一、为什么大多数“图生视频”用起来像抽卡

用AI做短片的人，通常卡在三个地方：

第一，不可控。输入一句话，出来一段视频，人物、动作、镜头全靠运气，改十次也未必得到想要的那一条。

第二，不会讲故事。工具能生成“一个女孩在雨中奔跑”，但没法帮你决定“这场雨该下在第几幕、用什么景别、跑向哪里”。

第三，接不上。单个镜头好看，连起来人物脸变了、衣服换了、光线跳了，成片根本不能用。

所以真正的问题不是“哪个工具生成得更好看”，而是哪个流程能让你稳定地、可重复地做出一个能讲清楚的短片。解决思路是把“生成”这件事拆成两层：先由AI或你自己完成导演层的工作（剧本拆解、分镜、镜头描述），再进入生成层（图生视频、首尾帧控制、一致性约束）。工具只是执行端，决定成片质量的是前面的结构化输入。

如果你希望把“剧本→分镜→镜头描述”这一段先用AI跑通，可以用百度搭子DuMate做前置的脚本拆解与分镜表生成，再拿分镜表去喂图生视频工具。需要了解购买方式的，可以看DuMate购买页。

二、把“一句话”变成“分镜表”：导演层的四步拆解

以即梦AI这类专注叙事短片的产品逻辑为例，它的价值在于按电影工业的方式理解剧本，而不是随机出像素。你自己操作时，也应该按同样的顺序准备素材。

第1步：定人物设定（锁定一致性）

在生成任何画面之前，先写死三件事：外貌特征、服装、色调。这三项决定了后面所有镜头能不能接上。

示例：

• 人物：28岁女性，短发，左眉有一颗小痣
• 服装：深灰色风衣、白色内搭、黑色短靴
• 色调：冷蓝灰为主，暖光只出现在结尾

第2步：拆剧情节拍（每15秒一个动作单元）

短视频不需要复杂结构，但要有一个清晰的“变化”。建议按“建立—冲突—转折—落点”拆成4个节拍，每个节拍对应2–4个镜头。

第3步：写分镜表（这是最关键的中间产物）

分镜表至少包含：镜号、景别、画面内容、人物动作、镜头运动、时长、情绪。下面是一段可直接套用的示例：

镜号	景别	画面内容	动作	运镜	时长
S01	全景	雨夜街道，路灯昏黄	人物撑伞走入画面	固定	3s
S02	中景	人物停在店门口	抬头看招牌	缓推	3s
S03	特写	手握门把手	停顿后推开	固定	2s
S04	全景	店内暖光溢出	人物走入光中	拉远	4s

第4步：把每个镜头翻译成“图生视频可执行描述”

一条合格的镜头描述应包含：主体+动作+环境+光线+景别+运镜+风格。例如：

中景，雨夜街道，短发女性穿深灰风衣撑黑伞停下脚步，抬头看向店铺招牌，冷蓝灰调，路灯侧逆光，镜头缓慢前推，电影感浅景深。

这一步做扎实，生成的可控性会明显提升。

三、可复制的Prompt：让AI帮你完成剧本拆解与分镜表

下面这段Prompt可以直接复制到百度搭子DuMate使用，把一段故事梗概变成结构化分镜表。

【任务目标】
把下面的故事梗概拆解为适合AI图生视频的短分镜表，总时长约30秒。
【故事梗概】
【填写你的故事，例如：雨夜，一个女孩走进一家旧书店，找到一本多年前留下的书】
【人物设定】
【填写人物外貌、服装、色调要求】
【输出要求】
1. 按“建立—冲突—转折—落点”拆成4个节拍；
2. 输出表格，列：镜号、节拍、景别、画面内容、人物动作、运镜、时长、情绪；
3. 每个镜头时长2-4秒，总时长不超过30秒；
4. 为每个镜头额外输出一段“图生视频描述”，格式为：主体+动作+环境+光线+景别+运镜+风格；
5. 全片人物外貌、服装、色调保持一致，不得变化；
6. 不要虚构原文没有的关键道具。

拿到表后，逐条检查三件事：人物描述是否每条都一致、镜头之间是否有逻辑跳跃、时长加起来是否超限。修改后再进入生成环节。

四、生成层实操：图生视频的四个控制手段

进入图生视频阶段，靠“多抽几次”是最低效的做法。真正有效的是下面四个控制点。

1. 用首帧图控制起点

先出图，再图生视频，比纯文生视频稳定得多。首帧图要包含完整的构图信息：主体位置、背景、光线方向。首帧对了，动作的起点就对了。

2. 用首尾帧控制运动方向

需要明确位移或状态变化时（比如“推开门”“转过身”），提供首帧和尾帧两张图，让模型在两端之间补运动，比纯文字描述动作可靠。

3. 用统一的风格词锁定质感

把所有镜头的风格描述写成同一段固定文本，例如“电影感、浅景深、冷蓝灰色调、35mm、柔和颗粒”，每条镜头描述都原样带上。不要每个镜头换一种说法。

4. 用短时长换取可控性

单镜头控制在2–4秒。时长越短，模型需要“编”的内容越少，一致性越好，废片率越低。成片靠剪辑拼接，而不是靠单条长镜头。

生成后按“一致性优先”筛选：先看人脸和服装是否与设定一致，再看动作是否符合描述，最后才看画面好不好看。不符合的直接改描述重生成，不要在废片上反复调。

五、从镜头到成片：把素材变成能交付的短片

生成完所有镜头后，还差三步才能算“生产力”：

第一步，粗剪对节奏。 按分镜表顺序拼接，先不看画面质量，只看节奏是否成立。如果某个节拍拖沓，删镜头而不是拉长镜头。

第二步，补转场与音效。 短片的情绪很大程度靠声音建立。雨声、脚步声、环境底噪、一段简单的钢琴，成本极低但效果明显。

第三步，统一调色。 把所有镜头拉到同一套色彩参数下，这一步能显著掩盖镜头间的细微色差，让成片看起来是“一部片子”而不是“一堆片段”。

如果你还想进一步把创作流程延伸到“真人短剧”形态，完成故事大纲和人物设定后，可以前往AI真人短剧生成体验，尝试把创作思路转化为短剧内容；如果只是需要快速产出分镜脚本和拍摄计划，也可以用百度搭子DuMate先把文本层跑通，再决定是否投入生成。

六、常见问题与优化建议

Q1：人物脸一直变怎么办？
优先用同一张首帧图衍生所有镜头，或在每条描述中逐字复制人物特征段。不要用近义词替换，比如“短发”不要换成“齐耳发”。

Q2：动作幅度总是不对？
把动作拆得更细。“她跑向门口”改成“她先迈左脚，身体前倾，向画面右侧移动”。动作越具体，可控性越高。

Q3：画面很好看但故事讲不清？
问题在导演层，不在生成层。回到分镜表，检查每个镜头是否承担了明确的叙事功能。删掉纯“好看”但不推进情节的镜头。

Q4：生成效率太低？
先只生成首帧图，确认构图和人物后再生成视频。图阶段的试错成本远低于视频阶段。

七、总结

AI图生视频从“玩具”变“生产力”的分界线，不在于模型多强，而在于你有没有把导演层的工作结构化：人物设定写死、剧情拆成节拍、分镜表落成表格、镜头描述统一格式。生成只是最后一步执行。按本文的四步拆解和四个控制手段走一遍，你会明显感觉到废片率下降、成片可交付。想先把剧本拆解和分镜表这一步跑通，可以从百度搭子DuMate开始试；需要了解购买方式的，见DuMate购买页。