AI 视频生成到底能干什么？可灵、即梦、Runway、LTX 怎么选

AI 视频已经从"玩具"走到"能用的生产工具"。本篇把常见玩法摊开：文生、图生、换脸/对口型、补帧/扩图，以及一条片子的真实工作流。

四种核心能力

① 文生视频：一句话出片段；② 图生视频：给首图让画面动；③ 对口型/换脸：让角色说话；④ 补帧/扩图/运镜：把素材变长变稳变好。一个成片往往是这几样拼出来的，比如图生主体 + 文生转场 + 对口型配音。

先把脚本拆成分镜提示词 → 逐镜出视频 → 用 TTS 或声音克隆配旁白 → 进剪映/PR 合成、加字幕转场 → 导出。AI 负责"生"，人负责"剪"和"审"。把机械生成交给模型，把审美判断留给自己，分工最清晰。

手部、文字、多人对话最容易翻车；长视频一致性难保。复杂镜头拆短、关键帧锁定主体，比一条硬撑到底稳。还有"抽卡"问题——同一条提示词出三五遍挑最好的，是常态，时间预算要算进去。

出片用可灵/即梦/海螺，配音用克隆人声，剪辑用剪映/PR，字幕用自动转写。把这些串成你自己的流水线，单人周更几条高质量短视频完全可行。先固定一套，再谈优化。

文生视频的 prompt 骨架是"主体 + 动作 + 场景 + 镜头 + 风格 + 时长"。比如"一个穿红裙的女孩在雨中慢慢转身，镜头缓慢推近，电影感，暖色调，4 秒"，六要素都给到，出来的画面才有导演感。只写"好看的视频"，模型只能给你一段最平庸的默认动画。

运镜词很关键："slow push in（缓慢推近）""pan left（向左摇）""drone shot（航拍）"能决定镜头语言。中文模型直接写中文运镜也行，但混合英文专业词（tracking shot、low angle）往往更准。先模仿平台上"爆款"视频的提示词结构，比凭空瞎写进步快。

最常见的肢体扭曲、多只手，优先用"图生视频"——先出一张姿势正确的静帧，再让它"动起来"，比纯文生稳得多。复杂动作（跳舞、打球）容易糊，拆成"小幅运镜"分多次生成再剪辑拼接，比一次硬刚长镜头靠谱。

另一个隐性坑是"首尾不一致"：生成 5 秒和生成 10 秒可能是两个故事。要连续叙事就分段、每段锁参考帧。负向提示词（不稳定运动、变形）也能从源头压住翻车。出视频本质是"和模型讨价还价"，多跑几版挑最好的那帧当种子，质量立刻上来。

老陈点评：AI 视频的"导演"还是人。模型出素材，你的审美和剪辑决定成片质量。先把剪辑功底练好，再谈模型。