企业官网建设流程全解析

AI视频生成这件事，真正拉开差距的从来不是"用哪个工具"，而是"提示词怎么写、参数怎么调、废片怎么救"。我前后跑了上百条片子，从最初十条里九条废，到现在基本两三条就能出一条能用的，中间踩的坑比看过的教程多得多。这篇就把从一句提示词到一条完整成片的整个链路拆开讲清楚，包括那些教程里不会写、但实操中一定会遇到的细节。不管你是刚接触AI视频的新手，还是已经能出片但成品率不稳定的老手，下面这些内容应该都能直接拿去用。

1. 先搞清楚AI视频到底在"生成"什么

很多人一上来就猛写提示词，结果出来的东西跟想象完全不是一回事，然后就怪工具不行。问题往往出在对生成原理的理解上——你得先知道模型在干什么，才知道提示词该往哪个方向使劲。

1.1 从"文字"到"像素"的映射逻辑

AI视频模型本质做的事情，是把一段文字描述映射成一系列连续的像素帧。它并不是在"理解"你的意图，而是在海量训练数据里找与你的文字最匹配的视觉模式。这个认知很关键：你写的每一个词，都是在给模型圈定一个"视觉搜索范围"，范围圈得越准，出来的东西越接近预期。

打个比方，你写"一个女孩在走路"，模型面对的是一个巨大的可能性空间——什么年龄、什么穿着、什么场景、什么光线、什么镜头角度，全是开放的。它只能随机挑一个"平均解"，结果往往平庸甚至诡异。但如果你写"一个二十出头的女孩，穿米色风衣，傍晚的城市街道，暖色路灯，中景跟拍，步伐轻快"，可能性空间被大幅收窄，模型找到你想要的那个视觉模式的概率就高得多。

所以提示词的核心不是"写得多"，而是"收得准"。每一个描述词都应该承担缩小搜索范围的功能，那些不产生区分度的词（比如"好看的""高质量的"）基本是浪费字数。

1.2 为什么"运动"比"画面"更难控制

静态图像生成已经相对成熟，但视频多了一个时间维度，难度是数量级的提升。模型不仅要保证每一帧画面合理，还要保证帧与帧之间的连贯性——人物的脸不能变形、衣服不能突然换色、背景不能跳变。这就是所谓的时序一致性问题。

实操中你会发现，画面越简单、运动幅度越小，一致性越好；一旦涉及快速运动、多人交互、复杂镜头运动，翻车率飙升。理解这一点，你在设计镜头时就会有意识地"避重就轻"——能用缓慢推镜解决的，就别硬上快速摇镜；能单人出镜的，就别安排两个人握手。这不是偷懒，是顺应模型当前的能力边界。

1.3 当前模型的能力边界清单

我把实际跑下来观察到的能力边界整理成一张表，你在写提示词之前先对照一下，能省掉大量废片：

这张表不是让你畏手畏脚，而是让你在构思分镜时心里有数。真正的高手不是硬碰模型的短板，而是用镜头语言绕过去——手部容易崩，那就用中景带过；多人接触容易穿模，那就用剪辑点切开来表达。

2. 提示词的分层写法：从骨架到血肉

提示词写得好不好，直接决定废片率。我摸索出一套分层结构，把提示词拆成几个功能层，每层解决一个特定问题，写起来有章法，改起来也好定位问题。

2.1 主体层：先把"谁"钉死

主体层是整个提示词的骨架，回答"画面里是谁/是什么"。这一层要具体到能形成唯一指向，但又不能具体到模型无法处理。

具体到什么程度合适？我的经验是：年龄区间+性别+核心外貌特征+穿着，四要素基本够用。比如"三十岁左右的男性，短发，戴黑框眼镜，深灰色针织衫"，这就形成了一个相对明确的视觉锚点。再往上加"高鼻梁、薄嘴唇"这种精细五官描述，收益递减甚至可能引入不一致，因为模型对精细面部特征的控制力有限，写多了反而每帧都在变。

主体层还有一个容易被忽略的点：主体的初始姿态和朝向。写"一个男人站着"和写"一个男人侧身站立，面向画面右侧"，出来的构图完全不同。如果你后续要接镜头运动或者做转场，初始朝向必须提前想好，否则运动方向会跟你预期相反。

2.2 场景层：给主体一个"落脚点"

场景层回答"在哪里、什么时间、什么氛围"。这一层的关键是空间关系要清晰，因为模型需要知道主体和环境的相对位置。

我习惯用"前景-中景-背景"的三段式来描述场景。比如"前景是虚化的绿植叶片，中景是铺着木地板的小客厅，背景是落地窗和窗外的城市天际线"，这样模型就能理解景深关系，出来的画面有层次感，而不是所有元素糊在一个平面上。

时间和氛围用光线来锚定最有效。"傍晚""清晨"这种时间词模型理解得比较模糊，但"暖橙色的低角度侧光""冷蓝色的散射天光"这种光线描述，出来的效果立竿见影。光线是氛围的第一语言，这一点在实操中屡试不爽。

2.3 运动层：把"怎么动"说清楚

运动层是视频提示词区别于图像提示词的核心，也是最容易写崩的地方。这一层要同时描述主体运动和镜头运动，两者要协调，不能打架。

主体运动描述要遵循"幅度+方向+速度"三要素。比如"缓慢转头看向镜头""快速起身向画面左侧走去""轻微点头"。注意"轻微""缓慢"这类程度词很重要，它们能有效降低运动幅度，从而提升一致性。

镜头运动则要用行业通用的术语，模型对这些词的响应比较准：推（dolly in）、拉（dolly out）、摇（pan）、移（truck）、跟（tracking）、升降（crane）。写的时候明确方向和速度，比如"镜头缓慢向前推进""镜头轻微向右平移跟随主体"。

这里有个血泪教训：主体运动和镜头运动不要同时剧烈。主体快速跑动+镜头快速跟拍，几乎必崩。要么主体动镜头静，要么镜头动主体静，二选一，成片率立刻上一个台阶。

2.4 风格层：统一"长什么样"

风格层决定画面的整体质感，包括画面风格、色调、质感、参考方向。这一层放在提示词末尾，作为全局修饰。

风格描述要成体系，不能东一榔头西一棒子。比如你要电影感，就统一往"电影感"这个方向堆词：浅景深、胶片颗粒、宽银幕比例、柔和对比。你要动画感，就统一往"二维动画、扁平色块、描边清晰"这个方向走。混着写（又要电影感又要卡通感）只会让模型无所适从。

我个人的习惯是把风格层写成一句独立的短句，跟前面的内容用句号隔开，让模型明确知道这是全局设定而非局部描述。这个细节看起来小，但对风格统一性有实际帮助。

2.5 一个完整的提示词范例拆解

把上面四层拼起来，一个完整的提示词长这样：

三十岁左右的男性，短发，戴黑框眼镜，深灰色针织衫，侧身站立面向画面右侧。中景是铺着木地板的小客厅，背景是落地窗和城市天际线，傍晚暖橙色侧光从窗口照入。主体缓慢转头看向镜头，镜头轻微向前推进。电影感，浅景深，柔和对比，胶片颗粒。

拆开看：第一句主体层，第二句场景层，第三句运动层，第四句风格层。结构清晰，每一层各司其职。你改的时候也能精准定位——脸不对改第一句，氛围不对改第二句，动得怪改第三句，质感不对改第四句。这种模块化的写法，比一大段糊在一起的描述好用太多。

3. 参数面板：那些默认值背后的取舍

提示词写好了，接下来是参数。很多人参数面板看都不看直接用默认值，结果出来的片子总觉得"差口气"。其实每个参数背后都有明确的取舍逻辑，理解了就能针对性调优。

3.1 时长与帧率的现实权衡

时长和帧率是一对相互制约的参数。当前多数模型单次生成的时长有限（常见4到8秒），帧率则影响流畅度。这里有个反直觉的点：不是帧率越高越好。

高帧率意味着单位时间内要生成更多帧，模型需要维持一致性的帧数变多，翻车概率随之上升。而且很多模型的高帧率是靠插帧实现的，插出来的帧容易出现果冻感或者鬼影。我的实测经验是，24帧或25帧是性价比最高的区间，既有电影感又稳定；除非你要做慢动作，否则没必要上高帧率。

时长方面，与其一次生成很长的片段然后中间崩掉，不如分段生成再拼接。每段控制在4到6秒，每段单独控制提示词和参数，最后在剪辑里接起来。这样虽然多几步操作，但成品率天差地别。

3.2 运动强度与一致性的拉锯

运动强度（motion strength / motion scale）这个参数直接控制画面运动的剧烈程度。调高，运动更明显但一致性下降；调低，画面稳但可能"死气沉沉"像幻灯片。

这个参数没有万能值，要看你的镜头设计。静态对话镜头，运动强度调到中低；动作镜头，适当调高但要接受一定的不稳定性。我的做法是先按镜头类型定一个基准值，然后小步微调，每次调0.1左右，观察变化，找到那个"动得刚好又不崩"的临界点。这个临界点每个模型都不一样，得自己试出来。

3.3 种子值的复现价值

种子值（seed）是很多人忽略但极其有用的参数。固定种子值，在提示词和参数不变的情况下，能复现出几乎相同的结果。这意味着什么？意味着你调参的时候有了"控制变量"的能力。

比如你想测试某个词的加入对画面的影响，固定种子，只改提示词，出来的差异就是这个词带来的，其他变量被控制住了。没有种子值，你每次生成都是开盲盒，根本没法做对比实验。我调参阶段一定会固定种子，等参数定型了再放开种子批量生成挑片。

3.4 参考图与首帧控制的实战用法

如果模型支持参考图或首帧控制，一定要用起来，这是提升可控性最直接的手段。首帧控制的意思是：你给一张图作为视频的第一帧，模型基于这张图往后生成运动。这样画面的起点完全由你掌控，一致性大幅提升。

实操中我常用两种玩法：一是用图像模型先精修出一张满意的首帧，再喂给视频模型让它动起来；二是用上一段视频的末帧作为下一段的首帧，实现无缝衔接。第二种玩法做长片特别有用，能把多个短片段串成一条连贯的长镜头。

注意：首帧控制虽然好用，但首帧和提示词的运动描述要匹配。如果首帧是人物正面站立，提示词却写"人物转身走远"，模型会陷入矛盾，出来的运动往往很别扭。首帧定的是起点，提示词描述的是从起点出发的运动，两者逻辑上要连贯。

4. 从片段到成片：剪辑台上的二次创作

单段生成出来只是素材，离成片还有距离。这一步很多人草草了事，其实剪辑台上的操作能救回大量"差一点"的素材，也能让好素材真正发挥价值。

4.1 废片抢救：哪些能救、哪些该弃

先建立一个判断标准：什么样的片段值得救，什么样的直接弃。我的经验是分三类处理。

第一类，运动方向或节奏不对但画面质量好的，可以救。用变速、倒放、裁剪重新构图，往往能盘活。比如一段推镜太快导致画面糊的素材，放慢到0.5倍速，糊的感觉反而变成了运动模糊的艺术效果。

第二类，局部崩坏但主体可用的，可以救。比如手部崩了但脸和身体都好，那就裁掉手部区域，或者用画中画、遮挡元素盖住。AI视频的构图本来就灵活，没必要死守原始画幅。

第三类，时序一致性彻底崩坏的，直接弃。人物脸每帧都在变、背景疯狂跳变这种，后期救不回来，硬救只会浪费时间。识别这类废片要果断，别舍不得。

4.2 转场设计：把断裂变成节奏

多段拼接最大的问题是段与段之间的断裂感。硬切在快节奏内容里没问题，但在需要连贯感的内容里就会出戏。这时候转场设计就派上用场了。

我常用的转场手法有三种。运动匹配转场：上一段结尾镜头向右移，下一段开头镜头继续向右移，运动方向一致，观众感知不到切换。相似构图转场：两段的主体位置、构图比例接近，切换时视觉跳跃小。遮挡转场：用前景物体划过画面作为切换点，遮挡的瞬间完成剪辑，非常自然。

这三种手法里，运动匹配转场最依赖生成阶段的规划——你在写提示词时就要想好前后镜头的运动衔接。这也是为什么我一直强调分镜要提前设计，剪辑台上的顺畅是生成阶段埋下的伏笔。

4.3 调色与节奏：统一全片气质

多段素材拼在一起，色调不统一是最常见的问题。不同片段可能因为提示词微调或模型随机性，色温、对比度有差异。这时候统一调色就很有必要。

我的做法是先定一个"主调"，然后所有片段往主调上靠。具体操作是选一个最满意的片段作为参考，其他片段用调色工具匹配它的色温和对比曲线。不需要精细到每个片段单独调，整体拉齐就能消除大部分割裂感。

节奏方面，AI生成的片段往往"信息密度"偏低，容易显得拖沓。剪辑时该剪短就剪短，一个镜头停留超过观众理解所需的时间就是浪费。我习惯把每个镜头的有效信息部分掐头去尾，只留最精华的那一两秒，整体节奏立刻紧凑起来。

5. 提示词翻车现场：五个高频问题的排查链路

这一节是我踩坑最多的地方，把最常见的五类翻车现象和对应的排查思路整理出来，你遇到问题时可以按图索骥。

5.1 人物脸部漂移：从提示词到参数逐层排查

脸部漂移是最常见的翻车，表现为人物脸型、五官在视频过程中逐渐变形。排查顺序应该是这样的：

先看提示词里有没有过度精细的面部描述。前面说过，写"高鼻梁薄嘴唇"这种精细特征，模型控制不住，反而每帧都在变。第一步：删掉精细五官描述，只保留年龄性别等粗粒度特征，看是否改善。

如果还漂，看运动幅度。大幅转头、快速表情变化是脸部漂移的重灾区。第二步：降低运动强度参数，或把运动描述改得更温和（"缓慢转头"改成"轻微转头"）。

再不行，看是否多人同框。多人场景模型容易搞混谁是谁的脸。第三步：改成单人镜头，或用景深虚化掉次要人物。

这三步走完，大部分脸部漂移能解决。还解决不了的，基本是模型能力上限，换镜头设计绕过去。

5.2 运动方向反了：镜头语言的坐标系问题

"我明明写的是向左走，它偏往右走"——这个坑我踩过不止一次。根源在于模型对方向词的理解和你的预期可能不一致，尤其是涉及镜头运动时。

排查思路：先确认你的方向词是相对"画面"还是相对"主体"。写"向画面左侧移动"比写"向左移动"明确得多，因为后者可能被理解为主体自身的左侧。把方向描述统一改成相对画面的表述，能解决大部分方向问题。

如果涉及镜头运动，还要注意推拉摇移的术语是否用对。有些模型对"pan left"和"truck left"的响应不同，前者是镜头原地转，后者是镜头平移，出来的画面完全不一样。用术语时查一下该模型的文档，确认它认哪套。

5.3 画面"塑料感"重：风格层的缺失与冲突

出来的画面总有一种廉价的塑料感，光滑得失真，缺乏质感。这通常是风格层的问题。

第一种可能：风格层压根没写。没有风格约束，模型会往"平均审美"上靠，而平均审美往往就是那种塑料感。补上明确的风格描述，比如"胶片颗粒""柔和自然光""真实质感"，能明显改善。

第二种可能：风格层内部冲突。又要"高清锐利"又要"胶片颗粒"，这俩本身就矛盾，模型只能折中，出来四不像。检查风格词是否自洽，统一往一个方向走。

第三种可能：参考图或首帧本身塑料感重。如果用了参考图，参考图的质感会传导到视频里。换一张质感更好的参考图试试。

5.4 多主体互动穿模：接触动作的规避策略

两个人握手、拥抱、传递物品，这类接触动作是穿模高发区——手穿进身体、物品凭空消失、肢体融合。这不是提示词能完全解决的，是模型对物理接触的理解还不够。

我的策略是用镜头语言规避，而不是硬刚。具体做法：接触动作发生前切镜头，用反应镜头（比如两人表情）代替接触本身；或者用中景远景带过，避免手部特写；或者用遮挡（前景物体划过）在接触瞬间完成转场。观众的大脑会自动补全没看到的部分，效果反而比硬生成一个穿模的接触镜头好。

5.5 文字乱码：画面内文字的替代方案

画面里要出现文字（招牌、屏幕、书本），生成出来往往是乱码或者鬼画符。当前模型对画面内文字的控制力普遍很弱，这是公认的短板。

务实的做法是后期加文字，而不是让模型生成。生成阶段把文字区域留白或者用纯色块占位，后期在剪辑软件里把真实文字贴上去。这样文字清晰可控，还能随时改内容。如果非要模型生成，那就用大字号、简单字体、单一文字，成功率会高一些，但依然不保证。

6. 提效组合拳：把单条产能拉起来

单条片子跑通了，接下来要考虑的是怎么批量、稳定地产出。这一节讲几个我实际在用的提效方法。

6.1 提示词模板化：建立自己的素材库

每次从零写提示词太慢，我的做法是建立一套模板库。把常用的主体、场景、运动、风格组合固化成模板，用的时候只替换变量部分。

比如一个"人物对话"模板：主体层固定为"三十岁左右的人物，[性别]，[穿着]"，场景层固定为"[场景描述]，[光线描述]"，运动层固定为"主体轻微点头，镜头静止"，风格层固定为"电影感，浅景深"。用的时候只填方括号里的变量，几秒钟就能出一条提示词。

模板库积累到二三十套，覆盖大部分常见镜头类型，产能立刻上一个台阶。而且模板是经过验证的，废片率比现写低得多。

6.2 批量生成与筛选：用数量换质量

AI生成有随机性，同样的提示词多跑几次，出来的质量参差不齐。与其纠结怎么一次生成完美，不如批量生成然后筛选。

我的流程是：一条提示词固定种子跑3到5次，或者放开种子跑5到8次，然后快速过一遍挑最好的。筛选标准就三条：一致性过关、运动符合预期、画面质感在线。三条都满足的留下，缺一条的进"可救"池，缺两条以上的弃。

这个流程看起来浪费算力，但比起反复调参试图一次成功，总体效率高得多。而且批量生成的过程中，你还能观察到模型的随机性规律，对后续调参有帮助。

6.3 分段生成再拼接的长片工作流

要做超过单次时长上限的长片，分段生成是唯一的路。工作流是这样的：

先做分镜脚本，把长片拆成若干个4到6秒的镜头，每个镜头写清楚主体、场景、运动、风格。然后逐段生成，每段生成时用上一段的末帧作为首帧（如果模型支持），保证衔接。生成完所有片段后，进剪辑软件按分镜顺序拼接，加转场、调色、配乐。

这个工作流的关键在分镜阶段就要考虑衔接——前后镜头的运动方向、构图、光线要能接上。分镜做得好，拼接就顺；分镜做得糙，剪辑台上怎么调都别扭。

6.4 音频与字幕：成片的最后一公里

画面搞定后，音频和字幕是成片的最后一公里，也是最容易被忽视的部分。没有声音的AI视频就像没有灵魂，配上合适的音频，质感立刻不一样。

音频分三层：环境音、动作音效、背景音乐。环境音营造空间感（街道的嘈杂、室内的安静），动作音效强化画面（脚步声、开门声），背景音乐定情绪基调。这三层不用都齐，但至少要有背景音乐，否则片子会显得很"干"。

字幕方面，如果片子有人声（哪怕是AI配音），字幕能大幅提升信息传达效率。字幕样式统一，位置固定，别每段都换样式。这些是剪辑的基本功，但在AI视频语境下同样适用。

7. 我踩过的那些坑，你可以绕过去

最后分享几个具体的踩坑经历，都是教程里不会写、但实操中一定会遇到的。

坑一：迷信"高质量"这类词。早期我提示词里堆了一堆"4K、超高清、杰作、最佳质量"，结果发现这些词对画面提升微乎其微，反而挤占了描述具体内容的字数。后来全删了，把字数留给主体、场景、运动的精确描述，效果反而更好。这类"质量词"在图像生成里可能有点用，在视频生成里基本是噪音。

坑二：忽略首帧和提示词的矛盾。有次用一张人物正面照做首帧，提示词却写"人物转身背对镜头走远"，出来的视频人物在原地扭曲，既没转过去也没走远。后来才明白，首帧定死了起点，提示词的运动必须从起点出发才合理。现在我用首帧控制时，一定会检查运动描述和首帧姿态是否连贯。

坑三：一次性生成太长。刚开始贪心，想一次生成十几秒的完整镜头，结果中间必崩。后来老老实实分段，每段4到6秒，虽然多几步操作，但成品率从三成提到七成以上。这个教训值回票价。

坑四：调参不固定种子。有段时间调参全凭感觉，改一个参数跑一次，出来的结果没法对比，因为种子也在变。后来养成固定种子的习惯，调参效率翻倍，因为每次改动的影响都能清晰看到。

坑五：忽视音频。早期只顾画面，成片没声音，自己看着还行，发给别人看反馈都是"怪怪的"。补上背景音乐和环境音后，同样的画面，观感完全不同。音频不是锦上添花，是成片的基本组成部分。

这些坑说到底都指向一个道理：AI视频生成不是"输入一句话等奇迹"，而是一套需要规划、控制、迭代的工程流程。提示词是规划，参数是控制，剪辑和音频是迭代完善。把每个环节都当回事，成品率自然就上来了。

我现在做一条一分钟左右的片子，从分镜到成片大概两三个小时，其中生成占一半时间，剪辑调色音频占另一半。这个效率不算高，但胜在稳定，基本不会出现推倒重来的情况。如果你刚上手，别急着追求速度和产量，先把单条片子的完整流程跑通，把每个环节的坑都踩一遍，后面提速是自然而然的事。