How to Make Cinematic AI Videos (Not AI Slop)

大多數AI影片看起來廉價或虛假的根本原因，不在於模型能力不足，而在於創作者沒有真正控制場景。講者透過Higgsfield平台示範，從單幀圖片到多鏡頭序列的完整工作流，逐一拆解電影級別輸出的四大核心決策。

首先是光影設計的轉變。初學者常寫出「beautiful woman at a bus stop in the rain at night cinematic dramatic lighting moody 8k masterpiece」這類提示詞，但相機實際看不到「dramatic」或「moody」。講者對比生成結果：第一張用懶散提示詞生成，模型基於安全預設用平面商業照明，人物對著鏡頭完美擺姿，乍看精美卻不逼真。第二張同樣模型和設定，但明確指定光源來自一側、曝光突顯溫暖高光、讓臉部落入陰影，結果立刻看起來像電影截幀。這個轉變證明了一個看似簡單卻威力無窮的原則：必須指定光從哪裡來、照亮哪一側、讓哪一側進入暗部。

其次是鏡頭和構圖的力量。同一場景若用平凡的中心構圖加全景銳利，會顯得平板廉價；而透過指定85mm焦距、將相機放在街對面，背景會自動虛化，主體與環境分離開來，立刻變成專業質感。但焦距只是一半，另一半是主動的構圖安排：人物放在畫面側邊而非中心、身體轉向側面、明確指定視線朝向（眼睛看手機、身體姿態反映等待狀態），刻意保留大片空白空間。這些決策讓AI理解的不是「美女在公車站」這個模糊概念，而是「這是一個真實場景的精確快照」。

運動設計則要打破兩個常見陷阱。講者示範的公車站場景中，相機完全鎖定不動，所有生命力來自角色本身：手機入褲、撥開頭髮、抱緊保暖。每個動作都被細緻地描述物理細節（重外套的位移、頭髮落位、體重轉移），結果看起來完全自然。相對地，餐廳服務生場景中相機環繞她轉圈，這時先前鎖定好的景深設計就展現威力：虛化的背景和冷暖光源隨著相機運動而有機移動，製造真實三維空間感，而非簡單的平面拖拽。講者強調關鍵是「給運動實際重量感」，不要寫模糊的「cinematic camera movement」，要寫「相機在4公尺到2公尺之間用步行速度推進」。

最後是多鏡頭生成的挑戰與控制方法。CDans 2.0的強大在於能從單個提示詞生成四個不同鏡頭的連貫序列，但模型會傾向亂發揮：改變角色外觀、中途改變光線、新增多餘的切割。講者建立了四個完全不同的場景測試（賽車、監視、燈塔救援、酒吧打烊），每一個都遵循相同的五點鎖定法則：明確說出有幾個鏡頭和幾個硬切、為每個鏡頭分配不同焦距（寬景無人機、特寫、低角度遠焦、追蹤鏡等）、確保光線始終保持一致、讓所有角色在入框時已經到位（沒有空畫面讓模型亂補）、精心設計音效層次（引擎聲和駕駛呼吸、風浪聲和冷靜聲線的對比）。當這五個要素都被牢牢鎖定時，AI就不會因為自由發揮而破壞連貫性，每個場景都能維持光線、角色、空間的一致性。