ai 影片 製作:先看你手上有什麼,再決定走哪條路
講到 ai 影片 製作,最常被問成「哪個工具最好」;真正的分岔點在更前面:你手上已經有什麼。文字、照片、參考影片各自對應一條路線,需要調的參數不同,出錯的地方也不同。

本頁內容
# ai 影片 製作:先看你手上有什麼,再決定走哪條路
講到 ai 影片 製作,最常被問成「哪個工具最好」;真正的分岔點在更前面:你手上已經有什麼。一段文字描述、一張照片、一段想被複製的動作影片,這三種輸入對應三條完全不同的路線,要調的參數不同,出錯的地方也不同。
選對路線,第一支通常就能用;選錯路線,你會花一整個下午在一個本來就不會成立的畫面上。這篇是入口地圖:三條路各講清楚適用與不適用,再給一條完整的第一支影片走查。提示詞的細節與單張照片怎麼挑,各自有專文處理,這裡只點到為止。
先盤點素材:三種輸入,三條路
| 你手上的東西 | 走哪條路 | 你會拿到什麼 | 最常卡住的地方 |
|---|---|---|---|
| 只有一句想法 | 文字生成影片 | 模型自己發明的畫面 | 構圖會漂,指定不了特定長相 |
| 一張人物、產品或場景照 | 照片生成影片 | 那個主體真的動起來 | 來源照片決定上限 |
| 一段想複製的動作影片 | 模板動作 | 真實動作套到你的主體上 | 範本構圖與你的照片對不上 |
| 一份腳本、很多個鏡頭 | 文字生成影片,分鏡做 | 進剪輯軟體組起來的序列 | 鏡頭之間的一致性 |
多數人心裡想的那個問題,其實手機裡已經有一張照片可以用。那條路是第二條,也是最快做出可用成品的一條。
路線一:文字生成影片
你描述一個場景,模型把它畫出來。你不需要擁有任何素材,這既是它的優點,也是它的限制。
適合: 開場空景、山海風景、天氣、抽象運動、人群,以及任何「不需要是某個特定的人」的畫面。例如「清晨的漁港,一艘船緩緩通過,陰天散射光,機位不動」——這種描述能成立,因為畫面裡沒有任何東西需要被辨認。
不適合: 你在意的臉、畫面裡的文字、商標、需要精準的手部動作,以及跨鏡頭的一致性。同一個角色要兩次,你會得到兩個不同的人。如果你的影片需要特定的人,直接跳到第二條路。
四件能省時間的事:
- 把運鏡寫成指令,不要寫成形容詞。 「緩慢推近」是一個位置變化;「電影感」不是。
- 寫出光源。 「颱風前的灰白散射光」、「下午從騎樓斜射進來的西曬」、「頭頂一盞日光燈」。沒有指定光線,是畫面看起來假的第一個原因。
- 5 秒只能裝一個動作。 兩個動作擠在 5 秒裡,兩個都讀不出來。
- 句子短、語氣肯定。 太長的從句會被忽略一半。

路線二:照片生成影片
你給一張靜止的照片,模型讓它動起來。市面上大部分實際工作都發生在這條路,因為成品會繼承你已經控制好的構圖、身分與光線。
這條路只有一條鐵律:來源照片決定上限。 一張清楚、光線均勻、正面、主體四周有空間的照片,用哪個模型都能生出乾淨的片段;一張昏暗、歪斜、裁得很緊的照片,再怎麼改提示詞也補不回來。
入門只需要確認三件事:主體完整入框、光線從單一方向來、背景乾淨或模糊。細節(短邊畫素、手掌位置、留白比例)在照片轉影片的入門指南有完整清單,這裡不重複。
第二件事是描述「動什麼」,而不是「感覺如何」。模型需要知道哪個部位動、動多少、機位有沒有動。「她低頭看手機,然後抬眼看向鏡頭,機位固定,上半身入框」是一份規格;「有故事感、很真實」不是。
路線三:模板動作
文字描述動作,靠的是模型的理解力;模板走另一條路——你直接給它一段錄好的動作,它只負責把你的主體疊上去。
要不要走這條,問一句就好:這個動作,你能不能用一句話講清楚? 講得清楚(「往前走三步」、「慢慢轉頭」)用文字就好;講不清楚(兩個人怎麼擊掌、怎麼搭肩、怎麼在同一個拍點上換位)就該交給範本,因為那些細節是身體記住的,不是文字寫得出來的。
適合: 舞蹈、走位、制式的敬禮或擊掌、對拍的短動作,以及任何「動作本身就是內容」的題材。
不適合: 需要特寫臉的鏡頭、需要大幅改變構圖的題材,以及只有一張照片、而那張照片的視角跟範本差很多的情況。
代價在構圖,不在畫質。範本是在特定高度、特定距離、特定身體姿勢下錄的,你的照片得落在同一個視角裡;差太多,模型一邊對應一邊修正比例,成品就會出現橡皮感。生成前用三個問題自查:主體面向是否相同、裁切範圍是否接近、範本要的全身寬度你的照片給不給得起。
三個都過,通常一次就成;有一項不過,先換照片,不要先換範本——範本沒有錯,是你的照片站錯位置。
第一支影片:十二分鐘走查
拿一張你不在意的照片跑一次,全程大約十二分鐘。分成三段,每段只做一件事;真正在等的時間不多,大部分是你在決定。

第一段,決定(約三分鐘)。 先挑照片:正面、光線均勻、主體置中並留邊,頭不要貼著邊緣。接著把時長與解析度一次定好——5 秒、最低解析度。這兩項現在決定,後面就不要再回頭改,改了你會分不清是哪一項造成差異。
第二段,打草稿(約五分鐘)。 寫一句動作:主體、動作、方向、機位,四個元素,不要形容詞。送出後看三輪,每一輪只看一件事——第一輪看主體是不是同一個人,第二輪看動作有沒有收尾,第三輪看有沒有不該出現的東西進出畫面。看到問題,一次只改一個變數:身分跑掉換照片,動作過頭縮短那句話,背景在扭就簡化背景。
第三段,定版(約四分鐘)。 照片、句子、時長全部不動,只把解析度換成 1080p,跑你要留下的那一版。產出後立刻下載,生成檔在多數平台上不會永久留著。
十二分鐘裡最花時間的是第二段的判斷,不是生成。所以第一支刻意用一張不在意的照片:你要熟悉的是判斷,不是那張照片。
參數的鎖定順序:從最不容易後悔的開始
| 順序 | 參數 | 先鎖的理由 | 起點 |
|---|---|---|---|
| 1 | 機位 | 它決定有多少畫面要重新發明;先鎖住,後面的問題才歸因得出來 | 固定機位,運鏡最後再加 |
| 2 | 時長 | 誤差要撐多久;短片先把問題縮小 | 5 秒,乾淨後再試 10 秒 |
| 3 | 畫面比例 | 成品能放哪裡,也決定模型要不要補兩側 | 直式 9:16;橫式 16:9;1:1 只給特寫 |
| 4 | 解析度 | 只影響細節與成本,不影響動作對不對 | 720p 打草稿,1080p 定版 |
| 5 | 運動強度 | 主體移動多遠;第一次幾乎都會設太高 | 低 |
順序的理由只有一句:先鎖「讓模型最少自由發揮」的那一項,再一次放寬一個自由度。機位、時長、比例這三項鎖完,你才有資格談動作寫得好不好——前面沒鎖,後面改什麼都像在猜。
三種最常見的誤配
看過最多的三種情況,都屬於「用錯路線」而不是「工具不好」:
用文字生成做有臉的主鏡頭。 想要的是一個特定的人,卻用文字描述長相。模型每次都會給你一個不同的人,於是你會一直在換提示詞,而問題不在提示詞。
用照片生成做大幅度的舞蹈。 照片生成擅長「同一個人在原地做動作」,一旦需要整個人跑動、跳躍、轉身,肢體幾何就會開始失真。這種題材交給模板動作,動作是真實錄下來的。
用範本做特寫。 範本提供的是全身或半身的構圖,硬要拿來做臉部特寫,等於把一個全身動作放大到只剩頭,比例一定不對。特寫用照片生成,配一個微動作就夠。
輸出後的去處:四個平台的比例與長度
| 平台 | 主要比例 | 常見長度 | 生成時要注意 |
|---|---|---|---|
| Instagram Reels | 直式 9:16 | 5–10 秒最好用 | 上下留邊,主體避開介面覆蓋區 |
| YouTube Shorts | 直式 9:16 | 5–10 秒 | 第一格就要有動作,開頭不要靜止畫面 |
| TikTok | 直式 9:16 | 5–10 秒 | 字幕區在下方,腳與手別貼底 |
| Threads | 直式 9:16 或 1:1 | 5 秒循環 | 方形版本直接用 1:1 生成,不要事後裁 |
四個平台都以直式為主,所以生成時就用 9:16,不要先做 16:9 再裁。裁切會切掉兩側,而動作通常正好發生在兩側。
另外兩個實務細節。全身入框的題材(舞蹈、走位、跳躍)用直式生成時,腳很容易落到安全區外,取景時要在下方多留一點空間。要上大螢幕播放的版本,720p 在二十七吋以上會明顯不足,直接用 1080p 生成,不要事後放大。
三種路線怎麼混著用
真正開始做之後,你會發現三條路不是互斥的。最常見的組合是:文字生成拿來做開場空景與轉場,照片生成拿來做有臉的主鏡頭,模板動作用在需要一個漂亮動作的那兩秒。
這樣混的好處是每一段都用它最擅長的方式做,缺點是風格要統一。做法是在剪輯軟體裡統一調色與顆粒,並且讓所有片段用同一個比例輸出——9:16 的素材就全部用 9:16 生成,不要一半橫式一半直式再來補。
常見問題
第一支影片要多久? 照上面的走查,含挑照片大約十到十五分鐘;大部分時間在決定,不在生成。
沒有照片,只能從文字開始嗎? 如果主體不需要是特定的人,文字就夠。如果需要特定長相,走照片那條路,文字生成沒有辦法穩定重現一個人的臉。
為什麼畫面很乾淨,看起來還是假? 通常是光線。生成的場景預設是平光、沒有方向;在描述裡指定光源與方向,對「像真的」的幫助大於其他任何單一調整。
可以一次做長一點的影片嗎? 可以,但每秒的品質會隨時長下降。可靠的做法是做好幾段 5 秒,進剪輯軟體接起來。
比例會影響品質嗎? 會,因為它改變模型要發明的面積。把橫式場景裁成直式,等於強迫模型補滿兩側。能讓來源方向與輸出方向一致就一致。
只能先鎖一個參數的話,先鎖哪個? 機位。它決定有多少畫面要重新發明;機位一動,你就分不清後面的問題是動作造成的還是鏡頭造成的。
同一支影片可以混用三條路線嗎? 可以,而且很常見。空景與轉場用文字生成,有臉的主鏡頭用照片生成,需要漂亮動作的兩秒用模板。混用的代價是風格要統一,做法是在剪輯軟體裡統一調色,並且全部用同一個比例輸出。
下一步
想從照片開始,照片轉影片入門講來源挑選;動作句怎麼寫,AI 影片提示詞指南有完整結構;想知道靜圖裡哪些部分真的能動,把照片變成影片有一張材質對照表。
要讓動作來自參考影片而不是描述,用範本替換影片角色講對應流程。想直接試,從範本頁挑一個開始。
本文這些條件,可以拿一張照片在圖片轉影片工具裡當場驗:先跑 5 秒一條,看主體和構圖撐不撐得住,再決定要不要往下做。


