用四个生成版本诊断 AI 视频镜头

最初生成的四个版本，不是我用来完成镜头的尝试，而是我的诊断批次。

这个区别改变了我审看生成视频的方式。

如果我期待四个结果里有一个完美版本，就会把这一批分成成功和失败。只要没有哪个版本能原封不动地用，我就会认定需要重新生成。

诊断批次问的是另一个问题：机器理解了什么，没解决什么，又有哪些秒数已经能用？

这样一来，最初四个结果就是我为决定下一步付出的成本。

从简短、精准的单镜头提示词开始

这套制作方法把提示词分成两个层次。

总文档可以很长。它收录角色、服装、场景定位参照物、风格和禁止出现的元素。

单个镜头的提示词，我会控制在 400 个字符以内，即使整个制作文档长得多。

这对诊断很重要。如果镜头提示词试图塞进整个项目，失败结果就无法告诉我，到底是哪条指令出了问题。

我需要一段精简的提示词，让我能用同一个清晰要求来比较四个结果。

提示词描述情境，以及身体上能看见的行为。它不靠一个情绪词来让表演清楚可读。

我不直接写感受，而是描述身体做了什么：脚步放慢，双手垂下，或整个人僵住。

这样，我在每个版本里都有具体可见的东西可查。

使用能核查的摄影指令

我会去掉“cinematic”和“high quality”这类笼统的质量标签。

这些词无法给我一个精确的结果，用来横向比较四段视频。摄影术语可以。

镜头可以指定变形宽银幕镜头、颗粒、光晕，或收小光圈。场景中的实际光源应写明，并且出现在画面里，例如太阳、窗户或灯。

这套方法也会在提示词开头加入自然光描述，以减少机器常见的过曝。

检查四个版本时，我就能提出直接的问题：实际光源出现了吗？画面过曝了吗？指定的摄影处理是否足够稳定，可以使用？

这一批结果便成了提示词如何被理解的证据。

把物理要求写进去

生成物体的问题，可能让镜头立刻露馅。

经过验证的提示词方法使用了“no floating props”这条原文指令，来消除物体没有重量、悬浮不落的表现。

这句话有用，因为它建立了一个二选一的检查条件：物体要么符合预期的物理关系，要么不符合。

我会在四个版本中逐一核查。如果同一种物理错误反复出现，就说明提示词层面有问题需要处理。如果只出现在某段视频的一部分，这一批的其他位置可能仍有可用素材。

重点不是给每个版本下一个整体结论，而是找出镜头具体从哪一帧开始失效。

用时间标记拆分镜头中的变化

只要标出时间，一段提示词就能包含多个动作节点。

例如：

[0 to 2s] She walks in. Door closes. She doesn't look up.
[2 to 5s] She sees him by the window. Her walk slows. Her hands drop.
[5 to 8s] She freezes. Not afraid, paralyzed by recognition.

这种结构让对白或表演可以在同一个镜头内发生变化，不必另起镜头。

它也给审看提供了明确的顺序。我可以先比较四个版本的开头，再看中段，最后看结尾。

某个版本可能入场最好，另一个版本认出对方的动作最干净，第三个版本则能在最后的姿态上保持稳定，不发生变形。

这不意味着任何一条完整视频就能直接用。它告诉我的是，可用的几秒分别在哪里。

先检查机位，再检查表演

这套方法避开正面机位，因为它容易把画面拍平。

可选的替代方案包括四分之三侧面视角、监控摄像头式高机位、角落构图，以及荷兰角。画面应有纵深。

我会尽早检查这一点，因为再清楚的表演，也救不了一个不符合预期构图的机位。

比较四个版本时，我会找出最能保持指定角度和空间纵深的那个，再检查它的人体结构和物理表现是否也经得起检验。

诊断批次不是选美。单帧再惊艳，如果整段视频无法保持完整可信，也不够。

把色彩比例作为构图来检查

色彩也可以用可衡量的比例来指定。

这套方法采用 60:30:10 的结构：主色占画面 60%，辅色占 30%，点缀色占 10%。

我不要求生成的每一帧都像数学示意图，但预期的主次关系必须看得出来。

如果点缀色在某个版本里占了主导，构图就变了。如果主色消失，镜头就不再符合要求的平衡。

比较四个结果，可以看出色彩指令是否稳定，或者下一版提示词是否需要更明确地说明，哪些元素分别承担各部分比例。

核对角色当前状态

身份一致只是角色连续性的一部分。

在每场戏之前，这套方法会记录角色当前的伤势、破损服装、道具，以及缺失的任何东西。

面部参考也需要仔细准备。这套方法要求在上传前，从全身设定图中裁出脸部，以便控制用于锁定身份的参照。

我会按角色当前状态核对全部四个版本。脸很像，不能成为该破损的衣服却完好无损的理由。伤势正确，也救不了变形的脸。

批量审看在这里能防止自我说服。一个版本可能做对了好几件事，却仍然不符合连续性要求。

这些做对的部分仍是有用的诊断证据。它们说明模型保留了哪些指令，哪些还需要加强。

通过定位参照物核对场景

场景连续性依靠一个固定的参照物。

每段提示词都用角色与这个物体的相对关系来定位角色。在拍摄一场戏之前，这套方法会准备外景、室内全景、室内另一角度，以及细节视图。复杂场景还会准备俯视平面图。

这些准备给诊断批次提供了空间标准。

我可以比较角色出现在参照物的哪个位置，检查换了机位后是否仍是同一个室内空间，也能看出运动是否符合规划好的空间。

没有固定参照物，四个版本可能给出四间看似合理的房间。有了它，我才能判断它们是不是同一个场景。

逐帧审看

这是我不能跳过的部分。

只要一帧出现破损或变形，就可能毁掉镜头。只看首帧和尾帧不够。在判定可用之前，我会逐帧检查整段视频。

画面卡顿也需要同样细致地检查。它可能来自重复帧，而不是帧率本身。

如果看到卡顿，我会找重复画面，不会直接认定是每秒帧数的问题。

这个诊断会改变下一步的决定。调整帧率无法消除重复的视觉信息。在重新生成前，这一批结果必须让我知道究竟发生了什么。

保留能用的几秒

一次失败的生成，仍可能包含 2 到 5 秒可用内容。

所以，我不会因为某一段出了问题，就立刻把整个版本排除。我会先标出没有问题的区间。

脸部崩坏之前的开头可能可用。中段可能有正确的肢体表演。即使开头失败，最后几秒也可能保持了场景和光线。

这些区间就是素材。

第一批的成本是四个版本。回报不只是一条完成的镜头，还包括干净片段、反复出现的失败模式，以及提示词哪些部分已经奏效的证据。

明确第二批必须回答什么

看完四条视频后，我应该知道为什么要重新生成。

下一版提示词可能需要更明确的肢体行为，可能需要写清物理要求，也可能需要更有力的机位指令、正确的角色状态，或更明确的角色与场景参照物之间的关系。

如果对白里有名字或自造词，可以用语音拼写，通过连字符和大写字母标出重音，例如 Gan-del-FEE-nah。

这样，下一批又多了一项我能听出来、能比较的条件。

四版本方法不是承诺给我四次碰运气的机会，而是给我四份证据。我会从取景、光线、行为、物理、连续性、空间、发音和单帧这些层面逐一审看。

今天就为同一个镜头生成四个版本，并标记为诊断批次。逐帧检查，记录能保留下来的 2 到 5 秒区间，等你能明确说出反复出现的问题，再写下一版提示词。

方法，就是在灵感缺席的早晨，依然管用的东西。