企业官网建设流程全解析

开工之前，先问一个问题：你手头只有一张商品白底图，但亚马逊运营要求你一周内交 6 张 Listing 主副图，外加 3 套视频脚本，预算还几乎为零。这种事在电商公司里太常见了，尤其是做跨境电商新品的阶段。

过去我们只能找设计师一张张抠图、合成、渲染，花销高、周期长，改一版需求又要重新排期。现在有了 AI 图像生成和视频生成工具，这件事的性价比已经高了很多。这篇文章不会讲那些“输入一句话自动出图”的玄学，而是分享一套从单张商品图扩展到完整 Amazon Listing 视觉素材的工程化流程，包括图像生成、一致性控制、批次产出、视频分镜脚本设计，以及我实际跑下来遇到的高频问题和规避方案。

文章适合运营、产品开发、独立站卖家和想用 AI 工具提升效率的设计师。读完你会掌握：如何用图生图方式控制商品结构不变形，如何批量产出多角度/多场景图，如何设计 3 套视频方案的镜头脚本，以及哪些环节最容易翻车、怎么提前避开。

1. 为什么一张商品图能扩展出整套素材

1.1 亚马逊 Listing 图到底需要几张

先明确一个概念。亚马逊 Listing 通常由 1 张主图和最多 8 张副图组成，实际运营常用的配置是 1+5，也就是 1 张白底主图加 5 张功能/场景/细节图。

• 主图：纯白底、商品占画面 85% 以上、不能有文字水印或 Logo，这是亚马逊的硬性规定。
• 副图 1：常放尺寸/规格图，解决“这个产品多大”的问题。
• 副图 2：常放核心卖点图，强调材质、工艺或结构。
• 副图 3：常放使用场景图，让用户脑补“我在什么场景用它”。
• 副图 4：常放对比图或细节图，突出相对竞品的优势。
• 副图 5：常放包装/配件图或品牌故事图，提升信任感。

很多卖家会把这些图理解为“设计需求”，其实它们更像是“信息架构需求”。每张图要回答用户的一个疑问，排列顺序也对应着用户的决策路径。你只有一张商品图，但可以通过生成多个背景、多个角度、多个场景，把上述信息点填满。

1.2 传统做法和 AI 做法的成本差异

传统模式下，一张高质量场景图可能需要摄影师、模特、场地、灯光、道具，单张成本从几十到几百不等，还要等排期。如果是结构复杂的产品，3D 渲染还要建模、贴材质、调灯光，周期按周算。

AI 方案的核心思路是：以已有的商品图作为条件输入，通过图生图、ControlNet 边缘约束、局部重绘、图像扩展等方式，在不改变商品主体结构的前提下，生成不同背景、不同角度、不同氛围的图像。生成的结果未必 100% 完美，但作为 Listing 副图素材，再经过一轮轻量后期修图，效率远超纯人工。

这里要强调一个原则：AI 生成不能替代合规审校。亚马逊对图片有明确规范，主图必须白底，商品不能有阴影或文字遮挡，副图不能包含价格、促销信息、联系方式。AI 生成的图片如果出现多余文字、畸形结构或误导性场景，仍然需要人工检查。

1.3 这套流程适用的人群和产品类型

我跑通这套流程后发现，最适合的产品类型有三类：

• 中小体积实物商品，比如厨房小家电、家居收纳、数码配件、玩具、美妆工具。
• 外观特征明显，但不需要精确复刻材质纹理的商品，比如工具类、户外用品。
• 需要快速产出多套 A/B 测试素材的测款场景。

不太适合的产品类型包括：成分/配方必须精确展示的食品保健品、需要严格尺寸标注的工业零部件、涉及人体佩戴效果且对模特五官有严格要求的产品。这类需求建议保留传统拍摄或 3D 建模方案。

2. 环境准备与工具选型

2.1 图像生成方向：推荐的工作台组合

我目前常用的组合是 Stable Diffusion WebUI / ComfyUI 图生图工作流，配合 ControlNet 的 Canny 或 Depth 预处理器使用。如果你没有本机部署条件，也可以使用在线平台的“图生图”功能，但可调参数和批量处理能力会弱一些。

版本方面：Stable Diffusion 本身迭代很快，不同版本的模型对同一张图的解析效果差异较大。建议优先使用 1.5 或 SDXL 生态的通用模型。这里不写死具体版本号，因为实际项目中需要根据你的显存、显卡型号和模型兼容性来定。核心思路是：底模负责画质和风格，ControlNet 负责锁定商品轮廓，后期重绘负责改背景，三者各司其职。

部署方式，如果本机有 NVIDIA 显卡且显存 8GB 以上，建议 ComfyUI。ComfyUI 的优势是节点化流程，适合把“商品图 → 多背景生成”这种重复流程做成模板，换图不换流程，非常适合批量产图。如果显存不够，优先考虑云 GPU 平台或者在线生图平台的 API，按量付费，前期成本更低。

2.2 视频生成方向：流程比工具更重要

视频方案上，目前可用的方式有三类：

• 图生视频：上传生成的场景图，让 AI 驱动商品或镜头运动，适合 5-15 秒的产品展示短视频。
• 文生视频 + 图生视频结合：先生成关键帧，再对关键帧进行运动控制。
• 视频编辑工具：将生成的短视频片段拼接，加入文字、音乐、字幕，形成完整素材。

不要过度纠结于某一个具体工具的名字，因为视频生成领域几乎每个月都有新功能上线。你真正需要理解的是底层逻辑：视频方案的产出 = 静态图素材 + 镜头语言设计 + 多段视频拼接。

2.3 素材整理规范

这套流程要处理多张输入图、多组提示词、多个输出图，如果不做素材管理，很快就会乱。建议按以下目录结构管理：

product_assets/ ├── input/ │ └── product_white_bg.jpg ├── output/ │ ├── 01_main_image/ │ ├── 02_feature_image/ │ ├── 03_scene_image/ │ ├── 04_size_image/ │ ├── 05_detail_image/ │ └── 06_compare_image/ ├── prompts/ │ ├── base_prompt.txt │ ├── negative_prompt.txt │ └── style_presets/ └── video/ ├── script/ └── storyboard/

这样做的好处是，当你需要调整某一类图片时，可以直接定位到对应目录，不需要从头翻。

3. 把单图变成一套 Listing 图的核心原理

3.1 图生图不是“让 AI 自由发挥”

很多人第一次用图生图时，直接上传商品图，然后写一句“帮我生成一张好看的场景图”，结果出来的图结构变形、商品面目全非。原因在于，图生图的默认行为的“参考构图”，不是“保留商品本体”。

要让 AI 保留你的商品结构，需要做到两件事：

第一，降低重绘幅度（Denoising Strength）。在图生图参数中，重绘幅度控制着输出图与输入图的差异程度。数值越低，保留的原图信息越多，适合结构固定的商品；数值越高，AI 自由发挥的空间越大。当数值超过 0.7 时，很多商品图已经基本看不出原结构了。

第二，引入 ControlNet 的边缘/深度约束。ControlNet 可以从原图中提取商品的边缘线稿或深度图，作为生成时的强制条件，让 AI 在换背景的同时，保持商品的轮廓位置不变。这是目前保持商品一致性最有效的手段。

以下是一个常见的参数参考范围：

3.2 提示词的结构化写法

很多新手写提示词是把一堆形容词堆在一起，效果全靠“抽卡”。但做电商图需要稳定可控，提示词应该有固定结构。

我习惯把提示词拆成四个部分：

• 主体描述：商品名称、核心材质、颜色。
• 环境描述：背景类型、光线方向、氛围。
• 构图描述：角度、景别、镜头语言。
• 风格修饰：摄影风格、画质关键词。

示例：

a stainless steel electric kettle, matte black finish, standing on a modern wooden kitchen counter, soft morning light from left window, blurred cozy kitchen background, professional product photography, 85mm lens, shallow depth of field, high resolution, sharp details, 4k

翻译成人话就是：主体是不锈钢电水壶，亚光黑，放在厨房台面上，左边窗户打光，背景虚化，专业产品摄影风格。

这里要注意：提示词是给模型看的，不需要写完整的中文句子，用英文关键词组合效率更高。但如果你的模型对中文支持较好，也可以中英文混用，关键是你自己要能读懂并持续微调。

3.3 负面提示词的作用

负面提示词用于告诉模型“不要画什么”，在商品图上尤其重要。常见需要屏蔽的内容包括：

text, watermark, logo, low quality, blurry, deformed, distorted, extra fingers, bad anatomy, cropped, oversaturated, jpeg artifacts, signature, username

如果你生成的是场景图，还要额外屏蔽与场景无关的元素，比如 outdoor, people, car, text 等等。负面提示词写得好，能显著减少后期修图成本。建议维护一份通用负面提示词列表，放在你的工作流里。

3.4 种子值与随机性控制

每次生成图片时，模型会使用一个随机种子（Seed）来控制初始噪声。如果你对某次生成的构图很满意，但想微调光线或背景，可以固定种子值，只修改提示词或部分参数，这样输出结果会在“同一方案”的基础上变化，不会完全变成另一张图。

批量生成 6 张图时，我建议采用“固定种子 + 不同提示词环境词”的方式，而不是每次随机种子。这样可以保证不同副图之间商品的位置、大小、视角更接近，视觉一致性更强。

4. 实战：生成 6 张 Amazon Listing 图的完整流程

下面以厨房电子秤为例，演示从一张白底图生成 6 张 Listing 图的全流程。你不需要完全照搬这个商品，重点是理解每一步在做什么，然后换成你自己的商品。

4.1 准备原始商品图

原始商品图质量直接决定最终效果。具体要求如下：

• 白底或纯色底，商品主体清晰，无明显遮挡。
• 商品占画面比例尽量大，四周留白适度。
• 光照均匀，细节可见，不要有严重反光或阴影。
• 分辨率建议不低于 1024×1024，否则放大后会出现细节模糊。

如果你只有一张 800×800 的旧图，可以先在图像处理工具中裁剪干净，再用图生图的放大功能把底图清晰度拉高。但要注意：AI 放大不是万能的，原图过于模糊会导致后续生成结果结构漂移。

4.2 生成策略：一张图对应一个信息目标

收到 6 张图的需求，不要直接生成 6 次“不同风格的商品图”，而是要像做运营一样思考每张图的使命。

我设计的 6 张图规划如下：

这样安排的好处是，每一张图都有明确的信息增量，后 5 张图不会重复。实际操作时，你可以把这 5 类图的提示词作为基础模板，再根据产品差异化微调。

4.3 用图生图生成主图和副图

主图我通常不做任何 AI 处理，直接用原始白底图做亮度、色温、轻微锐化调整即可。原因很简单，亚马逊主图审核严格，AI 生成的白色背景往往不是纯白（RGB 255,255,255），而是带灰调或环境色，会造成审核驳回。

如果你一定要用 AI 生成主图，建议生成后把背景抠掉或直接在图像处理工具中替换为纯白底，不要直接上传。

副图 1 的提示词参考：

a black kitchen scale on a plain light grey background, front view, centered composition, soft studio lighting, minimal style, product photography, high resolution, no text, no watermark

这里的关键是 light grey background 和 minimal style，给出一个干净的展示环境，让用户注意力集中在商品结构上。

副图 3 的使用场景图：

a black kitchen scale on a modern white marble kitchen counter, next to a bowl of fresh fruits, warm natural window light, kitchen background softly blurred, lifestyle product photography, professional composition, high detail, 4k

场景图是最容易出效果、也最容易翻车的类型。当你添加了“厨房台面”“水果”等环境元素后，AI 可能会把背景元素画得过大或过小，与真实比例不符。因此生成场景图时要重点检查商品和背景物体的相对大小。

4.4 用 ControlNet 锁定商品结构

如果你直接用上面的提示词跑图，大概率会出现以下情况之一：电子秤的形状变了、按钮位置变了、显示屏上的数字变成了乱码。

要解决这个问题，需要打开 ControlNet，选择 Canny（边缘检测）或 Depth（深度图）预处理器。

Canny 的工作流程：

1. 上传原始商品图到 ControlNet。
2. 预处理器选择 Canny。
3. 控制权重设为 0.8 左右。
4. 生成时模型会优先参照 Canny 线稿的形状。

Depth 更适合有立体结构的商品，比如吹风机、咖啡机、手持工具。如果你的商品是扁平结构，比如电子秤、手机壳、鼠标垫，Canny 更合适。

需要注意，ControlNet 权重过高会让画面失去“新背景”的乐趣，权重过低又会结构漂移。我习惯先固定权重 0.8 跑一张，如果背景没有变化，再逐步降到 0.7、0.6 继续测试。

4.5 批量生成与筛选标准

6 张图每张至少生成 4-6 次，也就是总共 24-36 张候选图，从中筛选最合适的 6 张。不要指望一次生成就成功。

筛选标准按优先级排列：

• 第一优先：商品结构是否正确，有无变形、多出不该有的部件。
• 第二优先：商品表面文字/Logo 是否清晰，出现乱码文字的直接淘汰。
• 第三优先：背景是否符合预期，场景比例是否真实。
• 第四优先：整体光影是否自然，有无明显噪点或涂抹感。
• 第五优先：构图是否留有文字和卖点图标的位置。

因为 Listing 副图通常还会叠加上卖点文字和图标，所以生成时最好在商品周围预留空余区域，避免生成结果过于满构图，后期无法加字。

4.6 后期修图与合规处理

AI 生成的图不能直接用，至少要做三步处理：

第一步，抠图修正。如果商品边缘有半透明残留、毛边或背景色渗出，需要在图像处理工具中手动修复。

第二步，叠加上架信息。副图最终是要加卖点文字、尺寸标注、图标箭头的，AI 生成图负责提供底图，排版信息在后期完成。

第三步，导出格式。亚马逊图片建议 JPG 或 PNG，最长边至少 1000 像素，推荐 1600 像素以上，以便支持缩放查看功能。

这里的合规提醒：确保你上传的图片不含价格、促销语、联系方式、AWS 标志或任何可能误导用户的内容。

5. 从静态图到 3 套视频方案

很多卖家会问：静态图还没有做完美，怎么就开始做视频了？但实际运营中，视频是独立的广告素材，并不需要等 Listing 图全部定稿后再启动。我的做法是：静态图先出 3-4 张合格底图，然后同步开始设计视频分镜。

5.1 视频方案的核心结构

一条商品短视频通常由三个部分组成：开头吸引、中段展示、结尾转化。

• 开头 0-3 秒：通过场景或特写吸引注意力，避免用户刷走。
• 中段 3-12 秒：展示商品外观、功能、使用过程或对比结果。
• 结尾 12-15 秒：再次露出品牌、强调购买理由。

3 套视频方案的区别不应该只是“换个 BGM”，而要有明显的镜头逻辑差异。建议从三个角度切入：功能展示型、场景氛围型、问题解决型。

5.2 方案一：功能展示型视频

这套方案适合功能点明确的商品，核心目标是让用户快速理解“它怎么用”和“它有什么用”。

分镜参考：

操作方式：先分别生成“白底图”“手部操作图”“厨房场景图”三张关键帧，然后利用图生视频，让 AI 在关键帧之间生成运动过渡。使用这种方案时，商品的按钮、屏幕显示变化通常无法完美模拟，建议后期用剪辑工具叠加动态文字或局部放大来处理。

5.3 方案二：场景氛围型视频

这套方案适合外观设计有卖点、强调生活品质的商品。核心不是讲功能，而是营造代入感。

分镜参考：

这种视频对 AI 生成能力的要求更高，因为涉及光线变化和镜头移动。我的建议是：先确定“光线风格”，再用图生视频生成 3-5 秒的短视频片段，最后在剪辑软件中拼接。不要指望 AI 一次生成完整 15 秒视频。

5.4 方案三：问题解决型视频

这套方案适合有痛点的品类，比如传统秤读数不准、操作复杂。核心是前后对比。

分镜参考：

由于我们没有旧产品的实拍素材，痛点的部分可以用文字动画、漫画箭头或抽象图形来表现，不一定非要 AI 生成真实旧产品画面，这样也不会涉及侵权问题。

5.5 视频素材的提示词参考

以“手部操作电子秤”为例，图生视频的提示词可以这样写：

a hand pressing a button on a black kitchen scale, the digital display changes from 0 to 500, smooth camera motion, shallow depth of field, natural light, close-up shot, realistic style, high quality

如果是镜头推近的提示词：

slow camera zoom in on a black kitchen scale placed on marble counter, morning light, cozy kitchen atmosphere, stable composition, realistic product video, no text, no watermark

这里要理解的是：视频生成工具的提示词和静态图类似，但多了一个“运动描述”。你需要明确告诉模型是什么在运动、镜头怎么运动、画面节奏是快还是慢。如果视频生成工具支持起始帧和结束帧，推荐使用“首尾帧控制”，这样可以大幅提升视频稳定性。

6. 常见问题与排查思路

6.1 商品结构变形

问题现象：生成后商品形状改变，按钮位置偏移，整体结构扭曲。

常见原因：

• 重绘幅度过高，AI 有了太多自主发挥空间。
• 没有使用 ControlNet，或 ControlNet 权重过低。
• 商品本身是大面积纯色，Canny 提取不到足够的边缘信息。

排查顺序：

1. 把重绘幅度降到 0.35 以下。
2. 打开 ControlNet，使用 Depth 或 Canny。
3. 增加 ControlNet 权重到 0.8 以上。
4. 如果仍然变形，检查原始商品图的边缘是否清晰，必要时先用图像工具增强对比度。

6.2 背景元素比例失调

问题现象：生成的场景图中，桌子、杯子、水果等元素过大或过小，看起来比例奇怪。

常见原因：

• 提示词里环境词权重过高。
• 没有使用 Depth 控制景深和空间关系。
• 商品本身在画面中占比太小。

解决办法：在提示词中增加商品主体词的权重，例如用(product name:1.3)提高权重；或者用局部重绘功能，锁定商品区域，只对背景区域进行重绘。

6.3 商品上的文字变成乱码

问题现象：电子秤屏幕、包装盒、产品标签上的文字出现乱码或错误字符。

这是 AI 生成的老大难问题，尤其是模型对中文字符和精细小字的生成能力非常弱。

解决方案：

• 生成时在负面提示词中加入text, letters, words, characters。
• 在后期修图时，将商品屏幕/标签区域重新绘制或叠加真实文字素材。
• 如果必须显示文字，建议先生成无文字的干净商品图，再用设计工具把文字贴上去。

6.4 主图白底不纯

问题现象：生成的主图底色发灰、偏黄或带轻微阴影。

亚马逊要求主图背景为纯白（RGB 255,255,255），这几乎是所有 AI 生成工具都会踩的坑。

解决方案：

• 尽量不使用 AI 生成主图，而是直接修原图。
• 如果 AI 生成后背景带灰调，使用图像处理工具把背景选中并替换为纯白。
• 不要单独依赖“white background”提示词，AI 对“绝对纯白”的理解和审核要求不同。

6.5 视频生成结果卡顿或不连贯

问题现象：图生视频生成的片段，运动过程有跳帧、闪烁或商品形变。

常见原因：

• 视频生成模型对商品细节的保持能力不足。
• 单段视频生成时长过长，模型在后期出现漂移。
• 输入的静态图分辨率不够。

建议：

• 单段视频控制在 3-5 秒，宁可多生成几段拼接，也不要一次生成 15 秒。
• 输入图分辨率提升到 1280×720 或更高。
• 在剪辑时叠加转场和音效，减轻偶发瑕疵的影响。

7. 最佳实践与工程化建议

7.1 建立提示词模板库

做电商素材不是一次性需求，而是持续、批量、可复用的需求。我强烈建议把不同类型商品、不同类型图片的提示词制作成模板，沉淀为团队资产。

模板结构可以参考：

[商品类别]_[图片类型]_[风格].txt

例如：

kitchen_scale_feature_minimal.txt kitchen_scale_scene_lifestyle.txt

每次做新产品时，找到对应模板，修改商品名、材质、颜色和环境词，就能快速出图，不需要从零开始写提示词。

7.2 建立种子值复用机制

在一个 Listing 项目中，6 张副图之间保持商品角度、大小一致，会让整体视觉效果更专业。为此你可以固定主图的种子值，在生成不同场景图时复用，只修改背景描述部分。

这相当于让 AI 在“同一个商品投影”的基础上换背景，而不是每次重新理解商品长什么样。

7.3 设置质量把关清单

出图后在交付前，逐项检查以下内容：

• 商品结构是否正确。
• 有无畸形部件、多余手指、错误文字。
• 有无品牌水印或版权风险元素。
• 副图是否需要预留文字区域。
• 主图背景是否为纯白。
• 图片是否符合亚马逊文件格式和尺寸要求。

7.4 保持人工审校和版权意识

AI 生成图片在版权层面仍存在许多不确定因素，尤其是跨平台模型训练数据来源。如果你生成的结果与某品牌商品高度相似，且包含对方 Logo 或特殊包装，不建议用于商业 Listing 图。安全做法是：只生成你自有品牌的商品图，或者在生成时明确屏蔽品牌词、严格控制在自有商品结构范围内。

8. 后续学习方向

如果你已经完整跑通上面的流程，可以继续往下深挖几个方向：

第一，学习局部重绘和图像扩展技巧。局部重绘可以只修改背景、只修改商品配件，是精细化控制的基础；图像扩展可以把已有的商品图扩展为 16:9 横版视频素材。

第二，学习提示词权重和采样器差异。你现在可能只会用默认采样器，但不同采样器对画面锐度、光影、细节的影响很大。花时间测一组常用采样器的效果差异，能明显提升出图质量。

第三，研究商品一致性的更进阶方案。目前社区里有通过 LoRA 微调训练商品专属模型的做法。如果你要长期做同一款产品的大量素材，可以考虑用一批商品图训练一个小 LoRA，这样生成结果的一致性会比临时写提示词高很多。

第四，搭建批处理工作流。ComfyUI 的优势在于节点化，可以把整条流程固化下来，每次换一张输入图就能批量生成 20 张候选图。这对测款和多变体产品尤其有用。

做电商素材不是靠某一次“灵感爆发”，而是靠一套可重复、可量化、可迭代的流程。希望这篇文章能帮你把单张商品图变成一套完整素材的生产链路，节省下来的时间和预算，可以放到更重要的运营环节里。如果你在实践中遇到好玩的案例或踩到新坑，欢迎按自己习惯的方式整理分享给更多卖家。