即梦AI做"拟人萌宠做饭"竖屏短片全流程：分镜提示词、角色一致性、图生视频与剪映合成实操笔记

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

快速摘要

这篇笔记把"一只橘色胖猫从田里挖土豆、一路做成蘸番茄酱薯条"的整支系列短片，拆成了三段可复制的流水线：先用即梦AI做出六张写实风格的分镜图，再把每张图丢进图生视频生成六段动态片段，最后在剪映里按顺序拼接、配上音效和转场导出成片。 全程不需要会画画、不需要建模，核心难点只有一个——让那只猫从第一个镜头到最后一个镜头长得一模一样，靠的是"固定一段角色描述 + 同一套形象设定"的笨办法。我自己折腾下来，最费时间的不是写提示词，而是图生视频环节要多抽几遍才能抽到满意的动作。下面这套方法同样能套用到搬玉米、逛菜市场、做奶茶等任何"萌宠拟人 + 分步骤"的选题上。整篇笔记我按"想清楚 → 备工具 → 出图 → 出视频 → 剪辑 → 发布"的真实顺序往下走，每一步都附上我自己用的提示词模板和踩坑提醒，照着做就能跑通一支属于你自己的片子。想看完整拆解，往下翻。

一、先搞清楚：这类"拟人萌宠做饭"短片到底是个什么东西

刷抖音的时候，你大概率刷到过这种画面：一只戴着小厨师帽的胖橘猫，一本正经地在田里捡土豆、推着小板车回家、站在灶台前翻炒，最后坐在餐桌边蘸着番茄酱啃薯条。配上田野的虫鸣、榨汁机的嗡嗡声、油炸的滋啦声，整支视频又萌又解压，完播率往往不低。

这类内容的本质，其实是"虚拟角色 + 流程叙事"的组合拳。它不是随便生成一段猫的动图就完事，而是有一条清晰的故事线：从原材料到成品，一步一步走下来，观众会不自觉地想看"它下一步要干嘛"。这种"做一件完整的事"的钩子，是它能留住人的根本原因。

我把它拆成两个支柱来理解，方便后面动手：

第一个支柱是角色锚点。整支片子从头到尾必须是"同一只猫"，毛色、胖瘦、厨师帽、围裙都不能变。一旦中途换了脸，观众立刻出戏，这是这类视频最容易翻车的地方。

第二个支柱是分镜叙事。一支三十秒左右的短片，通常拆成五到八个镜头，每个镜头对应一个动作阶段。镜头之间靠转场和音效衔接，节奏要顺。

把这两件事想明白，剩下的就是用工具去实现。这里要先说清楚一个观念：AI 工具只是帮你"出素材"的，真正决定片子好不好看的，是你前期的脚本设计和后期的剪辑节奏。我见过太多新手把全部精力砸在"生成"上，结果素材一大堆、成片乱糟糟。莫潇羽@无忆研习社一直强调的一点是——先有脚本，再有素材，最后才是剪辑，顺序别反了。

值得提醒的是，做这类内容更多是当成一种创作练习和能力提升来看待。把它当作熟悉 AI 工具流的练手项目，比一上来就盯着流量更容易坚持下去。

1.1 它为什么让人看得停不下来

我琢磨过这类视频的"上头"机制，大概有三层。

最浅一层是反差萌。一只胖橘猫，本来该是趴着打盹的形象，结果一本正经地戴着厨师帽干起了精细活，这种"动物做人类的事"的错位本身就有喜感。它越认真，你越想笑。

中间一层是确定性的满足感。做饭这件事有明确的起点和终点，观众潜意识里知道"它最后一定会把饭做出来"，于是会一直看到结尾确认这个预期被满足。这跟看人拆快递、看流水线装配是一个心理——我们天生喜欢看一件事被完整地做完。

最深一层是解压。田野的虫鸣、切菜的脆响、油锅的滋啦、咀嚼的咔嚓，这些细碎而真实的声音叠在萌系画面上，会让人莫名地放松。所以后面第八节我会反复强调音效的重要性——很多时候，决定一支片子"解不解压"的，不是画面，而是声音。

想清楚这三层，你在设计脚本时就有了方向：动作要有反差、流程要完整、声音要到位。

1.2 同一套思路能长出多少种内容

橘猫做饭只是这个套路的一个切片。把"主体"和"流程"两个变量一换，能衍生出一大片内容。比如换主体：柴犬、小熊、小仓鼠、拟人化的小萝卜；比如换流程：开早餐店、摆地摊卖烤肠、经营一家奶茶铺、当快递员送包裹。每一种组合都是一支新片子，而背后的制作流程是同一套。这也是我愿意花时间把这套流程写成笔记的原因——它不是教你做一个视频，而是教你做一类视频。

二、工具组合：即梦AI 负责"出素材"，剪映负责"拼成片"

整套流程只用到两个工具，分工很清楚。

即梦AI是字节跳动旗下剪映团队做的一站式 AI 创作平台，前身是 2024 年内测的剪映 Dreamina，同年改成中文名"即梦"。它能干的事很多，对我们这个项目来说，只需要用到两个功能：图片生成（输入一段文字描述，生成图片）和图生视频（上传一张图，让它动起来变成短视频）。它基于字节自研的 Seedream、Seedance 系列模型，对中文提示词的理解比较到位，这点对国内创作者特别友好。

即梦AI 是积分制的。免费用户每天能领到一批免费积分，生成图片和视频都会按清晰度、时长扣积分。清晰度越高、时长越长，扣得越多。免费额度对练手够用，但要批量出片就得规划着花——我的做法是把积分留给"图生视频"这一步，因为视频比图片更吃积分，也更需要反复抽。账号登录支持抖音扫码或手机号，进去之后在创作中心能看到"图片生成""视频生成"等入口。

第一次进去可能会被满屏的功能和模板晃花眼，别慌。你只要认准两个入口：一个是"图片生成"（也可能叫"AI 作图"之类），另一个是"视频生成"。整个项目就在这两个入口之间来回。其他什么数字人、画布、模板广场，这次都用不上，看一眼知道有这回事就行。界面这东西各家都在频繁改版，名字和位置可能和我描述的略有出入，但"输入描述→设置参数→点生成→挑结果"这套逻辑是通用的，按这个逻辑找入口准没错。

小提示：即梦AI 近一两年模型升级很快，从 Seedream 4.0 到 Seedance 系列一路在迭代，视频的连贯性和一致性越来越好。你打开界面看到的模型选项可能和我截图时不完全一样，但"图片生成 → 图生视频"这条主干流程是不变的，挑当前默认的高质量模型即可。

除了我们要用的两个核心功能，即梦AI 其实还带了一堆能力，比如智能画布（多图融合、局部重绘、AI 扩图、AI 消除）、对口型、AI 数字人、智能多帧（用多张关键帧生成更长的视频）等等。这些功能这个项目暂时用不上，但你练熟基础流程之后可以挨个去摸索——尤其是智能多帧，对做更长、更复杂的系列片很有用。新手阶段先别贪多，把"图片生成"和"图生视频"两个吃透，足够你产出像样的成品了。

我自己刚上手时的一个误区，是以为"模型越新越好，参数越多越好"，结果在一堆选项里纠结半天。后来想明白了：对这种萌宠生活流的片子，画面要的是"自然、稳定、可爱"，不是炫技。默认的写实模型 + 简洁的提示词，反而比一通乱调参数出来的效果稳。工具是拿来用的，别被工具的复杂度绑架了。

剪映则是后期合成工具，负责把即梦AI 吐出来的一堆视频片段拼成一支完整短片：排序、加音效、加背景音、切片段、加转场、导出。它和抖音、即梦是同一个生态，素材衔接很顺。电脑版和手机版都行，我个人更习惯电脑版，时间轴看得清楚，剪起来快。

剪映的界面对新手很友好，主要功能就那么几块：媒体（导入素材）、音频（音乐和音效）、文本（字幕）、贴纸、特效、转场、滤镜、调节（调色）。我们这个项目用得最多的是媒体、音频、转场三块，其余的等熟练了再玩。它还有一个好处是快捷键和专业剪辑软件接近，比如分割是 Ctrl+B、撤销是 Ctrl+Z，上手没什么门槛。如果你完全没剪过视频，花十分钟把"导入、分割、调音量、加转场、导出"这五个动作摸一遍，这个项目就够用了。

两个工具的分工，用一张表就能讲明白：

记住这张分工表，后面所有操作都是在往这三个格子里填东西。

三、整条流水线鸟瞰：六个镜头怎么串成一支完整短片

在动手之前，先把整条路看一遍，心里有谱。以"橘猫做薯条"为例，我把它设计成六个镜头，对应做薯条这件事的六个阶段。整条流水线长这样：

flowchart LR
    A[写六镜头脚本] --> B[即梦AI 逐张生成分镜图]
    B --> C[每张图超清/细节修复]
    C --> D[图生视频 生成六段片段]
    D --> E[下载六段视频]
    E --> F[剪映按顺序导入]
    F --> G[加音效+背景音]
    G --> H[切片段+加转场]
    H --> I[导出成片 发布]

六个镜头的叙事脚本，我列成一张表，这就是整支片子的骨架：

这张表非常关键。我建议你在正式生成任何素材之前，先把这张分镜表写完整。因为它决定了你要生成几张图、每张图画什么、片段之间怎么衔接。脚本乱了，后面全乱。脚本清楚了，后面就是照着表填空。

为什么是六个镜头而不是十个？因为镜头越多，角色一致性越难维持，剪辑也越啰嗦。新手先从五到六个镜头练手，把整条流程跑通一遍，比一上来就堆十几个镜头靠谱得多。

3.1 镜头之间要有"动作的承接"

设计分镜表时有个小心机：相邻两个镜头最好在动作上能"接上"。比如镜头一结尾是"土豆进了篮子"，镜头二开头就是"推着装满土豆的车"——观众的注意力被这条物料流（土豆从地里 → 车上 → 切条机 → 锅里 → 嘴里）牵着走，会觉得很顺。如果镜头之间各干各的、物料对不上，哪怕每个镜头单看都不错，连起来也会散。

我设计这条线的时候，脑子里其实是在过一遍"一颗土豆的旅程"：它被捡起、被运走、被切开、被烹饪、被吃掉。把主线物料想清楚，分镜表自然就出来了。这个思路套到别的选题也成立——做奶茶就是"一杯奶茶的旅程"，开早餐店就是"一笼包子的旅程"。

3.2 为什么强烈建议"先全部出图，再统一做视频"

很多人的本能是"出一张图，立刻把它做成视频，看看效果"。我劝你别这么干。原因有两个：一是角色一致性需要横向对比，六张图摆在一起看，才能发现哪只猫胖了、哪只帽子歪了，逐张做根本看不出来；二是来回切换"出图"和"做视频"两种操作，思路很容易乱，效率也低。把同类动作集中处理——先一口气出完六张图、统一挑选定稿，再一口气做六段视频——这就是流水线思维，做起来又快又稳。

四、角色一致性是命门：怎么让那只猫从头到尾长一个样

这是整个项目里最值得花篇幅讲的地方，也是新手最容易栽跟头的点。

4.1 为什么会"变脸"

AI 生成图片本质上是按提示词"重新画"，你每生成一次，它都是从头猜一遍。所以同样一句"一只橘色胖猫"，第一张可能偏瘦、第二张可能偏黄、第三张帽子又换了样式。到了视频里，角色在每一帧之间还要做插值预测，动作一大、镜头一切，脸就更容易崩。

打个比方你就懂了：让一个素描师听你口述画一只猫，你说"橘色胖猫戴厨师帽"，他画十遍能画出十只不一样的猫——胖瘦、毛色深浅、帽子样式全凭他当时的发挥。AI 也是这个道理，文字描述给的是"大方向"，细节它自己补，每次补得都不一样。所以光靠文字描述，先天就保证不了"同一只"。这就是为什么要额外给它"形象锚点"——相当于给素描师一张参考照片，让他照着画，而不是凭空发挥。

行业里把解决这个问题的思路叫"形象锚点"——说人话就是给角色建一个"档案"，让 AI 每次都按这个档案来认人。锚点立得越牢，角色越不会乱。

4.2 我的笨办法：固定一段"角色描述块"

我自己跑下来最稳的做法，是把"猫长什么样"的那段描述固定下来，每个镜头一字不改地复制，只改动作和场景。也就是说，提示词被我拆成两部分：

【固定块 · 全程不变】
写实风格，高清细节，8k，电影级画质，
一只橘色的胖猫，戴