AI视频从"抽卡"到"导演级控片"：一套能复用的标准化工作流全拆解（多参考流对比图生流·参考图锁帧·分镜到成片）

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

一句话说透：AI视频做不稳，九成不是提示词不行，也不是模型不够强，而是工作流选错了。 市面上主流做法可以粗分成两条路——一条是"丢一堆参考图加一段文字、让AI一次直出"（我习惯叫它多参考直出流），另一条是"一个镜头对应一张图、人先把画面钉死、再让AI逐镜执行"（也就是常说的图生流）。 前者上手快、效率高，适合快速出效果和批量内容；后者前期麻烦，但稳定、可控、省算力，能做到真正的导演级控片。这篇长文会把图生流的完整链路拆开讲：从"创意先行、表现形式后定"，到产品、风格、人物、场景、分镜五类参考图怎么一层层锁死画面，再到"边生边剪"决定成片质感，最后给一份能直接照着走的七步速查表。核心心法只有一句：别让AI牵着你走，让它只在你的工作流里干那 40% 到 60% 的活。 另外，文中所有涉及平台、价格、模型能力的说法都会随时间变化，请以官方实时信息为准；作品发布时也别忘了按国内规定做好AI内容标识。想看完整拆解，往下翻。

一、先想明白：为什么你的片子"这条能用、下条就崩"

我做AI视频这两年，被问得最多的一类问题，几乎都长一个样：

"为什么我自己独立做片子的时候，总是不稳定？上一条觉得还挺帅，下一条直接崩掉，还完全不知道怎么改。"

"为什么我的镜头一动人物就变形？产品的 logo 换个画面就没了？同一个角色，这一帧和下一帧像两个人？"

"为什么镜头和镜头之间接不上，节奏总是怪怪的？"

一开始我也以为这是提示词功力的问题，后来跟大量做片子的朋友聊下来，我发现一个很扎心的规律：这些看起来五花八门的毛病，九成以上都能追溯到同一个根子上——工作流用错了。

所以这篇文章里，我不打算给你安利"哪个平台最神""哪个模型最强"。原因很简单，工具是会被替代的。今天你把某个平台当成救命稻草，明年它涨价、降质、改规则，你辛辛苦苦攒下来的"手感"可能一夜清零。真正能沉淀下来、越用越值钱的，是一套属于你自己的制作思路。

我自己折腾下来最大的体会是：AI只是我流程里的一件工具，不是我的主子。理想状态下，它最好只负责整条片子里 40% 到 60% 的活，剩下的判断、设计、节奏，得攥在自己手里。如果你 90% 都压在AI身上，那模型一升级、一变脸，你的产出立刻跟着抖三抖，稳都稳不住。

说得再直白点——这套方法学到手，最大的收获不是某一条爆款，而是你从此有了"判断力"。 画面崩了，你不再是无头苍蝇一样乱改提示词、疯狂抽卡，而是能一眼判断：到底是参考图缺了，是信息密度不够，是风格没锁住，还是分镜本身就设计错了。这种判断力，才是让你不被任何单一平台、单一模型绑架的底气。

接下来的内容会有点长，一次看不完也没关系，收藏了慢慢啃。我会先把两条路线的底层逻辑讲清楚，再一步步把图生流的完整流程摊开给你看。

二、两条路线的分野：多参考"直出流" 对比 图生"控片流"

在讲具体怎么做之前，必须先分清目前市面上这两种主流打法。它们表面上都叫"做AI视频"，但背后的创作逻辑，是两个世界。

2.1 多参考直出流：把方向交给AI

所谓多参考直出流，就是现在很多AI视频工具里最流行的玩法：上传一堆参考图——主体参考、人物参考、产品参考、场景参考——再配上一大段文字描述，然后让AI自己去理解你的意图，一口气生成一段视频。这段视频可能是五秒一条、十秒一条，也可能十几秒一条。

举个通用化的例子帮你建立画面感。假设你上传了一张男主草图、一张女主草图、一张产品草图、一张街道场景草图，再敲进去一段文字：

"男主在雨夜街头遇见女主，两人因为一顶帽子有了交集；镜头从街道远景推进到近景，最后产品落在画面中央；整体风格要高级电影感、带点浪漫。"

然后AI就会拿着这几张图和这段话，自己琢磨着"直出"一段视频。它的典型逻辑就是：我给你一个大方向，剩下的你来发挥。

这条路子最大的好处，是上手简单、门槛低。传统影视里那一堆东西——景别、运镜、灯光逻辑、剪辑节奏——从零学是有门槛的；而多参考直出流几乎不要求你懂这些，丢几张图、写几句话，就能得到一条"看起来还不错"的片子。它的第二个好处是效率高，特别适合追求批量的场景，比如AI漫剧，一天要产出好几集，这种模式确实快。

也正因为这两点，很多入门教程和博主都会优先推荐新手从它入手。这没错。但你一旦真正独立去做一个完整片子，很快会撞上它的天花板。

2.2 多参考直出流的三大硬伤

我把它的问题归成三条，都不是"它做不出好效果"，而是"它把本该你控制的东西，全交给了AI"。

第一，参考越多，AI越懵。 很多人以为参考图丢得越多越准，其实恰恰相反。当你同时塞进人物参考、产品参考、场景参考、构图参考……AI要在同一轮生成里同时判断：谁是主体？哪张图更重要？产品要还原到什么程度？场景参考哪部分风格？文字和图片打架时听谁的？信息量一大，AI的注意力就分散了，抓不住重点。这就是我后面会反复讲的"注意力"问题。

第二，一段文字塞太多镜头任务，它只会抓最显眼的。 很多人喜欢把一整段剧情直接写进一句话里，什么"男人走进便利店看到女孩买咖啡，想起十年前的恋人，镜头从窗外穿过雨滴绕过货架停在帽子上，氛围要孤独克制又浪漫"。这段话当文学描写很美，但对AI来说不是一个清晰的镜头任务，而是一整篇"导演阐述"。结果往往是：它只抓住了"雨夜、便利店"这种最抢眼的信息，而你真正想要的人物气质、产品出现方式、情绪节奏，全被忽略了。

第三，出了错极难定位。 因为它是"一堆参考 + 一段文字 + 一次综合生成"的黑箱结果，画面不对的时候，你根本判断不出是哪一环坏了：人物不像，是人物参考图权重不够，还是文字描述干扰了它？产品变形，是产品图权重低，还是你设计的动作太难？你只能靠反复试——换措辞、删文字、调权重、换模型、疯狂抽卡。最后哪怕蒙对了一条，你都未必知道这次为什么成了。

还有一个更隐蔽的坑：同质化。 当所有人都用同一个模型、同一套默认玩法，做出来的东西自然越来越像——很多片子一眼就能认出是哪个平台出的。模型能力是四分，大家做出来都是四分；哪天模型升到八分，大家一起变八分。你以为你在进步，其实只是被模型拖着走，一旦平台改规则、涨价、降质，你的制作能力就被打回原形，因为你的能力压根不是建在自己的工作流上，而是建在平台身上。

2.3 图生控片流：一个镜头一张图，人先设计、AI执行

我这篇文章重点讲的，是另一条我自己一直在用、也更推荐的路子——图生流。它的核心不是"一次性直出完整视频"，而是先把作品拆成一张图、一个镜头，再逐个去控制。

它和多参考直出流最根本的区别，用一句话概括：

一个是让AI当"随机发挥的创作者"，一个是让AI当"听话执行的调度工具"。

图生流的好处很难一两句说清，因为它渗透在每一个环节里。做起来是会麻烦一点，但换来的是更稳定、更可控、更省成本，也更适合做商业交付。它大致分成六类参考图依次生成——产品、风格、人物、场景、分镜，配合最后的剪辑与声音设计，才拼出一条能拿得出手的片子。后面我会一类一类拆开讲。

2.4 一张表看懂两条路怎么选

我把两条路线的关键差异整理成一张对照表，你按自己的项目对号入座就行：

再用一张流程简图，直观感受两者的差别：

flowchart LR
    subgraph A[多参考直出流]
      A1[堆一堆参考图] --> A2[写一大段文字] --> A3[AI一次直出15秒] --> A4{画面对不对?}
      A4 -- 不对 --> A2
    end
    subgraph B[图生控片流]
      B1[定创意方向] --> B2[逐类做参考图] --> B3[分镜图: 一镜一帧] --> B4[单镜生成3到4秒] --> B5{单镜对不对?}
      B5 -- 不对 --> B3
      B5 -- 对 --> B6[边生边剪成片]
    end

要强调的是，这不是"图生流吊打多参考流"的意思。 如果你做的是AI漫剧，追求的就是效率，观众也不那么在意每一帧的质感，那多参考直出流完全够用，甚至更划算。工具没有高下，只有合不合适。但只要你的目标是"更优质、更稳定、更有质感"的作品，图生流这条路会走得更踏实。

顺带说一句合规的事：现在国内主流平台（像即梦、可灵、海螺、Vidu、通义万相、智谱清影这些）大多国内可直连、原生支持中文，做起来省心。也有一些以角色一致性见长的境外图像与视频模型，能力确实强，但境外模型的使用需要遵守国内网络与内容管理的相关规定，本文不展开任何绕开访问限制的操作，涉及时我会优先给国内可访问的合规替代方案。另外提醒一句，各平台的积分定价、免费额度、模型能力变动都很快，本文写到的都是写稿时的近似情况，请务必以各平台官方页面的实时信息为准。

三、动手之前先立规矩：创意不等于表现形式，先摸清AI的能力边界

进入具体流程之前，有一个观念得先掰扯清楚，不然后面全是白费功夫——创意，不等于表现形式。

3.1 先有创意方向，别急着把表现形式钉死

我举个通用化的例子。假设你想做一条概念短片，主题是"当代年轻人被手机吞掉的时间"——一个人不停地划手机，仿佛把自己的一生也一并划走了。这个"用滑动手机来隐喻人生流逝"的想法，就是你的创意。

但能表达这个创意的表现形式，可以有很多种。你最初可能设想：前景放一部手机，手指往上一划，背景里的人生画面跟着往上滑，滑一下人生阶段就猛地推进一格，冲击力拉满。这个想法听着很带感，可真到制作阶段，你大概率会发现它没那么容易实现。

为什么？因为AI当前还有一堆能力边界，你不真正上手，很难提前知道它到底能不能干成这件事。如果你一开始就把某个高难度的表现形式焊死，然后一根筋跟它死磕，很可能砸进去大把时间和积分，最后还是做不出来。

所以在图生流里，我的建议是：先定创意方向，表现形式留到制作过程中动态调整。 当你做出前几张图、试过前几个镜头，你会慢慢摸清——针对你这个项目、这个模型，它擅长什么、不擅长什么，哪些效果能稳定复现，哪些怎么都出不来。这时候再顺着AI的实际表现，去挑一种"它能稳定实现"的方式来表达同一个创意。这不是放弃创意，而是换一条更好走的路把创意落地。

做AI漫剧、剧情短片也是一个道理。你想讲一个关于重逢、关于亲情的故事，故事本身是创意；但它最后用什么画风、什么节奏、什么方式切入，不必一开始就全定死。我们要做的，不是逼AI完全服从脑子里那个画面，而是先锁方向、再按AI能实现的程度去找最合适的落地方法。

3.2 一份"AI当前不擅长什么"的清单，先收好

为什么强调要先摸边界？因为AI很擅长生成"看起来很像"的东西，却不一定能生成"结构严格正确"的东西。下面这张表，是我踩坑踩出来的一份"高风险清单"，动手前先心里有数：

这张表的意义不是劝你放弃创意，而是让你在设计表现形式的时候，主动绕开AI的雷区。现在的AI一直在进步，但它还不是万能的——很多时候不是你的创意不好，而是当前阶段实现它的成本太高。聪明的做法是顺势而为。

3.3 一个特别实用的判断标准："连续三遍不对就停手"

给你一个我一直在用的土办法：同一个东西，你生成第一遍不好，可能只是算力分配或AI随机性的问题，再试试无妨；但如果你连续生成超过三遍都不对，就别再跟它较劲了。 这时候大概率不是AI的问题，而是你的思路或方法错了。

停下来，冷静想三件事：是哪一部分信息密度不够？是哪张参考图缺失了？还是哪句