AI Video 101: How to Master AI Videos (Beginner to Advanced)
三句話摘要
如何通過掌握起始影像、JSON結構化提示詞和角色卡表，把AI影片從看起來像生成品變成像專業製作。 掌控AI影片的關鍵不是選哪個模型，而是投入時間在起始影像、JSON結構化提示詞和角色卡表上，讓你從旁觀生成過程變成真正的導演。 平文本提示詞導致模型獨裁：簡單描述「一列火車穿過山隘」會讓模型決策所有技術面向——鏡頭角度、光線設定、配速——導致整段影片帶有AI生成的痕跡。導演必須在構圖、光線、鏡頭運動上掌握每一步決策。
重點整理
重點- 1
平文本提示詞導致模型獨裁：簡單描述「一列火車穿過山隘」會讓模型決策所有技術面向——鏡頭角度、光線設定、配速——導致整段影片帶有AI生成的痕跡。導演必須在構圖、光線、鏡頭運動上掌握每一步決策。
- 2
起始影像鎖定視覺基礎：先用GPT Image 2生成精確的第一幀（如夜間停車場或城市日出），再上傳到Seed Dance 2作為起始點，確保後續動作在穩固的構圖和光線基礎上進行，讓整段影片看起來像真相機拍攝而非拼湊。
- 3
JSON結構化提示詞把控制分權：把場景分解為主體、動作、鏡頭、光線、風格等獨立欄位，用videoprompt.studio工具自動生成框架後逐一調整，關鍵是加入時間戳序列讓每個動作在精確秒數發生（如打響指在3秒、探索在6-9秒），實現秒級導演控制。
- 4
角色卡表確保人物一致性：模型無法從單張影像穩定推斷人物外觀，解決方案是用平坦背景生成三視圖（正面、背面、臉部特寫），上傳時同時加載多個參考讓模型有明確基準，使同一角色在不同場景和光線下保持一致。
實用技巧與重點
乾貨- 核心工具：
- Higgs Field（一體化平台）
- Seed Dance 2（影片生成模型）
- GPT Image 2（起始影像生成）
- videoprompt.studio（免費JSON提示詞生成器）
- Kling 3（便宜的圖轉影片替代方案）
- 技術規格：
- 縱橫比：16:9
- 解析度：1080p
- 影片時長：10-15秒
- JSON提示詞上限：1200字符
- JSON提示詞欄位：
- Subject（主體）、Action（動作）、Camera（鏡頭）、Lighting（光線）、Style（風格）、Timestamped Sequence（時間戳序列）
- 流程：
- 平文本「三行梗概」→ 2. videoprompt.studio生成結構 → 3. 手動調整各欄位 → 4. 複製到Seed Dance 2生成
- 案例1（倫敦街道凍結）：
- 時序：0-3秒打響指、3秒凍結、6-9秒探索、末秒解凍
- 鏡頭：穩定跟進→向後飛行→廣角俯視
- 光線：正午硬光+建築物陰影+懸浮塵埃和凍結粒子
- 時長：15秒
- 案例2（怪物戰鬥）：
- 場景：橘色發光眼睛男子vs巨型怪物，倒塌高樓，夜間
- 鏡頭：低廣角建立→手持跟拍→螺旋軌道→最終推進
- 光線：冷月光，唯一色彩來自眼睛的橘色發光
- 負向提示詞：避免卡通化怪物
- 角色卡表製作：
- 三視圖（正面、背面、臉部特寫）、平坦工作室背景、均勻光線、無硬陰影
結論
結論“掌控AI影片的關鍵不是選哪個模型，而是投入時間在起始影像、JSON結構化提示詞和角色卡表上，讓你從旁觀生成過程變成真正的導演。”
完整解析
詳細AI影片看起來像生成品還是專業製作，根本差異不在工具本身，而在於導演掌控的程度。初學者常用平文本直接提示Seed Dance 2，比如「蒸汽列車穿過高山隘口」或「海邊懸崖上的兩車道公路」，模型能產出視覺上令人印象深刻的片段——動作流暢、景色壯麗，甚至自動配樂。但問題在於所有技術決策都由模型猜測：鏡頭選擇了哪個角度、光線如何設置、場景節奏如何安排——全是黑盒，導演毫無控制力。結果是影片儘管漂亮，卻帶著明顯的「AI生成感」，視覺元素豐富得像模型在炫耀自己能生成多少東西，而非為故事服務。
第一層掌控從生成起始影像開始。與其讓模型從空白編造整個場景，不如先用GPT Image 2等影像模型生成精確的第一幀。比如「歐洲老城藍色時刻的鵝卵石小巷，均勻光線，乾淨構圖」——這一張圖決定了構圖位置、光線溫度、環境質感。上傳到Seed Dance 2作為起始點後，模型只需在這個既定基礎上產生動作，而不是憑空創造整個場景。結果是整段影片的視覺連貫性大幅提升，看起來像用真相機拍攝的真實移動，而非模型的自由發揮。
深度控制來自JSON提示詞（Jason Prompting）。傳統平文本「某人在某地做某事」只描述內容，技術決策全部留給模型。JSON做法把場景分解為獨立欄位：主體(Subject)、動作(Action)、鏡頭(Camera)、光線(Lighting)、風格(Style)和時間戳序列。免費工具videoprompt.studio將平文本「三行梗概」自動轉為結構化框架，導演再逐一微調。以倫敦街道場景為例：起始梗概只有「男子打響指凍結行人和鴿子」；工具生成框架後，導演把鏡頭改為「穩定跟進→向後飛行→廣角升起俯視」，光線改為「正午硬光加建築物陰影加懸浮塵埃」，最關鍵的是時間戳序列「0-3秒走進並打響指、3秒凍結發生、6-9秒探索、15秒解凍」。這樣每個動作在精確秒數發生，從「希望模型安排得好」變成「我設定好了」。同樣的三行梗概，只因調整了這些欄位，最終影片就看起來像真正的電影鏡頭而非隨機生成。
最後是角色一致性。AI模型很難在不同場景保持同一人物的外觀，因為它總是從單張參考影像猜測人物細節：臉部特徵、衣著、身材。解決方案是預先製作「角色卡表」——用平坦背景、均勻工作室光線生成同一人物的三視圖（正面、背面、臉部特寫），沒有雜亂背景或硬陰影，讓模型有清晰的參考基準。上傳時同時加載角色卡表和多個場景參考（如停車場、玻璃辦公高樓），Seed Dance 2會在不同場景中保持人物的一致性，甚至能自動為對白配音。這樣兩個角色可以在停車場進行緊張的無聲交接，再在辦公室對話，整段看起來像真正的連貫製作而非各自獨立的片段。
從「打出一句話讓模型猜」到「在多個場景、多個角色、精確時序中導演故事」，這個演進正是AI影片從像生成品到像專業製作的完整轉變。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
