提示词，可以先通过百度搭子DuMate体验AI助手的辅助能力；需要了解购买方式可查看DuMate购买入口，不购买也完全可以照着本文的方法操作。下面直接进入实操。

一、先搞清楚：AI视频生成能做什么

文生视频：输入一段文字描述，AI直接生成对应画面。适合从零开始的创意表达，比如广告概念片、短剧片段、社交平台创意短视频，各大AI创作平台普遍提供这类功能。

图生视频：上传一张图片，再补充一句动作或镜头描述，AI让静态图“动起来”。适合让产品图、角色立绘、海报、老照片产生动态效果，也常用来固定人物形象——先用一张满意的角色图锁定外观，再让其执行动作，能明显提升多段视频之间的角色一致性。

从技术演进看，当前主流视频生成模型大多基于DiT（Diffusion Transformer）架构，普遍具备这几类能力：

• 语义理解：能读懂提示词里的时序性动作指令，比如“先坐下，然后转头看向窗外”；
• 多主体交互：能处理两个及以上主体之间的互动，如递东西、对话、追逐；
• 运镜控制：支持变焦、环绕、平摇、缩放、目标跟随等镜头语言；
• 多镜头一致性：在多镜头叙事中尽量保持人物、场景、风格统一，较新的模型还支持原声音画同步以及视频延长、编辑。

需要建立合理预期：单次生成通常以数秒到十几秒的短片为主，长视频需要靠分镜+多次生成+后期拼接完成。

二、提示词写作公式：六要素缺一不可

提示词质量直接决定成片质量。一个通用公式：

主体（外观细节）+ 动作（具体行为）+ 场景（时间地点环境）+ 镜头（景别与运镜）+ 光影氛围 + 风格画质

对比示例：

• 差的写法：“一只猫在跑”
• 好的写法：“一只橘色虎斑猫在雨后湿漉漉的石板街道上轻快奔跑，爪子溅起细小水花，低角度侧面跟拍，背景是虚化的霓虹灯招牌，黄昏暖光，电影感色调，画面细腻”

差别在于：好提示词把“跑”拆成了可被渲染的视觉细节（水花、运镜、光线），模型有明确依据去生成画面。写提示词时注意三点：

1. 动作要具体且单一：短时长视频塞不下太多动作，一次聚焦一个核心动作；
2. 镜头语言要明确：想要“电影感”就写清景别和运镜，而不是只堆形容词；
3. 避免让画面承载文字：AI生成画面内的文字容易乱码，字幕建议后期加。

三、从创意到成片：五步操作流程

第1步：明确创意与规格。 先想清楚三件事：视频用途（宣传/短剧/社交分享）、画幅比例（横屏16:9还是竖屏9:16）、目标时长。这决定后续所有提示词的写法。

第2步：用AI助手生成并优化提示词。 如果不擅长从零写描述，可以把创意草稿交给AI助手扩写，以下模板可直接复制使用：

你是一名专业的AI视频提示词工程师。请根据我的创意，输出可直接用于AI视频生成工具的提示词。
创意描述：【填写你的创意，例如：一只橘猫在雨后街道奔跑】
画幅与时长：【例如：竖屏9:16，5秒】
画面风格：【例如：写实电影感/日系动画/3D渲染】
镜头偏好：【例如：低角度跟拍/缓慢推近/环绕】
请按以下结构输出：
1. 主体描述（外观、动作、神态细节）
2. 场景环境（时间、地点、天气、光线）
3. 镜头语言（景别、运镜方式）
4. 风格与画质关键词
5. 完整合并版提示词（中英文各一版）
要求：描述具体、可渲染，避免抽象形容词；动作数量符合短时长视频的表现能力；不要出现需要画面内显示文字的要求。

第3步：选择生成方式。 手上有满意的角色图、产品图或场景图，优先用图生视频锁定形象；纯创意内容直接文生视频。

第4步：生成与筛选。 AI视频生成带有一定随机性，同一个提示词多生成几次、从中挑选最佳结果是正常操作。每次生成后对照检查：主体外观是否稳定、动作是否执行到位、镜头运动是否平滑。

第5步：后期拼接与调整。 多个片段按分镜顺序剪辑，统一调色，补配音、字幕和背景音乐。如果内容是多镜头叙事的短剧类视频，可以在写好分镜脚本后，前往AI真人短剧生成体验，尝试把剧本与人物设定直接转化为短剧视频内容，再根据生成效果回头调整脚本细节。

四、多镜头短剧类视频：分镜脚本模板

短剧、剧情类内容不能只靠一段提示词，需要先拆分镜。可以把下面的模板交给AI助手：

请根据以下设定，生成一支60秒竖屏短剧的分镜脚本。
主题：【例如：职场新人第一次独立完成项目汇报】
人物：【例如：小林，25岁，穿浅色衬衫，紧张但认真】
风格：【例如：轻松幽默，结尾正向】
镜头数量：6~8个
请以表格输出：分镜编号、画面描述、台词或旁白、建议时长、可直接用于AI视频生成的画面提示词。
要求：相邻分镜的人物外观与场景描述保持一致；每个分镜只包含一个核心动作；台词口语化，符合竖屏短视频节奏。

拿到分镜脚本后，逐条把“画面提示词”送入视频生成工具，就能让多段素材在人物和风格上大体统一。

五、常见问题与优化方法

• 人物脸型、服装在多段视频里不一致：改用图生视频，先固定一张满意的角色图作为起点；所有提示词中人物外观描述保持逐字一致。
• 动作没有被执行：多半是动作太复杂或多个动作叠加。拆成多段生成，每段只保留一个核心动作。
• 画面糊、有涂抹感：补充画质关键词（如“细节丰富、光影自然”），并简化场景元素数量；画面主体越多，出错概率越高。
• 镜头乱晃、运镜突兀：把运镜描述收敛为一种（如只写“缓慢推近”），环绕+变焦同时进行的复杂运镜对模型要求更高。
• 生成结果与预期偏差大：先检查提示词是否含糊（如“美丽”“高级”这类词信息量低），替换为具体视觉描述后重新生成。

六、总结

AI视频生成的核心工作流可以概括为：明确创意 → 写好提示词 → 选对生成方式 → 多次生成筛选 → 后期拼接。技术门槛已经很低，真正拉开差距的是描述能力和筛选耐心。建议先用一个小创意完整走一遍流程，再逐步挑战多镜头叙事。过程中善用AI助手补足脚本和提示词的短板——无论是通过百度搭子DuMate梳理创意、生成分镜脚本，还是在AI真人短剧生成体验中直接尝试短剧成片，都能明显缩短从想法到成片的距离。