KeyFrame內部研究專用

我用Cinema Studio 4 0制作了一部电影级的AI短剧 - HiggsfieldAI电影实战教程

YAHA学堂中文
觀看原始影片

三句話摘要

使用 CinemaStudio 等 AI 工具搭配精確的視訊參數設定,製作風格一致、敘事連貫的多段 AI 影片完整工作流程。 精確的參數調整與元素管理是用 AI 工具製作視覺一致、敘事連貫多段視訊的核心,每個決定都應服務於故事需求而非機械複製。 角色一致性是基礎。使用 S 2.0 模型生成初始角色圖像後,再用 GPT 2.63 BST 模型生成包含正面、側面、特寫的角色表,確保無論從哪個角度拍攝都是同一人物,解決單張照片無法保證一致性的問題。

重點整理

  1. 角色一致性是基礎。使用 S 2.0 模型生成初始角色圖像後,再用 GPT 2.63 BST 模型生成包含正面、側面、特寫的角色表,確保無論從哪個角度拍攝都是同一人物,解決單張照片無法保證一致性的問題。

  2. 統一視訊標準是關鍵。在生成視訊前,需要將所有資產(角色、道具、場景)保存為標準元素,以便在提示詞中精準引用,這樣每一段視訊都能符合整體設定而不出現風格偏差。

  3. 參數選擇直接影響視覺效果與故事表達。光圈值(F11 深景深 vs F1.4 淺景深)控制焦點範圍,攝影機運動決定動態感,燈光設置(實景燈光與否)影響氛圍,這些決策應基於故事需求而非盲目複製。

  4. 電影語言的應用提升專業度。透過選用 35mm 膠片質感、變形鏡頭等影視工具,配合動態剪輯節奏,使 AI 生成的視訊具備高預算電影的視覺特徵。

實用技巧與重點

  • 工具與模型:
  • CinemaStudio 平台
  • S 2.0 模型(角色生成)
  • GPT 2.63 BST 模型(精確編輯)
  • 圖像比例:
  • 初始角色圖:3:4
  • 角色表:16:9
  • 硬碟圖:1:1
  • 光圈設置:
  • F11(深景深、全景清晰)
  • F1.4(淺景深、背景模糊)
  • 視訊參數:
  • 類型(Genre):決定電影風格、節奏、表演方式
  • 時代(Era):決定視覺紋理
  • 節奏(Rhythm):控制單個片段內的切割數量
  • 鏡頭選擇:35mm 膠片(增加顆粒感)、變形鏡頭(寬屏效果與光暈)
  • 攝影機運動:推進朝向建築物
  • 燈光設置:實景燈光(光源來自場景內物體)
  • 視訊長度示例:4 秒

結論

精確的參數調整與元素管理是用 AI 工具製作視覺一致、敘事連貫多段視訊的核心,每個決定都應服務於故事需求而非機械複製。

完整解析

製作風格一致的多段 AI 視訊,第一步是建立統一的角色資產庫。講者使用 CinemaStudio 平台中的 S 2.0 模型生成主角圖像,這個模型專為角色設計,能生成自然的姿態與逼真肌膚。初始圖像採用 3:4 比例展示完整人物設計,透過詳細的提示詞定義年齡、性別、服裝、風格等特徵。然而單張照片無法保證各個角度都是同一張臉,因此需要製作角色表。講者切換到 GPT 2.63 BST 模型,改用 16:9 比例生成包含正面、側面與特寫的完整角色表,有了這兩張圖片,角色資產就基本完成了。

接下來需要生成其他視訊資產。講者用同樣方法生成硬碟圖像(1:1 比例)、伺服器房間與建築物圖像,為整個視訊確立全局標準。進入視訊模式後,關鍵步驟是將所有圖像保存為標準元素。講者創建新的角色元素,添加名稱、選擇對應圖像資產,目的是確保能在後續提示詞中精準引用。同時其他資產也要分類添加到道具與場景分類中。

視訊設置涉及多個參數,每個都影響最終效果。類型決定電影風格、節奏與表演方式;時代決定視覺紋理;節奏控制片段內的切割數量。講者選擇動態鏡頭實現更快的節奏感。攝影機與鏡頭選擇定義影像質感,35mm 膠片增加顆粒感,變形鏡頭創造電影級寬屏效果,將背景燈轉變為橢圓形光暈、水平拉伸亮光——這正是高預算動作電影的視覺標志。

在製作具體鏡頭時,講者強調選擇的原因比數字本身更重要。第一個鏡頭採用 4 秒時長,光圈 F11 實現深景深,讓整個畫面都保持清晰焦點,攝影機推進朝向建築物製造開篇張力感。這個鏡頭中燈光逐層亮起,緊張感不斷累積。第二個鏡頭則完全相反,光圈設為 F1.4,只有手表清晰其他模糊,讓觀眾只關注這個物體。攝影機保持靜止,只有手表戒指移動,若攝影機也跟著移動會分散注意力。燈光設置為實景燈光,光源來自場景內物體——手表本身就是光源。這個例子展示了光圈、運動與燈光的每一個變化如何創造完全不同的效果。其他視訊片段使用相同方法生成,最終編輯效果與開篇一樣壯觀。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。