我最近做了条 18 秒的片子：一个唐代装束的人，在便利店过道里横向滑出一步，急停，顺手拉开冰柜拿了瓶酒。

【视频 01｜18 秒成片】

发出去之后问得最多的不是"用的什么模型"，是"为什么我写同样的提示词，出来的人像在滑冰"。

这篇把过程拆开讲。方法跟模型关系不大，换哪个工具都能用。

一句话生成，出来的东西像个 PPT

我第一版就是一句话：一个唐代诗人跳闪身步。

出来的东西不能说难看，只能说像个 PPT。人物每秒钟都在微微变形，衣服飘的幅度像被风吹的塑料袋，脚底在滑，不是跳。

连着废了三条，才想明白问题在哪。

我给的是"事件"，不是"动作"。

“横向一闪"这四个字，在我脑子里是一个很具体的东西：重心先沉，腰腹发力，脚跟着走，落地砸住。但在模型那儿，它有一万种可能。它挑了一种最省力的，慢慢滑过去。

所以真正要做的，不是把提示词写得更华丽，是把"动作"这件事拆到模型能执行的程度。

下面五步，是我最后跑通的路子。

先把人钉死，别让模型每一帧重画一次脸

这一步最容易被跳过，但省不得。

视频模型是逐帧重绘的，每一帧都在重新猜这张脸长什么样。你不给它一个固定参照，它就会飘。飘得不明显的时候像没睡醒，飘得明显的时候直接换人。

做法是：先单独生成一张定妆图。

正面、半身、纯色背景、光打在侧上方、表情平静。人物特征一次说全，衣服颜色、发型、胡须、年龄段都写死。我用的提示词是这样：

1
2
3

一位四十岁上下的唐代诗人，清瘦，长须，发髻高束，穿月白色交领长袍，
腰系深色布带，正面半身像，双手自然垂放，表情平静，眼神清亮，
纯色深灰背景，柔和侧光，写实电影质感，皮肤有真实纹理，高清，画面中没有任何文字

出图之后先自己看一眼。脸是不是能看、衣服有没有穿错、有没有多余的手指。这一步不解决问题，后面每一段都会带着这个错误跑。

定妆图定下来，后面每一段都拿它当参考图。

拍一段你自己跳的舞喂进去，这是整条链路里提效最狠的一步

文字描述动作，模型永远在猜。给它一段参考视频，它就不用猜了，照着做。

我的做法很土：手机架在椅子上，竖屏，全身入画，在客厅跳了七八遍，挑最像的一段，剪到八秒。

【视频 02｜自己拍的参考视频】

拍的时候注意三件事。

全身要进画面。 只拍上半身，模型学不到脚下的动作，出来还是滑。

别剪太快。 参考视频是给它学动作节奏的，不是给它看剪辑的。一镜到底最好。

不要用别人的视频，尤其别用明星的。 一方面是平台对真人素材有验证要求，另一方面，那个人的脸和身材会渗进你的画面，最后出来一个既不像你也不像他的东西。

自己拍，丑点没关系，动作对就行。

拆段，一条只讲一件事

我这条 18 秒的片子，拆成了三个 6 秒。

不是我想拆，是必须拆。六秒里塞进"起势、滑出、急停、表情"四个动作，已经满了。再往里加，模型就开始偷工减料：要么动作糊，要么人物开始漂，要么干脆跳帧。

三段的分工是这样的。

第一段，从水墨画里走出来。黑白墨色，人慢慢踱步，走到中间突然横着一闪，墨迹被带起来，画面同时从水墨转成实景。这一段是钩子，负责让人"哎？“一声。

第二段，便利店过道。货架一直延伸到画面深处，冷白灯管，他站定，腰腹一拧，滑出去，刹住。这一段是正片，负责让人看清楚动作。

第三段，冰柜前。跳完顺手拉开冰柜门，冷气涌出来，拿一瓶酒，拧开喝一口，看镜头。这一段是人设，负责让人笑。

拆段的判断标准很简单：一段里超过四个动作，就该拆。

提示词按顺序排，动作写成链条不写成结果

提示词不是写得越长越好，是要有顺序。我现在的写法是固定的六段：

参考对象 → 场景 → 动作链 → 镜头 → 光线 → 风格和节奏

拿第二段举例：

1
2
3
4

参考@参考视频1 的舞蹈动作，参考@图1 的人物形象。深夜便利店狭长的过道里，
两侧货架一直延伸到深处，这位唐代装束的男子站定，腰腹先拧，脚跟一蹬，
身体横向滑出一步，落地瞬间刹住，肩膀还在微微晃动。镜头手持中景，跟随移动。
冷白灯管，货架和价签虚化。写实，电影感，动作短促有力。

几个我自己试出来的细节。

动作要写成链条，不要写成结果。 不写"他跳了一段舞”，写"腰腹先拧，脚跟一蹬，滑出，落地刹住，肩膀还在晃”。一步接一步，模型才知道顺序。

“刹住"这个词必须出现。 不写它，模型就默认你要一个平滑的收尾，最后软绵绵地定在那儿。急停这件事，得明说。

镜头要写死。 固定、手持、跟随、推近，选一个。不写，它会自己给你加运镜，加完动作就看不清了。

光线一句话就够。 冷白灯管、暖黄路灯、侧逆光，这类词比"氛围感"有用一百倍。

负面词两头夹：正面写"刹住”，负面写"打滑"

负面词在这条片子里不是可选项。如果只留一样东西，我会留负面词。

1
2

多人，换脸，面部扭曲，手指畸形，多余肢体，滑步拖沓，脚底打滑，
画面闪烁，文字，字幕，水印，logo，夸张表演，卡通感，过曝，塑料质感

里面最关键的是"滑步拖沓"和"脚底打滑"。模型对"横移加急停"这件事天然不擅长，它更愿意做成滑行，因为滑行在训练数据里更常见。正面提示词写"刹住"，负面词写"打滑"，两头夹，才压得住。

参数我一般这么定：竖屏 9:16，6 秒一条，1080P。参考图一张，参考视频一段，不超过十秒。声音关掉。

关声音这条，后面讲。

出片之后，卡点比调色重要

三段都出来之后，别急着调色。

先把片子接起来，找一段鼓点明显的音乐，把每一段"刹住"的那一帧，卡在重音上。卡准了，那个停的力道会放大一倍。卡不准，就还是滑。

这也是为什么建议生成的时候关掉声音。模型配的音跟你的音乐对不上，后期还得拆掉，不如一开始就不给它。

四个坑：参考视频是地基，提示词只是装修

坑一：以为提示词能替代参考视频。

不能。没有参考视频，什么模型都在滑。参考视频是地基，提示词是装修，顺序别搞反。

坑二：一条里塞五个动作。

我第三段本来是一条，开门、取酒、拧盖、喝、看镜头，五个动作挤在六秒里，人物的手直接穿模了。拆成两段各四秒，干净了。看到跳帧别硬压提示词，拆段。

坑三：拿网上的图当人物参考。

尤其是真人照片。一是平台有限制，二是那张脸的特征会一直跟着你，最后出来四不像。自己生成一张，或者用自己拍的。

坑四：一次生成就想成。

我这条片子废了七条。AI 视频现在的状态，就是得跑量筛。心里要有个预期：一条能用的，背后至少三四条废的。

工具用的是即梦里的 Seedance 2.0。选它的原因很实际：能同时吃参考图和参考视频，单条最长 15 秒，还支持 9:16 竖屏。

这三个能力正好对应拍参考视频和拆段这两步。换个只能文生视频的模型，这套流程要改一大半。参数就是上面那一组，没调过什么玄学设置。

这套方法不挑题材。

你想让一个历史人物跳热梗，想让自家猫做个人类动作，想让产品自己在桌上转一圈，流程都是一样的：先定人，再给动作参照，再拆段，再按顺序写，最后用负面词堵住那些一定会犯的错。

模型会越来越强，但"把一件事拆到可执行"这件事，还是得人来干。

今晚就可以试：不用写新提示词，把你上次那句一句话提示里的动作，拆成"先哪、次哪、最后刹在哪"三步，再配一张定妆图跑一次。同样一个模型，出来的东西滑不滑，差别就在这两步上。