AI 视频从 0 到 1 全流程实战：图片、提示词、镜头语言、数字人、剧情片一条龙打通

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

这篇长文把我自己折腾 AI 影像大半年的实操心得整理成了一套可复用的方法论：核心结论就一句话——决定一条 AI 视频好坏的，从来不是你用了哪个最新模型，而是你"控制画面"的能力，也就是图片质量和提示词功底这两件底层功夫。 全文围绕国内可直接访问的工具链展开，把"模型 / 平台 / 公司"的关系讲清楚，再从图片生成原理、提示词的两种写法与六个维度、镜头语言（景别 / 视角 / 运镜）、批量出图与九宫格一致性、图片编辑全家桶、图生视频的三种打法、口播数字人、实拍 + AI 融合的动作迁移工作流，一直讲到 AI 配乐、图文设计和我踩过的坑。新手照着读完，基本能独立做出一条有故事、风格统一的短片。

想看完整拆解，往下翻。

一、先把概念理清：模型、平台、公司到底是什么关系

很多人刚接触这行最大的障碍不是技术，而是被一堆英文名词绕晕。一会儿是 Seedance，一会儿是 nano banana，一会儿又是 Veo、可灵、海螺……听着像天书，其实只要搞懂三层关系，后面学什么都豁然开朗。这三层就是：公司 → 模型 → 平台。

我用最直白的话给新手解释一遍。模型是真正干活的"大脑"，它被训练出来专门做某一件事；平台是给你按按钮、上传图片、写提示词的"操作台"；公司则是开发这些模型的那家企业。一个模型可以出现在好几个平台上，这就是大家容易混淆的地方。

拿字节跳动举例。它家有两条主力线：图像模型叫 Seedream（很多人嘴里念成"即梦图片模型"），视频模型叫 Seedance。2026 年 2 月，字节跳动旗下即梦 AI 正式发布 Seedance 2.0，这是继 2025 年 6 月初代 Seedance 之后的重大升级，支持文本、图像、视频、音频多种素材作为参考。注意，Seedance 2.0 只是"模型"这个大脑，它能在哪些"操作台"上用呢？字节自家就有好几个——即梦、豆包、小云雀，还有火山引擎的企业接口。2026 年 2 月，Seedance 2.0 已在即梦、豆包、小云雀等多款字节系产品中开启内测。所以你在不同 App 里看到的可能是同一个大脑，只是换了个壳。

谷歌那边逻辑一模一样。图像模型叫 nano banana，正式名称是 Gemini 2.5 Flash Image，是谷歌最新的图像生成与编辑模型，核心亮点就是快、准、狠。视频模型叫 Veo，谷歌旗下首个 AI 视频创作平台 Flow 整合了 Veo、Imagen 和 Gemini 等模型，支持一键生成 8 秒音画同步的视频。它们既能在谷歌自家产品里用，也通过接口对外开放。

理解了这层关系，你就明白一个事实：模型会一直迭代，从 3.0 升到 4.0、5.0，从初代 Seedance 升到 2.0，名字花里胡哨地变，但它干的事永远只有两类——要么生成图片，要么生成视频。至于豆包、DeepSeek 这种主要拿来打字聊天的，那叫大语言模型，不是我们影像创作的研究重点（虽然写提示词、写文案时会经常用它打下手）。下次再看到某博主喊"某某模型更新到 X.0 啦"，你心里有数就行，不用焦虑。

国内能不能直接用？答案是完全可以

新手最常问我一个问题：这些谷歌的模型，在国内到底能不能直接用？我的回答很明确：能用，"用不了"是个很大的认知误区。国内现在有大量平台已经把这些模型集成进来了，你打开就能直接调。目前自己去找谷歌官方渠道比较折腾，但国内已经有不少平台集成了 nano banana 模型，大家按需选择即可，完全不用为入口的事发愁。

我特意强调这一点，是因为太多新手卡在了第一步——以为这些模型门槛很高、离自己很远，迟迟不敢上手。其实恰恰相反，国内平台把调用入口铺得很平，注册个账号、充点钱包余额，就能像用国产工具一样顺手地调用这些海外顶尖模型。把这个心理门槛拆掉，你才能真正进入创作状态。

我自己用得最多的几个国内可访问平台，一个是云工作流类的 RunningHub（它把 nano banana、Seedance、Veo 等一堆模型都装进了一块画布里），一个是各家模型的官方网页端（即梦、豆包），抓产品的话也会用一些综合性的第三方站点。它们的操作逻辑高度相似：双击一个节点，里面就能挑模型、设比例、设时长。所以你不必为"能不能用上这些模型"发愁，国内平台已经把入口铺好了，把心思放在创作本身就行。

为什么有时候用官方平台、有时候用第三方

莫潇羽@无忆研习社这里说点掏心窝的话：我在不同平台之间换来换去，核心就两个考量——创作的便捷性和使用成本。同一个模型，在它的官方平台（比如即梦里调 Seedance）单价通常更低；而第三方云平台的好处是"一站搞定"，图片、视频、声音都在一块画布上完成，省得到处找。

成本上，第三方平台一般是按次计费，比如调一次图像模型大约几毛钱，调一次视频大约几毛到一块多，用多少扣多少，不用一上来就办昂贵的会员。官方平台则多是会员制，按月或按年充值，活动期常有折扣。两种模式没有绝对的好坏，看你的使用频率和习惯。我的经验是：高频生产就办官方年度会员摊薄单价，零散测试就用第三方钱包按次扣费。

公司          模型(大脑)              平台(操作台)
─────────────────────────────────────────────
字节跳动  →  Seedream(图)  ┐
            Seedance(视频) ┴─→  即梦 / 豆包 / 小云雀 / 火山引擎接口
谷歌      →  nano banana(图)┐
            Veo(视频)      ┴─→  Gemini / Flow / 国内第三方集成平台
第三方画布 →  上面这些模型都能调用  →  RunningHub 等云工作流平台

二、图片是一切的地基：AI 到底怎么画画、怎么读提示词

我从不一上来就教视频生成技巧。原因很简单：视频的本质就是一张张连续的图片，一秒二十几格，你连一张静态画面都控制不住，怎么可能控制连续画面？而且做视频要解决的角色一致性、场景稳定性、风格统一，最终都要落到"参考图"上。所以图片是底层中的底层，先把图片吃透，视频就成功了一大半。

要把图片用好，得先懂一件事：AI 画画到底是怎么回事。我把它拆成三步讲，新手一听就明白。

第一步是投喂海量数据。开发者给模型看了天量的图片，每张都打上标签——这张有猫、有森林、有日落，让模型把"文字概念"和"画面"一一对应起来。第二步是学习规律。模型把复杂图片拆成最小的视觉单元：线条、色彩、构图、风格。就像人类画猫会注意尾巴、胡须、爪子，模型也在提取这些稳定特征，建成自己的"词典"。第三步是生成画面。当你输入一句"一只穿西装的猫"，它会在词典里找到"猫"和"西装"的视觉特征，从一团噪点开始，经过几十步迭代，让画面越来越接近你描述的样子。

这里有个关键认知，新手一定要记牢：AI 并没有真正"理解"你的话，它是在算概率。长期以来我们倾向于认为，要解决主体一致性这样高精度的难题需要专门优化的模型，但通用大模型凭借更宏大的数据和更深层次的理解，可能以润物细无声的方式从根本上解决这些问题。但即便是这种"理解"，本质上仍是统计——它只是在判断"把哪些像素拼在一起最符合你这串文字"。你说"一个忧伤的小女孩站在雨中"，它感受不到忧伤，它只是从数据里调出"过去人们配'忧伤'时常出现的低饱和、阴雨、灰蓝天空"这些特征，组合起来。

明白了这点，你就能反推出提示词的真正作用了。你写下的每一个词，本质上都是在给概率分布做收敛。描述得越清晰，它的选择范围越小，越容易给你想要的；描述得越模糊，它就越自由发挥，越随机。所以提示词不是"写一句漂亮话"，而是对画面进行结构化控制的过程。这也是为什么有人写了一千多字、堆得像作文，画面还是飘——不是模型不行，是信息乱、没结构。

flowchart LR
    A[海量图文数据投喂] --> B[拆解视觉单元<br/>线条/色彩/构图/风格]
    B --> C[建立文字↔画面词典]
    D[你的提示词] --> E[转成数字向量]
    C --> F[从噪点迭代去噪]
    E --> F
    F --> G[输出图片]

把这套底层逻辑想透，比记一百条提示词模板都管用。因为模型会换，工具会变，但"它如何理解人类指令"这件事的底层运行逻辑，过去、现在、未来几乎是一样的。这也是莫潇羽一直强调的：别追表象，要学逻辑。

三、提示词怎么写：两种基本写法 + 六个维度

发展到今天，图片提示词早就不存在什么死板公式了，你想怎么写就怎么写，跟小学生写作文一样——把脑子里的画面用文字描述出来即可。但"自由"不等于"瞎写"，心里得有一套结构的概念。我自己常用的写法归纳起来就两种，外加一种偏设计的写法。

第一种是关键词式。你不需要写完整句子，就把脑海里的画面元素一个个敲出来。比如我想要一个中年男人的形象，脑子就跟着走：中年男人、四十岁、短发、西装、皮鞋、打领带、冷静的表情。一个词一个词地往外蹦，组合起来发给模型就行。这种方式特别适合新手练手，逼着你自己去想象画面。

第二种是自然语言式，这也是我实战里用得最多的。你就当跟朋友聊天，想到什么说什么。比如"科幻大片、沙尘暴遮天蔽日，沙墙中隐隐显出一张巨大的脸，下方有人群经过"——一段话讲完，模型也能听懂。现在的模型理解力很强，自然语言反而更顺手。

第三种是构图式，更接近画画的思路，适合需要精准控制层次的画面。它不强调"风格、动作、情绪"这些要素，而是按空间层次来写：前景是什么、中景是什么、背景是什么。比如"前景一个水池有人洗衣服、中景有人走动、背景是江南水乡的徽派建筑"——一层一层把画面铺出来，对精准控图非常有用。

把提示词拆成六个维度

为了让新手有个抓手，我把 AI 影像提示词归纳成六个维度，几乎涵盖了图片和视频的所有提示词类别。这套维度不是要你每条都写满，而是让你知道"还能从哪些角度去控制画面"。

举几个我自己测的例子帮你体会。在叙事维度上，我写"一个男人神情悲伤，偷偷哭泣，走在深夜里"，画面就有了故事感。叠加空间维度，加上"阴雨天气、乡间土路边"，层次感立刻起来。换到美术维度更明显——同一段提示词，结尾换成"低饱和、阴雨"和换成"低吉卜力风格动画"，出来的质感天差地别。所以风格往往直接决定画面的高级感，很多画面不够高级，问题就出在美术这一层没搭好。

动态和声音是视频专属的。动态维度里我会标注每个镜头的时长、运镜方式、景别、角度。声音维度则要谨慎——做连续叙事短片时，我通常会刻意写上"无音乐、无字幕"，因为多段视频各自带的背景音乐很难统一，后期反而是麻烦。需要人物说话时，直接把台词写进去就行，模型会让人物对口型说出来。

最后提醒一句关于权重的概念：模型读文字是从左到右，越靠前的词权重越大、越被优先当成重要信息。所以你认为风格最重要就把风格放最前，认为景别最重要就把景别放最前。我做叙事短片时习惯先写景别再写视角，因为主体在画面里占多大，是我最在意的事。

四、镜头语言速成：景别、视角、运镜

这一块是新手最容易忽略、却最能拉开档次的地方。这些专有名词全部来自电影拍摄，一个好的镜头语言能让视频直接高一个段位。我把它拆成三块：景别、视角、运镜。

景别：主体在画面里占多大

景别说白了就是"主体占据整体的范围大小"，它是个相对概念——对鼻子来说脸是全景，对学生来说教室是全景。在 AI 提示词里，景别是控制构图最有力的词。很多时候你写了情节却得不到想要的构图，就是因为没加景别限定词。