即梦 Seedance 2.0 实战手册：AI 短片七步流水线全拆解（含提示词工程、过审思路与画质增强配方）

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写整理，转载请注明出处。

快速摘要

这是一份从"剧本到成片"的完整 AI 视频流水线说明书。 全文围绕字节跳动 2026 年 2 月低调上线的 Seedance 2.0 模型，把整个流程切成可复用的七个步骤：主题—剧本—分镜提示词—图片—视频—配音剪辑—画质增强。每一步都给出可以直接照抄的提示词模板、容易踩的坑、以及绕过平台审核的实战经验。

核心结论一次性给你：

• Seedance 2.0 之后，AI 短片的瓶颈从"模型能不能做"切换到了"你脑子里有没有故事"，提示词工程比模型选择更重要；
• 分镜提示词最好用"时间轴 + 编号体系（C/S/P）"组织，把角色、场景、道具的英文/中文提示词分别落到独立模块里，便于多镜头复用；
• 图片这一层用即梦 4.0 或 Seedream 4.0 出主图，再用 Nano Banana 做风格延展和场景替换，组合拳的稳定性远胜单平台抽卡；
• 画质增强阶段，Topaz Video AI 的 Proteus / Rhea / Iris 三个模型基本能覆盖 90% 的 1080p→4K 场景；
• 整个流程跑通后，一条 15 秒的微短剧分镜，从开题到成片的耗时可以压缩到一个晚上。

想看完整拆解，往下翻 ↓

一、为什么这一波 AI 视频值得重新学一遍

先抛个结论：2026 年开年这一拨 Seedance 2.0 的火爆，跟前两年 Sora、Runway、Pika 那波"PPT 演示效果好、上手开始抽卡"完全不是一回事。我自己折腾下来的感受是，AI 视频终于进入了"工具退到幕后、创作走到台前"的阶段。

1.1 Seedance 2.0 到底强在哪里

Seedance 2.0 是字节跳动 Seed 团队推出的导演级多模态视频生成模型，2026 年 2 月 7 日开始在即梦、豆包、小云雀这几款产品上做小范围内测，2 月 12 日正式接入豆包 App 全平台。它的核心架构是 Dual-Branch Diffusion Transformer（DB-DiT），最直观的能力差别有四个：

我跑过几个对照测试，最直观的是雨夜巷战的打斗镜头——两个人物在十几秒内来回换位、衣服纹理、面部轮廓基本能稳住。这种长镜头连贯度，在三个月前我是要靠抽十几次卡才能赌到一次的。

更让我吃惊的是 Seedance 2.0 自带的"导演视角"。以前用模型生成视频，你得手把手告诉它"先来一个全景，再推到特写，最后摇向天空"。现在你只需要描述故事情节，模型自己会决定镜头怎么走。在某些复杂叙事场景下，它的运镜逻辑甚至比我自己手动安排得更合理——这一点让我心里五味杂陈。

技术架构上，Seedance 2.0 用的是双分支扩散变换器（DB-DiT），把图像和音频两条数据流并行处理，再在 Transformer 层里做时空融合，从根上解决了"先出默片再叠音轨"导致的口型错位问题。这种"音画一次成型"的能力，是它跟 Google Veo 3、Runway Gen-4.5、OpenAI Sora 2 拉开差距的关键。Artificial Analysis Video Arena 的评测里，它以 Elo 1269 排名第一。

另外有一个我自己没想到的能力——它能从单张静态照片"推理"出人的声音。前段时间一位科技博主用一张本人照片让模型生成对白，结果不光音色像，连说话习惯都很像。这件事在 2 月份引发了不小的版权争议，字节跳动随后紧急调整了真人素材的输入策略。后面"过审策略"那一节我会再展开。

1.2 它也不是没有坎

热度起来之后问题也跟着来。我整理了一份实测下来的"现实清单"：

• 算力排队。会员用户都得排，赶上热门时段三四个小时是常态，免费用户基本没指望；
• 真人脸限制。2 月 9 日官方紧急更新，即梦 Web 端、小云雀已经不允许真人图片或视频作为主体参考。即梦 App 和豆包 App 里想用真人形象出镜得先做活体认证、生成数字分身；
• 审核未通过。我自己有十几个分镜被拦下来过，文案违规、人脸过近、武器特写都有；
• 积分消耗高。Seedance 2.0 每秒大概消耗 8 积分，一段 15 秒视频要 120 积分上下，免费每天送 60—120 积分，单纯靠签到很难凑出一条完整片子；
• 价格。3 月份官方公布的 API 价格是 28 元 / 百万 tokens（含视频输入）或 46 元 / 百万 tokens（不含视频输入），生成一条 15 秒视频要消耗约 30.888 万 tokens。

知道这些坑在哪里，剩下的就是想办法绕。这也是为什么我反复强调流程化的重要性——单独拼模型已经拼不过抽卡，但流程化、模板化的提示词工程能稳定输出。

1.3 七步法的整体地图

我自己摸出来的这套七步流水线，是这样的：

主题 → 剧本 → 分镜提示词(CSS脚本) → 图片生成 → 视频生成 → 配音剪辑 → 画质增强

每一步对应一个具体的 AI 工具或者动作。后面我会一节一节展开，每一步都附上能直接复用的提示词。先把整体节奏放在脑子里，再去抠每一步的细节会舒服很多。

二、第 1 步：故事脚本——三个模块一气呵成

这一步是整条流水线的起点。比起之前那种"主题、人物、剧本、分镜"四个模块分开写的做法，我现在的工作流只保留三块：主题确定、剧本生成、分镜提示词（CSS 脚本）。原因很简单——人物这一块在 CSS 脚本环节会和角色提示词一起出来，单独做反而冗余。

2.1 主题怎么定

主题来源有两个：要么从手头客户的需求里挖（比如要做某地文旅推广、传统文化二创、节气科普），要么自己设个能讲清楚冲突的小故事。我个人偏好后者，毕竟自己的题材跑起来更顺手。

举个例子，这次我就用「武松打虎」这个题材跑全流程。选它有几个好处：

• 冲突明确：喝酒—上山—打虎—下山，四段戏自带节奏；
• 画面想象空间大：山林、酒馆、猛兽、古风人物，每一段都好出图；
• 观众认知度高：水浒里最家喻户晓的桥段之一，传播门槛低；
• 没有真人版权风险：纯古典题材，绕开了名人 IP 限制。

如果你刚开始接触 AI 视频，建议挑选这种「故事内核大家都熟、视觉转化空间大、不踩 IP 雷」的题材入手，比一上来就做赛博朋克剧情片要友好得多。

2.2 剧本怎么生成

主题确定之后，我会打开 DeepSeek（豆包、文心一言、Kimi 也行，看个人手感），扔进去这样一段提示词：

你是一个专业的编剧。请以"武松打虎"为主题，写一个适合 AI 短视频的剧本。要求：
1. 时长控制在 90 秒以内，便于后期拆成 6 个 15 秒分镜；
2. 符合短视频快节奏特性，开头 5 秒抓住注意力；
3. 尊重历史背景与水浒原著的核心冲突，但人物对白可以做现代化改写；
4. 每一幕都注明场景、时间、人物、动作、对白；
5. 最后给我一段 30 字以内的视频简介，方便我做 SEO 标题。

我加入的这几条要求里，「短视频节奏」和「符合历史」是最关键的两个约束。不加这两条，DeepSeek 容易给你一个适合拍五分钟话剧的本子，分镜根本切不开。

跑出来的初版剧本我一般会扫一眼，如果整体走向、情绪曲线、关键画面都 OK，就直接进入下一步。不行就把不满意的那几幕单独贴回去让它改，效率比从头重写高很多。

2.3 CSS 脚本（分镜提示词）才是真正的核心

剧本只是文学骨架。要让 AI 真正去画、去拍，还得把它翻译成「机器看得懂的指令」。这一层我叫它 CSS 脚本——不是前端那个 CSS，而是 C（Character 角色）/ S（Scene 场景）/ Spell（提示词） 的内部缩写。后面我会专门展开这套编号体系。

CSS 脚本的核心逻辑是：

时间轴 (00:00-00:15) → 镜头描述 → 参考素材编号 → 视频提示词
                                  ↓
                                  C01（武松角色）+ S01（酒馆场景）+ P01（哨棒）
                                  ↓
                                  每个编号都有独立的图片提示词 + 视频提示词

这样设计的好处是，后面无论你想换主角、换场景、换道具，都不需要重写整段脚本——你只需要把 C01 替换成 C02，整条流水线就自动适配。这一点对长视频、系列短剧尤其重要。

具体的提示词工程怎么做，我们下一节专门展开。

2.4 一份能直接复用的剧本生成模板

我用了一段时间下来，发现剧本提示词如果写得太短，AI 容易跑偏；写得太长，又会陷入"AI 复读机"状态。下面这个模板是我经过五六轮迭代之后稳定下来的版本，扔给 DeepSeek 或 Kimi 都能跑：

你是一个有 10 年经验的资深短视频编剧。请按以下要求写一个剧本：

【主题】武松打虎（可换成你的题材）
【时长】90 秒以内，可拆分为 6 个 15 秒分镜
【受众】抖音/视频号用户，男性 25-45 岁为主
【目标】观看完播率 > 60%、点赞率 > 5%

【硬性约束】
1. 开头 5 秒必须有视觉冲击或情绪钩子，避免铺垫；
2. 整体节奏要快，每 10-15 秒要有一次"情绪点"；
3. 对白要口语化，避免文言文（关键武术术语除外）；
4. 严禁出现暴力血腥、宗教争议、政治隐喻；
5. 每场戏单独标注场景、时间、人物、动作、对白、镜头建议；
6. 全片字数控制在 600-800 字。

【输出格式】
| 镜头序号 | 时长 | 场景 | 人物 | 动作 | 对白 | 镜头语言 |

最后再附一段 30 字内的短视频标题建议，便于做 SEO。

这份模板的好处是格式化、可批量化。你把【主题】换成"哪吒闹海""精卫填海""愚公移山"，剩下的部分一字不改，照样能跑。

三、第 2 步：分镜与提示词模板的"技能"包装

这一步是莫潇羽@无忆研习社这套流水线里最有差异化的一步。简单说，就是让 AI 先学一份"技能文档"，再让它根据这份技能文档去给你写分镜提示词。

3.1 为什么要先喂 AI 一份技能文档

你直接对 DeepSeek 说"帮我写武松打虎的视频提示词"，它大概率会给你一段平铺直叙的描述，缺乏镜头语言、缺乏景别变化、缺乏角色锁定。这是因为大语言模型本身不知道你想要的提示词应该长什么样、应该有哪些字段。

但如果你先扔给它一份「提示词工程手册」，里面包含：

• 提示词专家的人设定义；
• 提示词的核心公式（主体 + 场景 + 运动 + 镜头 + 风格 + 氛围）；
• 人物外貌描述的强制规范（避免每镜人物长得不一样）；
• 常见运镜、景别词典；
• 时间轴模板；
• 敏感词替换表。

它产出的东西就完全不一样了。我把这份手册做成了 .md 文件，跑流程的时候直接上传，让 AI 先"通读 + 内化"，再让它写分镜。

3.2 时间轴 + 编号体系：让分镜可复用

我的分镜结构长这样（简化版）：

# 武松打虎 · 分镜提示词

## 整体风格
古风 + 3D 写实 + 电影感，光影偏暖色调，重场景层次

## 镜头列表

### 00:00 - 00:15  开场：武松进酒馆
- 参考素材：C01（武松角色）+ S01（酒馆场景）+ P01（哨棒）
- 中文提示词：武松大步推门进酒馆，肩扛哨棒，眼神坚定……
- 英文提示词：A burly hero strides into a rustic tavern...

### 00:15 - 00:30  喝酒：连饮十八碗
- 参考素材：C01 + S01 + P02（酒碗）
- 中文提示词：武松举碗痛饮，酒水泼洒，店家在旁惊讶……

...

## 素材库

### 角色 C
- C01 武松：浓眉大眼，络腮短须，身材魁梧，穿青色短打，腰系灰带……
- C02 店家：中年男子，圆脸，挂笑容，身穿土黄色围裙……

### 场景 S
- S01 酒馆内：木质桌椅，土黄墙壁，红色酒旗，昏黄烛光……
- S02 山岗：杂草丛生，乱石嶙峋，傍晚天色，云雾缭绕……

### 道具 P
- P01 哨棒：约一米八长，深褐色木质，木纹清晰……
- P02 酒碗：粗陶碗，碗壁有手工纹理……

为什么要用编号？因为后面无论是图片生成、视频生成、还是后期回来改图，你都只需要把编号对应的提示词复制粘贴就行。同一个 C01 武松出现在 6 个分镜里，只要描述完全一致，图片层面就能保证角色面相、服装的统一。这是 AI 视频做长内容的一个核心技巧。

3.3 中英文双语提示词的现实意义

你大概也注意到了，我会让 AI 同时给中文和英文两份提示词。原因是：

• 即梦、Seedance、Vidu、可灵这些国内平台对中文提示词支持非常友好；
• Midjourney、Sora、Runway 这些海外平台英文提示词的精度更高；
• Nano Banana、Flux Kontext 这些走自然语言路线的工具，中英文都能跑，但英文在专业术语上更稳定。

我习惯把中英文都备好，需要哪个用哪个。再加上不同模型对同一段描述的"翻译损失"不一样，双语手里都有的话，可以在出图不理想的时候快速切换平台 A/B 测试，省下大量时间。

3.4 敏感词替换：从源头降低过审风险

这是莫潇羽@无忆研习社特别想强调的一块。即梦平台的内容审核机制覆盖输入提示词和输出视频画面两层：你写得不规范，文案就会被拦；画面违规，视频也会被拦——而且消耗的积分都不一定会退。

我整理了一份针对古装题材的敏感词替换表（部分摘录）：

这张表不是死的，得根据你的题材动态调整。但养成"提示词写完先自查一遍敏感词"的习惯，能让你少踩 80% 的坑。

四、第 3 步：AI 图片生成的平台选择与提示词结构

进入图片层，意味着分镜终于要"看得见"了。这一节我会拆四块：平台选什么、提示词结构怎么写、风格词库怎么用、人物三视图怎么搞。

4.1 主流图片生成平台横向对比

我把目前用得最多的几个工具拉了一张表，方便你按场景选：