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

这篇文章把我自己折腾 AI 动画短视频这段时间趟过的坑，整理成了一套可直接照着干的工作流。核心结论先放在最前面：

• 三大工具固定搭配：即梦做图像和说话类视频，可灵补充非对话动作镜头，剪映完成串联、字幕和成片导出，豆包用来薅免费图像生成额度。
• 模型按"任务难度"分级使用：动作类用便宜模型（即梦 1.0 Fast、可灵 2.1）；对话类强制用即梦 Seedance 2.0 或可灵 3.0；高一致性长片段才考虑全能参考建模，新手不建议一上来就碰。
• 提示词遵循"场景→主体→动作→镜头→台词"的五段式，对话一律用中文双引号包裹，并在角色前标注性别、年龄、声线，能显著降低声音错乱概率。
• 多镜头串联靠"导出尾帧"：上一段视频的最后一帧导出成图，作为下一段的首帧图，故事线立刻就接上了。
• 合规这一关比技术更重要：人物服装、场景、对话只要稍作改写，就能避开同质化；同时坚守不夸大、不引导承诺、不出现敏感行业关键词的底线。

想看完整拆解、提示词模板、踩坑清单和剪辑节奏的全套打法，往下翻。

一、为什么动画短视频是 AI 视频里最容易出片的赛道

我自己在莫潇羽@无忆研习社折腾 AI 视频的过程中，发现了一个挺反常识的事：真人风格的 AI 视频对模型要求极高，反倒是动画风格、卡通角色的短剧，是当前 AI 视频里最容易出片、也最容易跑出流量的方向。

原因不复杂。AI 视频模型在生成"真人"的时候，观众的容忍度极低——脸型变化、手指畸形、眼神不连贯，任何一个穿帮都会立刻被注意到。但换成 3D 渲染的卡通熊猫、橘猫、老虎，观众对"细节真实"的预期天然就低，AI 偶尔抖一下脸、嘴型偏一帧，根本不影响观感。

所以你刷短视频平台时会发现一个规律：橘猫开车、熊猫摆摊、动物角色围坐烧烤摊唠嗑这一类的小短剧，剧情很简单，但播放量普遍都不差。原因就是——门槛低、容错高、共情强。

也正因如此，这个赛道适合新手第一站练手。把工作流跑顺，后面再升级到更复杂的真人风格或写实短剧，会自然很多。

1.1 这条工作流要解决的核心问题

整条工作流要做的事，说穿了就三件：

• 稳定地生成"我想要的画面"——图像生成。
• 让画面里的角色按我设计的剧本动起来、说出对应的台词——视频生成。
• 把多段视频无缝拼成一个能完整讲故事的成片——剪辑串联。

每一步都有自己的坑。下面一步一步拆。

二、工具栈：三大核心平台的定位差异

写在前面：工具不是越多越好，固定就用三个，工作流才稳定。

我自己常驻用的就是即梦、可灵、剪映三个，外加豆包当免费薅图额度的备用方案。手机端和电脑端的能力略有差异，但整体逻辑完全一致。

2.1 即梦：图像生成 + 说话类视频的主力

即梦（Dreamina）是字节系的 AI 创作平台，剪映团队和醒图团队合作出的产品。它在我的工作流里承担两个角色：

• 图像生成的首选。即梦的图像生成对中文提示词理解明显更友好，3D 渲染、卡通风格、动物拟人这一类的风格几乎是"开箱即用"。
• 说话类视频的首选。对话场景对模型理解力要求非常高，需要模型既能听懂提示词里的台词，又能控制嘴型和声线。即梦的 Seedance 2.0 系列在中文对话视频上目前确实是国内第一梯队。

电脑端走网页版（dreamina.capcut.com / jimeng.jianying.com），手机端要在应用市场下载即梦 App。两端登录态保持一致，账号互通。

2.2 可灵：动作类视频的性价比补充

可灵（Kling）是快手系的视频生成模型。它的强项在于：

• 动作类、运镜类视频的画面质感非常稳，物理引擎对手部、转头、走动等动作的还原度高。
• 2.1 版本的性价比比较合适，相比早期 2.0 价格下降明显，适合做大量动作类小镜头。
• 3.0 模型可以生成对话视频，但目前我的体感是，对话场景下即梦 Seedance 2.0 仍然更稳，所以可灵主要用来做不说话、纯动作的镜头补片。

2.3 剪映：所有素材的最终归宿

剪映（CapCut 国内版）承担"把所有素材拼成一条完整视频"的工作。我用它做四件事：

• 串联多段 AI 视频片段，做删减、调速、转场。
• 用智能字幕给整段对话自动打字幕，再统一调字体、字号、位置。
• 添加音效库的开门、关门、敲门、哭声等环境音，让画面更有真实感。
• 通过"导出当前画面"抽尾帧，作为下一段视频的首帧图。

2.4 豆包：薅免费额度的备用方案

豆包是字节系的另一款产品，自带 AI 图像生成功能，新用户每天有免费额度。我把它当成"图像生成的备用渠道"——主图用即梦生成，但有时候即梦风格不太对，会丢到豆包再试一次找灵感。

豆包的视频生成功能也开放了一部分免费额度，但我个人不太用，因为风格控制不如即梦稳。

2.5 工具搭配总结

flowchart LR
    A[剧本/分镜] --> B[即梦/豆包<br/>图像生成]
    B --> C{是否需要对话?}
    C -->|需要对话| D[即梦 Seedance 2.0<br/>说话视频]
    C -->|纯动作| E[可灵 2.1<br/>或即梦 1.0 Fast]
    D --> F[剪映<br/>串联/字幕/音效]
    E --> F
    F --> G[导出尾帧]
    G --> B
    F --> H[成片]

整条流是个闭环：剧本拆分镜，分镜出图，出图变视频，视频在剪映里拼，需要新镜头时通过"导出尾帧"反哺到图像生成那一步，循环往复直到成片。

三、模型选型：在不同任务里挑对模型

工具选完，下一个关键决策是——任务进来，到底用哪个模型？

模型选错的代价是直接花钱，而且越贵的模型生成时间反而越长（因为算力排队）。下面是我整理的一张选型对照表，照着挑就行。

3.1 即梦视频模型对照表

注：模型代号和定价会随平台版本更新而变化，以官方实时显示为准。莫潇羽这里只总结相对档位，不写死价格。

3.2 可灵视频模型对照表

3.3 模型选型的三条原则

第一条：说话用顶配，动作用平价。对话类强制走即梦 Seedance 2.0 或可灵 3.0，因为对话错一个字、声音变性别就是废片，省那点钱不划算。动作类用 1.0 Fast 或 2.1 标准就行。

第二条：重要镜头用 VIP/画质，过渡镜头用 Fast。比如剧情高潮的一个特写镜头，宁可贵一些也要用顶配；中间走路、转身、看手机这种过场镜头，用便宜版本就够了。

第三条：4 秒能搞定的别用 6 秒，6 秒能搞定的别用 8 秒。生成时长直接乘进总成本里，多一秒就是多一份费用。每次发起生成前，认真估算一下这段台词加动作到底需要几秒，预留 1 秒缓冲就好，不要无脑选最大值。

3.4 一个真实的成本对比

举个我自己跑过的对比账：同一段 7 秒的对话镜头，分别用即梦 1.5 Pro、2.0 Fast、Seedance 2.0 跑一遍。

• 1.5 Pro：嘴型基本不动，声音偏机械，对话识别度大概 60%。
• 2.0 Fast：嘴型有动，但偶尔会冒出来奇怪的声线，需要重抽几次。
• Seedance 2.0：一遍过的概率显著高，嘴型、语速、断句都比较自然。

结论很简单：关键对话直接用顶配，比抽卡省钱。

四、图像提示词：一套可复用的写作公式

图像是所有视频镜头的起点，图错了，后面所有镜头都白做。所以图像提示词是整条工作流里最值得花时间打磨的部分。

4.1 公式：场景 → 主体 → 服装 → 动作 → 道具 → 镜头

我自己用得最熟的公式是这五段式，按顺序往下写，基本不会出错：

3D 渲染，[时间/天气/地点的场景]，
[主体 1：物种 + 性别 + 体型 + 服装 + 姿态]，
[主体 2：物种 + 性别 + 体型 + 服装 + 姿态]，
[道具 + 摆放位置]，
[镜头景别 + 视角]

第一行的"3D 渲染"几乎是必加项，相当于给整张图定一个动画风格的基调。没有这一句，模型很可能直接出真实摄影风。

4.2 一个示例

假设我要做一张"夕阳下两只动物在公路边相遇"的图，提示词大概会这么写：

3D 渲染，夕阳西下的乡间公路旁的菜地里。
近景：一只胖橘猫，身穿蓝色印花衬衫、灰色短裤、灰色运动鞋，手里拿着一把铁锹，
旁边放着一筐装满土豆的塑料筐。
远景：一只年画风格的老虎，身穿黑色印花衬衫，开着一辆黑色轿车从公路上驶来，
透过车窗看着胖橘猫。
中景镜头，电影级调色，暖色调氛围光。

注意几个细节：

• 老虎只描写了上半身（黑色印花衬衫），没有描述裤子和鞋子。因为它在车里，下半身根本看不到，写了反而容易让模型纠结。
• 橘猫是全身可见的，所以从上衣写到鞋子。
• "近景"和"远景"分别交代主体在画面里的距离关系，模型会按照这个去构图。

4.3 服装统一性的重要性

如果一个故事里同一个角色会在多个镜头出现，所有镜头的服装、配色、特征必须完全一致，否则观众会立刻出戏。

我的做法是：写一个"角色卡"，把每个角色的关键属性固定下来，每次生图都直接复制粘贴：

[角色 A]：胖橘猫，黄色橘色花纹，圆脸，黑色保安服套装，黑色保安帽（如戴）。
[角色 B]：年画熊猫，黑白经典花纹，圆耳朵，灰色囚服上衣（无裤子描写），坐姿。
[角色 C]：银发老虎，浅灰色虎纹，三眼线条，棕色西服西裤，棕色皮鞋。

这样不管这一集要做几个镜头，每次生图都不用重新发明轮子。

4.4 涉及职业敏感词的处理

涉及到一些角色身份的时候，提示词要做合规化转换。比如要表现"看守者"这个身份，与其写"警察"，不如写"黑色保安套装"——既能拿到接近的画面效果，又不容易触发平台的敏感词审核。再比如要表现"办公室管理者"，不写具体职务名，改写为"办公桌前坐着的角色"或"穿着深色西服的角色"。

4.5 当模型不听话的时候

图生不出预期的画面，常见的原因有四个，按出现频率排：

• 提示词太长、太啰嗦：模型抓不住重点，结果跑偏。解决办法是把无关紧要的细节删掉，只留核心元素。
• 互相冲突的描述：比如"夜晚"和"阳光斜射"同时写，模型不知道听谁的。
• 过于细节化的描写：比如要求"鞋子上有三条白色斜纹"，模型在低算力模式下基本做不到。
• 角色姿态和场景不匹配：比如让一只猫"坐在椅子上同时开车"，模型物理上想象不出来。

莫潇羽@无忆研习社 的建议是：第一版提示词写完后，自己读一遍，能不能脑子里直接想出这张画面？如果你都想不出，模型也想不出。

4.6 一个实操技巧：用即梦的"全图参考"复用画面元素

即梦电脑版有一个非常好用的功能叫"全图参考"，可以把一张已有的图扔进去，然后告诉模型"在这张图的基础上做以下修改"。比如：

[参考图：办公室场景]
保留场景、家具、光线不变，
让画面中央的橘猫消失，门处于打开状态，其余不变。

这个功能在做"多镜头同场景串联"时极度有用——同样一个监狱单人房、同样一个办公室，你不用重新生成无数张图，只需要让某个角色出现或消失就行，背景的一致性能保证得非常好。

手机端目前还没有"全图参考"这个入口，但有一个简化版叫"图片参考"，效果类似。

五、视频提示词：让角色真正"动起来"

图像搞定后，下一步是把静态图变成动态视频。视频提示词比图像提示词更挑细节，因为模型要同时理解"画面"和"时间"两个维度。

5.1 视频提示词的基本结构

[镜头类型/景别]，
[主体描述（同图像提示词的角色卡）]，
[主体的动作/表情/姿态],
[对话内容，用中文双引号包裹],
[镜头运动方式（推/拉/摇/不变）]

关键提醒：对话一定要用中文双引号"…"包裹，不能用英文引号也不能不加引号。即梦和可灵都把双引号识别为"这段是台词，需要让角色说出来"的信号，没有引号，模型很可能不会让角色开口。

5.2 一个完整的示例

全景镜头，
身穿黑色保安服套装的女性化黑猫，
看着手中文件，然后转头对身穿灰色囚服上衣的女性化熊猫说，
"时间到了，跟我来"，
镜头保持不动。

注意：

• "女性化"是给角色性别打的标，决定声线。
• "转头对……说"是动作 + 触发对话的标准表达。
• 引号里是台词本体，模型会把它读出来。
• "镜头保持不动"是为了防止模型自作主张推拉镜头，导致主体位置偏移。

5.3 把性别、年龄、声线写进提示词

莫潇羽@无忆研习社 反复踩过的一个坑：不写性别和年龄，AI 会给你随机分配声线，男声变女声、年轻变苍老，都是常态。

解决办法是在每个说话角色后加一个声线标签：

（30 岁男声）
（25 岁女声）
（60 岁苍老男声）
（8 岁儿童声）

例如：

身穿黑色保安服的黑猫（30 岁男声）看着熊猫