KeyFrame內部研究專用

How To Create Cinematic AI Ads - Full AI Video Course

Dan Kieft16 min英文
觀看原始影片

三句話摘要

使用AI工具從零開始製作100%生成的品牌廣告短片的完整工作流程。 AI視頻製作的成功秘訣不在工具本身,而在於前期故事設定、角色開發、視覺參考的系統化準備——好的提示詞和充足的參考素材能讓AI生成符合預期的高質感影像。 故事與角色是核心基礎——每部影片都需要清晰的敘事主軸和主角設定。講者將個人童年夢想轉化為故事線(兒時球迷→進球隊→成為Nike運動員),並為故事中的每個角色創建詳細檔案(包括4個年齡版本的自己、教練、助教),確保AI生成時的一致性。

重點整理

  1. 故事與角色是核心基礎——每部影片都需要清晰的敘事主軸和主角設定。講者將個人童年夢想轉化為故事線(兒時球迷→進球隊→成為Nike運動員),並為故事中的每個角色創建詳細檔案(包括4個年齡版本的自己、教練、助教),確保AI生成時的一致性。

  2. 場景設計決定視覺質感——透過「世界建設」明確故事發生地點和視覺風格,用Higgsfield的Cinematic Locations工具生成多個場景選項,再用Multi-shots功能產生9個不同角度,以此建立統一的視覺語言庫。

  3. 提示詞精度直接影響輸出品質——詳細描述攝影風格、情感基調、角色互動,例如「祕密拍攝的紀錄風格」、「有顆粒感」、「輕微對焦搜尋」等細節,AI才能產生符合預期的結果。

  4. 多種視頻生成技術應用於不同場景——首幀參考適合簡單固定鏡頭、角色參考保證一致性、故事板方法提供最高控制力,根據場景複雜度與成本選擇合適技術。

實用技巧與重點

  • 核心工具清單:
  • Higgsfield(主平台,含Cinema Studio 3.5、Supercomputer、Sole Cast、Cinematic Locations)
  • 圖像生成:Nana Nana Pro(便宜方案)、GPT Image 2(最佳品質)
  • 視頻生成:Seed Dance 2 / Seed Dance 2 Fast、Kling
  • AI助手:Claude(提示詞優化、故事板生成)
  • 編輯軟體:Premiere、DaVinci Resolve(支援Higgsfield插件)
  • 協作工具:Figma(配Higgsfield插件用於資產管理)
  • 角色開發實例:
  • 4個年齡版本的自己:6歲、15歲、18歲、成年
  • 教練、助教角色也需要單獨的角色卡
  • 角色卡包含:服裝設計、表情、細節(如球衣號碼修改)
  • 場景生成流程:
  • Cinematic Locations生成10個選項(便宜快速)
  • 選定後用Multi-shots產生9個不同角度
  • 保留4-5個最滿意的角度用於後續參考
  • 提示詞示例結構:
  • 「製作電影級手持紀錄風格鏡頭,[具體場景],[角色互動],[視覺細節如顆粒感],[情感基調如自然、頑皮]」
  • 視頻生成技術選擇:
  • 首幀參考方式:上傳首幀作「Start Frame」(非參考)→提示詞→選Kling(便宜)或Seed Dance
  • 角色參考方式:上傳角色、背景參考圖→需確保為「references」而非「start/end frame」
  • 故事板方式:繪製多幀故事板→提示「轉成廣告」→Seed Dance自動生成完整場景
  • 資產管理方法:
  • 方法1:Higgsfield資料夾系統
  • 方法2:Figma + Higgsfield插件(視覺化)
  • 方法3:Supercomputer(整合生成到組織全流程)
  • 編輯工作流:
  • 安裝Higgsfield Premiere或DaVinci Resolve插件
  • 簡單堆疊視頻段落+必要剪輯
  • 支援直接在編輯軟體中重新生成特定場景

結論

AI視頻製作的成功秘訣不在工具本身,而在於前期故事設定、角色開發、視覺參考的系統化準備——好的提示詞和充足的參考素材能讓AI生成符合預期的高質感影像。

完整解析

這支影片呈現的是一個完整的AI視頻製作案例研究。講者以自己製作一部虛擬足球廣告為例,展示從構思到成片的全流程。他的故事線很簡潔——將童年無法成為職業球員的遺憾轉化為一個激勵性敘事:透過AI,他虛擬地成為了荷蘭國家隊的球員,並與C羅互動、獲贈Nike球鞋。這個故事框架清晰有力,成為所有後續創意決策的錨點。

前期策劃階段是最關鍵的投資。講者沒有直接跳進視頻生成,而是先建立完整的視覺資產庫。他使用Higgsfield的Sole Cast工具創建4個年齡版本的自己的角色卡,確保AI在生成時能夠保持人物的一致性。同時也為教練、助教等配角建立角色檔案。這個做法的邏輯是:詳細的角色設定會直接轉化為提示詞中的參考信息,使AI的輸出品質大幅提升。接著,他用Claude協助生成多組故事板,這些草圖不是為了完美,而是為了鎖定故事的視覺方向和情感基調。然後透過Cinematic Locations功能生成10個場景選項,再用Multi-shots為最滿意的場景產生9個不同攝影角度,形成一個完整的「視覺參考庫」。這個庫會在後面的製作階段被一次次地引用。

製作階段展示了三種實用的視頻生成技術。最簡單的是「首幀參考法」:他準備好一張首幀圖片(自己與C羅對話的靜止畫面),上傳為「Start Frame」(關鍵是要標記為Start Frame而非普通參考),然後用精確的提示詞指導風格——例如「祕密拍攝的紀錄風格,球場走廊,有顆粒感,輕微對焦搜尋」——最後選擇Kling或Seed Dance生成。這個方法適合需要特定開場的簡單鏡頭。第二種是「角色參考法」:上傳多個角色卡、背景圖作為參考(注意區分reference與start/end frame的區別),AI會在保持一致性的前提下生成互動場景。第三種是「故事板法」:直接畫出多格故事板(甚至只是粗略草圖),提示詞簡單如「把這個變成廣告」,Seed Dance就能自動展開成完整的視頻場景序列。講者甚至在這個基礎上延伸到完整的品牌活動——包括後期花絮、採訪片段等。

後期編輯的部分不複雜,但Higgsfield插件是關鍵。講者在Premiere或DaVinci Resolve中堆疊視頻片段、進行必要的剪輯切割,同時利用插件可以直接在編輯軟體內重新生成某個不滿意的場景,避免了頻繁切換應用的麻煩。這個工作流的完整性來自於前期的紮實準備——資產清晰、故事鎖定、參考完整,後期編輯才能快速推進。

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。