AI 视频生成：原理与镜头语言

视频模型如何保持画面连贯，怎样用景别和运镜写出好视频提示词。

如果说 AI 绘画是让 AI 画一张画，AI 视频就是让它连续画上百张，而且每一张都要和前后两张严丝合缝：人物的脸不能变，衣服的颜色不能跳，杯子掉下去得落到地上，而不是飘起来。难度远不是「乘以一百」那么简单。

这一节先讲视频模型是怎么让画面连贯的，这能解释为什么现在的 AI 视频大多只有几秒钟、为什么会出现「人物变脸」；然后重点讲怎么用导演的语言——景别、运镜、动作——写出好用的视频提示词。

视频模型怎么让画面「连得上」

一个笨办法是：让 AI 先画第一帧，再根据第一帧画第二帧，依次往下。问题是误差会一路累积，几十帧之后，人物可能已经面目全非。

主流的视频生成模型换了个思路：把整段视频当作一个整体来去噪。 回忆第一节，扩散模型是从噪点出发一步步去噪的。视频模型的起点不是一张噪点图，而是一整「摞」噪点——想象一摞透明胶片，每一张代表一帧。去噪时，模型不只看每张胶片上画了什么（空间），还同时看同一个位置在前后胶片上是什么样子（时间）。这样，第 1 帧和最后一帧里的同一张脸，是在同一个过程中被一起「长」出来的，自然更连贯。

为了让计算量可以承受，模型通常会先把视频压缩成更小的「时空小块」再处理，这和第一节讲的「潜空间」是同一个思路；同时大量借助 Transformer 来关联不同位置、不同时刻的信息。

这个原理直接带来了几个现实特点：

现象	原因	怎么应对
单段视频多为几秒到十几秒	整段一起去噪，时长越长，计算量和出错的概率增长越快	把长故事拆成多个短镜头，后期剪辑拼接
人物「变脸」、物体「融化」	模型对长时间的一致性仍然把握不足	用图生视频锁定首帧；单个镜头里减少大幅度动作
违反物理常识：穿模、漂浮、手部动作别扭	模型从海量视频里学到的是「看起来像」，并不真正懂物理	简化动作，少安排复杂的手部操作和多人肢体接触
画面里的文字闪烁、变形	文字细节要在每一帧都保持一致，难度很高	文字留到后期剪辑时再加

小贴士：部分新模型已经能同时生成画面和声音（环境音、音效甚至对白），但并非所有工具都支持，用之前看清说明。

文生视频 vs 图生视频

文生视频： 只给文字，模型从零生成整段画面。灵活，但人物长相和画面风格每次都可能不同。
图生视频： 先给一张图当首帧（有的工具还支持同时指定首帧和尾帧），模型负责让它「动起来」。长相、构图、风格都被这张图锁定，可控得多。

一个实用的组合是：先用 AI 绘画把关键画面做到满意，再拿去图生视频。 这时视频提示词不必再描述长相和风格，重点写「怎么动」和「镜头怎么走」。如果图里是一个穿红衣的女孩，你却在提示词里写「穿蓝衣的男孩」，模型会在两者之间拉扯，画面就容易崩。

景别：告诉 AI 观众「看多少」

景别指镜头里主体被框进来的范围，它直接影响观众的感受：

景别	框进来的范围	适合表达
远景	大环境，人很小	交代地点，营造辽阔或孤独感
全景	人物全身加周围环境	展示动作，以及人和环境的关系
中景	人物膝盖或腰部以上	日常交流，展示上半身动作
近景	胸部以上	看清表情，拉近情感距离
特写	脸部或一个物件	强调细节和情绪，比如一滴眼泪、手中的戒指

运镜：告诉 AI「摄影机怎么动」

推：镜头向主体靠近，画面范围变小，引导注意力，制造紧张或亲近感。
拉：镜头远离主体，画面范围变大，揭示环境，常带出孤独感或收尾感。
摇：摄影机位置不动，镜头左右或上下转动，像人转头看风景。
移：摄影机整体平行移动，像坐在车上看窗外。
跟：镜头跟着运动中的主体走，让主体始终留在画面里。
升降： 镜头上升或下降，常用于开场或收尾，营造气势。
环绕： 绕着主体转圈，适合展示产品或制造高光时刻。
固定镜头： 摄影机不动，只有画面里的人和物在动，最稳定，也最不容易崩。

再加上角度（俯拍、仰拍、平拍、航拍）和速度（缓慢、平稳、快速、慢动作），你就有了一套够用的导演词汇。

视频提示词怎么写：一个镜头一件事

推荐结构：镜头（景别 + 运镜 + 角度）+ 主体 + 动作 + 场景 + 光影氛围 + 风格。

错误示范：

一个女孩在城市里很开心，然后去了海边，最后看日落，电影感，震撼

问题：几秒钟的视频塞进了三个场景；「很开心」「震撼」是感觉词，模型不知道具体该怎么动；镜头信息一个字都没有。

正确示范：

中景，镜头缓慢跟随：一位穿白色连衣裙的年轻女孩赤脚走在黄昏的沙滩上，
海浪轻轻漫过她的脚踝，她停下脚步，回头微笑，海风吹起她的长发；
背景是橙红色的落日和波光粼粼的海面，逆光让她的发丝带着一圈金色轮廓光；
真实电影感摄影，浅景深，节奏舒缓

这里只有一个场景、一串连续的动作（走、停、回头、笑），镜头怎么走写得清清楚楚，「开心」被翻译成了「回头微笑」和「海风吹起长发」。

几条写作原则：

动作写成具体动词，并给出幅度和速度。 「缓缓转身」比「转身」好，「低头看手机」比「在玩」好。
一个镜头只安排一个主要动作。 复杂的情节拆成多个镜头。
运镜写一种就够。 「推近的同时环绕再升起」很容易乱。
人数越少越稳。 多人互动和肢体接触仍是目前的难点。
想要稳定，优先固定镜头或缓慢运镜。 激烈的运动镜头留给航拍、风光这类模型更擅长的场景。

从一句话到一组分镜

想做一条二十秒左右的小短片，别指望一条提示词搞定。像导演一样，先写一张分镜表：

镜号	景别 / 运镜	画面内容	时长
1	远景，航拍缓慢推进	清晨薄雾中的小镇街道	5 秒
2	中景，固定镜头	面包师推开店门，挂上「营业中」的牌子	5 秒
3	特写，缓慢推近	刚出炉的面包表面冒着热气	5 秒
4	近景，跟镜头	顾客接过纸袋，微笑点头	5 秒

每个镜头单独生成，挑出最好的一条，最后剪辑在一起，再配上音乐和字幕。想让同一个人物在各个镜头里长得一样，可以先用 AI 绘画做出这个角色的几张关键画面，再分别图生视频。

最后别忘了边界：不要生成冒充真实人物言行的视频；发布时按《人工智能生成合成内容标识办法》（2025 年 9 月 1 日起施行）的要求，做好 AI 生成内容的标识。

本节要点

视频模型把整段视频当作整体去噪，同时兼顾空间和时间，所以画面能前后连贯。
也正因如此，单段视频通常较短，长内容要拆成多个镜头再剪辑。
图生视频用首帧锁定长相和风格，提示词重点写动作和运镜。
提示词结构：镜头（景别 + 运镜 + 角度）+ 主体 + 动作 + 场景 + 光影 + 风格。
一个镜头一个主要动作，运镜写一种，人数越少越稳。