AI 视频生成完整指南：从入门到精通

用 AI 生成视频这件事，已经从"能不能做出来"变成了"能不能做得可用"。 对带货创作者来说，真正的门槛不在工具本身，而在于能不能稳定地拿到符合预期的画面。

这篇指南从提示词结构讲到常见问题排查， 重点是那些反复试错才能摸清、但说破了很简单的规律。 具体的功能参数和开放范围请以官方文档为准，本文聚焦方法而非参数。

一、开始之前：先认清能力边界

新手最容易浪费时间的地方，是把 AI 当成万能的。 提前知道哪些事它做得好、哪些事它做不好，能省掉大量无效尝试。

1. 目前做得好的

• 短时长的氛围镜头：产品特写、材质纹理、光影流动、环境空镜
• 单一主体的简单运动：物体旋转、液体倾倒、布料飘动
• 风格化画面：需要特定色调、质感、年代感的场景

2. 目前仍然吃力的

• 精确的文字：包装上的品牌名、屏幕上的界面文字，经常糊成乱码
• 复杂的手部动作：拆包装、按按钮、手指精细操作容易变形
• 跨镜头的人物一致性：同一个人在两段视频里往往长得不太一样
• 严格的物理逻辑：多物体碰撞、液体与固体的复杂交互常常出错

实际策略：把 AI 用在它擅长的部分。 产品的氛围镜头、场景空镜、转场素材交给 AI 生成， 需要精确展示的产品细节和真人出镜部分用实拍，两者剪在一起。 这比追求"整条视频全部 AI 生成"务实得多。

二、提示词的基本结构

写提示词最常见的问题是太笼统。 "一瓶精华放在桌上，很好看"这种描述， AI 需要自己补全的信息太多，结果自然不可控。

一个信息完整的提示词通常包含五个部分：

1. 主体：画面里最重要的那个东西，以及它的具体特征
2. 动作：主体在做什么，或者画面里正在发生什么变化
3. 场景：环境、背景、时间、天气
4. 镜头：机位、景别、运镜方式
5. 风格：光线、色调、质感、参考的影像风格

对照示例

模糊的写法：一瓶护肤品，看起来高级。

完整的写法：一瓶琥珀色玻璃瓶身的精华液， 放在浅灰色大理石台面上，瓶身缓慢旋转； 背景是虚化的窗户，清晨的侧逆光透过纱帘落在瓶身上， 在台面投下柔和的长影；微距镜头，缓慢推近， 画面整体偏暖，高级感的商业广告质感，浅景深。

第二种写法把五个要素都交代清楚了， AI 需要自由发挥的空间变小，输出的稳定性就明显提高。

三、镜头语言：让描述可执行

很多人写提示词时用的是感受词——"高级""有质感""高端大气"。 这些词对 AI 来说信息量很低。把感受翻译成具体的镜头语言， 是提示词水平的分水岭。

1. 景别

• 微距：展示材质纹理、液体质地、粉末颗粒
• 特写：突出产品单一细节，如瓶口、logo 区域、开关
• 中景：展示产品整体与使用场景的关系
• 全景：交代环境，营造氛围

2. 运镜

• 缓慢推近：制造聚焦感，适合开场引入产品
• 环绕：360度展示产品外观，适合造型有亮点的商品
• 跟随：镜头跟着运动的主体移动，画面更有代入感
• 固定机位：让画面内的变化成为唯一焦点，适合演示效果

3. 光线

光线是决定"高级感"的最关键变量，也是最值得花笔墨描述的部分。 侧逆光适合表现通透的玻璃和液体；柔和的顶光适合表现哑光质感； 硬光和强对比适合科技感与力量感；清晨或黄昏的暖光适合营造生活氛围。

四、常见问题与排查思路

1. 画面中途"变形"或主体漂移

通常是因为提示词里的动作描述太复杂， 或者一次要求了多个同时发生的变化。 解决办法是把一个镜头拆成两个：一个镜头只描述一件事。

2. 产品外观和实物对不上

纯文字很难精确描述一个具体产品的外观。 如果工具支持参考图，优先用图； 如果只能用文字，就把关键识别特征写死： 瓶身形状、颜色、材质、比例、logo 位置， 而不是笼统地写"一瓶洗发水"。

3. 生成结果每次差别很大

说明提示词留下的自由度太高。 逐步增加约束条件——先固定场景，再固定光线，再固定运镜， 每次只加一个约束，观察哪个条件对结果影响最大。 这个过程比一次性写一大段描述更高效。

4. 想要的文字总是糊掉

目前最务实的做法是：不要求 AI 生成文字。 画面里需要的品牌名、价格、促销信息， 在剪辑阶段用后期字幕叠加，既清晰又可控。

五、带货场景的实战用法

回到具体业务，AI 生成视频在带货流程里最有价值的三个位置是：

1. 开场氛围镜头

前3秒需要一个有冲击力的画面抓住注意力， 但实拍成本高、周期长。用 AI 生成一个产品特写或场景空镜， 接上后面的实拍内容，是性价比最高的用法。

2. 场景补充

产品的使用场景如果拍摄成本高——海边、雪山、专业厨房—— 可以用 AI 生成场景镜头，再把实拍的产品镜头剪进去。

3. 批量测试

同一个产品，用不同风格生成多个版本的开场， 小批量投放测试哪个版本的完播率更高， 再把胜出的方向用于正式内容。 AI 的低边际成本让这种测试变得可行。

结语

AI 视频工具的能力还在快速变化，今天的限制明年可能就不存在了。 但有一件事不会变：清晰的表达永远比工具本身更重要。能把想要的画面拆解成主体、动作、场景、镜头、风格五个维度说清楚的人， 换任何一个工具都能快速上手。

建议的学习路径是：先用完整结构写十条提示词， 观察哪些描述真正影响了输出；再针对性地调整自己最常用的品类模板。 比起收集别人的提示词模板，建立自己的判断更有价值。