AI 时代，每个人似乎都可以成为“导演”，做出过去需要专业团队才能完成的画面。真正的问题是，一般人不知道第一步该做什么。

我也是一个艺术盲。最近用 AI 做了两条视频，谈不上多好，但至少把流程完整跑通了。我把自己的经验整理出来，算是抛砖引玉。也希望你读完以后，能勇敢迈出第一步：别只临渊羡鱼，先下水捞第一条鱼。

本文的例子都使用我本地的 MiniMax H3。如果你用的是 Seedance 或其它多模态视频模型，具体按钮和能力限制可能不同，但整体制作步骤基本相通。

这篇不要求你会导演、画画或者写专业提示词。你只需要会做选择。视频分析、文案、参考图、提示词和失败检查，都可以交给 Codex 或 ChatGPT 帮你完成。

下面我用“做一条 15 秒左右的穿搭变装视频”作为完整例子。你也可以把题材替换成产品广告、人物短剧、宠物故事或者电影感片段。

一、开始前准备四样东西

第一条视频不用 API，也不用先学剪辑。准备：

  1. Codex 或支持图片生成的 ChatGPT。
  2. MiniMax H3 或 Seedance 2.5 的可用界面。
  3. 一条你想学习的视频链接，或者一句自己的想法。
  4. 一个文件夹，用来保存参考图、提示词和生成结果。

第一次建议控制在 10–15 秒、一个主角、一个场景。先把流程跑通，再做 30 秒、多人物和复杂对白。

MiniMax H3 和 Seedance 2.5 不是同一个模型。H3 官方支持最多 15 秒，以及首帧、尾帧和多模态参考；Seedance 2.5 官方支持单次最长 30 秒，并支持更多图片、视频和音频参考。不同产品界面开放的功能可能不完全一样。

二、把参考视频或想法交给 Codex，先不要急着生图

打开一个新任务，把链接和下面这段话一起发给 Codex：

1
2
3
4
5
6
7
8
9
10
11
我想学习这条视频的创作结构：
<粘贴视频链接>
目标：做一条原创的 9:16、约 15 秒视频，使用 MiniMax H3 或 Seedance 2.5 生成。
请先不要生成图片和视频提示词。先帮我分析：
1. 这条视频最值得学习的核心玩法是什么；
2. 开始画面是什么，结束时发生了什么变化；
3. 主角、场景、镜头和动作分别需要保持什么；
4. 我需要准备哪些参考图片；
5. 哪三个地方最容易生成失败。

不要复制原视频人物、Logo、文字或音乐。看完后给我一个简单方案，等我确认再继续。

如果你没有参考视频，可以这样写：

1
2
3
我想做一条 15 秒的竖屏视频：同一位成年女性在房间里跳一段轻松的小舞，周围有五个不同穿搭的小人。鼠标每点击一个小人，主角就快速换成对应衣服。最后五个小人全部消失，主角穿最后一套继续跳舞。

请先帮我补全人物、五套穿搭、场景和节奏，给我两个简单方案。我选择以后再生成图片。

这一轮你只需要判断：这个玩法是不是你想做的，人物和场景是否合适，视频有没有塞太多事情。

三、让 Codex 列一张普通人看得懂的“制作单”

方案确认后，继续问 Codex：

1
2
3
4
5
6
7
8
请把它整理成一张制作单。不要使用导演术语，用普通人能看懂的方式列出：
- 要生成几张图；
- 每张图负责什么；
- 图里必须出现什么；
- 什么东西必须保持不变；
- 最后要把哪些素材上传到视频模型。

这一轮仍然不要开始生图，先让我确认制作单。

穿搭例子的制作单其实很简单：

只有结尾必须落在一个精确画面时，才需要第二张尾帧。普通的连续舞蹈先用一张首帧，更容易保持自然动作。

多人物短剧会需要更多素材。例如我在复制Cuimao“牛来”视频时，使用了主角设定、配角阵容、人物站位、场景空镜、道具和四格分镜，后面第九章会具体讲到。第一条视频先不要把这一套全部搬过来。

四、先生成一张测试图，不要一次生成整套素材

制作单确认后，让 Codex 或 ChatGPT 生成首帧：

1
2
3
4
5
6
7
8
9
10
11
12
13
现在开始生成首帧测试图，一次只生成一张。

要求：
- 9:16；
- 原创中国成年女性，视觉年龄 24–28 岁；
- 房间内固定机位，主角从头到大腿中部，占画面主要位置；
- 周围正好五个较小的完整人物剪影，代表五套穿搭；
- 五个小人的手臂、肩膀和重心略有不同，像连续的舞蹈动作；
- 所有人必须是同一张脸、同一发型和同一身材比例；
- 小人不能挡住主角，头、手、腿和鞋必须完整；
- 不要文字、Logo、水印和鼠标。

先生成，我看完再决定是否修改。

生成后先数人数，再看脸和手脚。不要因为画面第一眼漂亮就直接进入视频。

如果只有一处不对，就告诉模型只改这一处：

1
2
3
右下角穿牛仔裤的小人被底边裁掉了。
只把这个小人缩小约 20%，向上移动，完整露出鞋子和白色轮廓。
人物身份、其它五个人、服装、房间、构图和光线全部保持不变。

如果人物数量、脸和构图同时出错，重新生成通常比连续修补更省时间。

五、让 Codex 根据已经确认的图片写视频提示词

首帧通过以后，把图片交给 Codex，发：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
这张首帧已经确认。请为 MiniMax H3 写一段可以直接复制的视频提示词。

视频 14 秒，9:16，固定机位，一个连续镜头。主角从第一秒就开始轻松跳舞。
五次换装分别使用周围五个小人，顺序由你根据位置安排。

每次换装要求：
1. 小鼠标快速点击目标；
2. 小人用约 0.3 秒飞向主角并立刻消失；
3. 接触身体时衣服已经换好；
4. 不要让放大的小人停在主角前面；
5. 主角的手臂、肩膀和重心继续运动；
6. 两次换装之间留出约 1.5–2 秒展示新衣服和跳舞。

请写清：首帧职责、完整时间轴、每段具体动作、声音和针对性禁止项。不要为了显得专业堆砌镜头术语。

六、把素材放进 H3 或 Seedance，先生成一个测试版

使用 H3 做这个穿搭例子时：

  1. 选择首帧图生视频。
  2. 只上传确认后的首帧。
  3. 画幅跟随首帧，选择 15 秒。
  4. 粘贴 Codex 生成的提示词。
  5. 先用较低分辨率生成一个测试版，确认流程以后再生成完整质量版本。

七、把生成的视频交回 Codex，让它帮你找具体错误

视频出来以后，先自己正常看一遍。只记录让你明显出戏的地方和大概时间，例如：

1
2
3
2 秒：粉色小人挡住主角太久。
5 秒：脸好像换了。
9 秒：衣服换了，但手突然回到初始位置。

然后把 MP4 发给 Codex：

1
2
3
4
5
6
7
8
9
10
11
这是刚生成的视频。请自己读取视频并抽帧检查。

先告诉我它和目标视频最明显的差别，再检查：
1. 人物脸、发型和身材有没有变化；
2. 每次转场实际持续多久；
3. 转场有没有遮住主角；
4. 手臂、重心和视线有没有突然重置；
5. 背景和镜头有没有无故变化；
6. 哪三个问题最影响观感。

区分你直接看到的问题、合理推测的原因和暂时无法确认的原因。先诊断，不要立刻重做全部素材。

这正是我们检查第一次穿搭结果时看到的情况：小人放大得太大，白色描边停留太久，画面里经常同时存在两个完整人物。

八、一次只修一个主要问题

如果最影响观感的是转场太慢，就先只改转场：

1
2
3
4
5
6
7
8
9
根据刚才的诊断，修改视频提示词。

只修复这三个问题：
- 每次飞入控制在约 0.3 秒；
- 小人接触主角身体时立刻消失；
- 换装前后的跳舞动作连续，不停下来等待对齐。

保留人物、五套服装、场景、镜头、换装顺序和总时长。
请输出一份完整的新提示词，并用三句话说明改了什么。

重新生成后，把两个版本放在一起比较。不要同时更换人物图、动作、镜头、音乐和时长，否则即使变好，也不知道是哪项修改起作用。

如果同一个错误连续出现两次，就回到上游检查首帧和动作设计。不要一直往提示词后面追加“更自然、更稳定、更高质量”。

九、多分镜怎么做

穿搭视频只有一个场景和一个连续镜头。遇到多人物、有对白、需要切换景别的剧情视频，难点会变成：人物换了镜头以后还是不是同一个，手里的东西有没有跳走，前一个镜头的动作能不能接到下一个镜头。下面用 [cuimao_reverse](

https://github.com/michaelpersonal/cuimao_reverse

) 做完整例子。这个项目拆解的是

@cuimao

“牛来”视频开头约 15 秒：一群动物外卖员吃饭，熊猫不断调侃牛，周围角色逐渐笑起来，牛从假装没听见变成准备回应。

这不是Cuimao的原始工程或原始提示词，而是根据公开视频做的教育性重建。项目里的参考图、分镜和提示词都是重新制作的。

9.1 把参考视频交给 Codex，先拆故事变化

普通用户可以先把视频链接和下面这段话交给 Codex：

1
2
3
4
5
6
7
8
9
10
11
12
13
请分析下面视频的开头 15 秒：
https://x.com/CuiMao/status/2088622639313191396

我想用原创角色学习它的多人物喜剧结构，不复制原角色设计和原始画面。

先不要生成素材。请告诉我：
1. 这 15 秒的故事变化；
2. 有几个主要角色，每个人在做什么；
3. 每次切镜头的原因；
4. 哪些人物、场景、道具和左右关系必须保持一致；
5. 如果用 Seedance 生成，需要哪些参考图片和几个关键分镜。

把结果写成普通人能确认的制作单，等我确认后再继续。

Codex 最后把这段剧情压缩成：

1
2
3
4
牛低头吃饭、看手机，假装没听见
→ 熊猫进入画面并接管对话
→ 熊猫说完笑话，熊和狐狸延迟加入笑声
→ 牛的身体变紧，准备抬头回应

这条变化比“先中景、再双人镜头、最后特写”更重要。镜头要服务谁正在掌控对话，以及喜剧压力如何升级。

9.2 让 Codex 设计参考素材包

制作单确认后，我们让 Codex 把需要的图片拆成五类：

给 Codex 的请求是：

1
2
3
4
5
6
7
8
9
10
按照确认后的制作单，为这个 15 秒多人物视频设计参考素材包。

请依次输出：
1. 牛主角角色设定图的生图提示词；
2. 熊猫、狐狸、棕熊和猴子的配角阵容提示词；
3. 所有人物在夜间外卖员休息区的群体站位图提示词；
4. 不含人物的环境空镜提示词；
5. 饭盒、面杯、两双筷子、手机、头盔、背包和外卖车的道具图提示词。

每条提示词都写清它负责锁定什么。角色使用原创设计，不要品牌文字。先生成主角和配角测试图，等我确认身份以后再生成站位图和分镜。

其中牛主角的实际提示词是：

1
2
3
4
5
6
7
创建一张原创拟人牛外卖员的制作设定图。

同一个角色以正面、四分之三侧面、侧面和背面全身出现，比例和服装完全一致；另外显示平静、压住不耐烦、惊讶和准备反驳四种面部表情。

固定身份：体格宽大的棕色公牛，宽阔口鼻，深色眼睛，稳定的弯角轮廓；黄色外卖头盔和透明面罩，黄色保温外卖夹克，深色裤子，黄色外卖背包。增加拿饭盒、筷子和手机的小动作参考。

中性纯净背景，均匀参考光，不要电影景深，不要姿势互相遮挡，不要改变角的形状、服装或身体比例，不要图片内文字。

所有图片确认后，我们把五类素材排成一张参考素材表。这样在 Seedance 里只需要上传一个 `

@Image

1`，但提示词仍然可以按区域说明每种素材的职责。

完整的六组生图提示词在 (

https://github.com/michaelpersonal/cuimao_reverse/blob/main/prompts/reference-image-prompts.md

)。

9.3 用确认后的素材生成四格分镜

人物身份和场景没有确认以前，不要做分镜。否则分镜很漂亮，但里面的角色可能已经变成另一版。

我们使用四个检查点：

  1. 群体建立：牛低头吃饭和看手机。
  2. 熊猫与牛的双人镜头：熊猫开始调侃。
  3. 熊猫特写：笑话落地，配角开始笑。
  4. 牛的反应镜头：作为下一段视频的开始状态。

给 Codex 的分镜任务可以直接这样写：

1
2
3
4
5
6
7
8
人物参考素材包已经确认。请基于同一套人物、服装、场景、道具和灯光，设计一张 2×2 四格分镜。

Panel 1：中景群像。牛在食物柜台前低头吃饭、看手机；狐狸在左侧，猴子和外卖车在后方。
Panel 2：熊猫从右侧接管画面，形成熊猫/牛双人镜头；牛始终在熊猫左边，棕熊在两人后方。
Panel 3：熊猫中近景笑着说完笑话，熊和狐狸在后方稍晚才开始笑；牛大部分离开左侧画面。
Panel 4：反打牛。牛停下吃饭，抬起视线，身体转向熊猫，准备回应。

四格必须使用已经确认的角色身份。保持牛在熊猫左侧的关系、道具归属、夜间外卖员休息区、柜台和外卖车位置。不要加入分镜文字、箭头或编号。

关键是顺序生成：Panel 2 继承 Panel 1，Panel 3 继承 Panel 2。不要让模型从文字独立生成四张毫无关系的漂亮图。

9.4 让 Codex 为每个镜头写开始和结束状态

分镜通过后，把它交回 Codex：

1
2
3
4
5
6
7
8
9
10
11
12
请根据确认后的四格分镜，为 15 秒视频建立 shot state map。

每个镜头写清：
- 时间范围和目的；
- 开始时每个角色的姿势、视线和道具；
- 什么动作触发这一段；
- 眼睛、头、手、身体和表情的动作顺序；
- 镜头结束时的准确状态；
- 下一镜头必须继承的重心、视线、道具位置和情绪；
- 这一个镜头最需要禁止的三项错误。

不要只写“自然地说话”或“保持一致”，要写可以在画面中检查的状态。

第一个镜头实际被写成：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
00:00–00:04.4｜群体建立

开始：牛坐在柜台前，肩膀收拢，低头看手机；左手拿饭盒，右手拿筷子。熊猫还没有占据前景。

动作链：
稳住饭盒
→ 筷子夹饭
→ 送到嘴边
→ 咀嚼
→ 眼睛回到手机
→ 听到调侃后只出现很小的眼神反应

结束：牛仍然低头，身体略微变紧；熊猫准备从右侧进入前景。

禁止：牛过早抬头、饭盒或手机换手、牛和熊猫左右位置翻转。

完整状态图在 (

https://github.com/michaelpersonal/cuimao_reverse/blob/main/templates/shot-state-map.yaml

)。

9.5 让 Codex 编译 Seedance 多参考提示词

参考素材和状态图都通过以后，再生成最终提示词：

1
2
3
4
5
6
7
8
9
10
11
12
现在请把已经确认的参考素材包、四格分镜和 shot state map 编译成一段 Seedance 多参考提示词。

输入：
@Image 1：参考素材包，负责人物身份、服装、相对身高、场景、站位和道具。
@Image 2：四格分镜，负责镜头顺序、构图、姿势检查点、视线和每个镜头的结束状态。

视频：15 秒，16:9，三个连续镜头。
镜头边界：约 4.4 秒和 11.2 秒。
对白使用原项目中已经确认的中文对白。
写清每个镜头的动作链、说话者、延迟反应、道具归属、镜头方向、开始状态和结束状态。

不要把四格边框、箭头或标签生成进视频。牛始终位于熊猫左侧，不得越过对话轴线。最后停在熊猫笑完、牛准备回应的状态，以便下一段继续。

最终提示词首先明确两张图的职责：

1
2
3
4
5
6
7
8
9
10
@Image 1 是权威参考素材包：
上左定义牛的脸、毛色、角、体型、头盔、面罩、夹克和背包；
上右定义熊猫、狐狸、棕熊和猴子的身份；
中左定义人物站位、相对身高、视线和道具归属；
中右定义店面、柜台、外卖车、雨棚、湿地和灯光；
底部定义饭盒、面杯、筷子、手机、头盔、背包和外卖车。

@Image 2 是四格分镜：
按左到右、上到下读取，只负责镜头顺序、构图、站位、动作检查点、视线、道具位置和每个镜头的结束状态。
不要生成分镜边框、编号、标签或箭头。

然后才写三段时间轴。比如第二段：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
00:04.4–00:11.2｜熊猫/牛双人镜头

牛保持在左侧，继续吃饭和看手机。熊猫从右侧接管前景，筷子停在面杯上方。

熊猫动作：
筷子停住
→ 眼睛先看向牛
→ 头跟随视线
→ 眉毛抬起
→ 开口调侃
→ 筷子做一个很小的指向动作
→ 手回到面杯附近
→ 说完后开始笑

棕熊在后方慢半拍才靠近。牛没有抬头，只让下巴和肩膀逐渐变紧。

结束：熊猫的问题说完并开始笑；棕熊刚开始反应；牛仍低头，但已经压住怒气。

完整 15 秒提示词在 (

https://github.com/michaelpersonal/cuimao_reverse/blob/main/prompts/seedance-15s.md

)。

9.6 实际上传到Seedance的顺序

这个项目的快速路径只上传两张图：

1
2
3
4
5
@Image 1：reference-pack-contact-sheet.png
@Image 2：storyboard-contact-sheet.png
Prompt：seedance-15s.md 中的完整提示词
时长：15 秒
画幅：16:9

上传后先确认图片编号。提示词把人物身份交给 `

@Image

1，把镜头结构交给

@Image

2`；编号错了，后面写得再仔细也没有用。

如果使用的平台无法在 15 秒内稳定执行三个镜头，可以只在 4.4 秒或 11.2 秒这种有明确结束状态的边界拆分。下一段需要同时上传上一段成片、最后一帧、人物参考和后续分镜。

9.7 用实际时间点检查成片

生成完成后，把视频交回 Codex：

1
2
3
4
5
6
7
8
9
10
11
12
13
请读取生成的 15 秒视频，正常播放一次，再在 4.4 秒、11.2 秒和 15 秒附近逐帧检查。

检查：
1. 牛是否始终在熊猫左侧；
2. 牛的饭盒、筷子和手机有没有换手、消失或重置；
3. 熊猫的面杯和筷子是否延续；
4. 谁说话时由谁动嘴；
5. 熊和狐狸是否在熊猫之后才笑；
6. 牛有没有在笑话落地前过早生气；
7. 柜台、外卖车、雨棚和夜景灯光是否保持；
8. 15 秒结束状态能否直接接到牛抬头回应。

列出具体时间和具体错误。区分直接观察、合理推测和未知。先诊断，不要用“更一致”这种泛化建议。

这三个时间点不是随便选的：

  • 4.4 秒：群体镜头切到熊猫/牛双人镜头。
  • 11.2 秒：双人镜头切到熊猫笑话特写。
  • 15 秒：要为牛的反应镜头留下明确起点。

9.8 失败以后怎样局部修

如果第二个镜头里牛的头盔和角发生变化，不需要推翻全部素材。可以这样要求：

1
2
3
4
5
6
只修复 00:04.4–00:11.2 的第二个镜头。

保持已经确认的熊猫、牛、背景、构图、对白、时间和道具位置。
牛仍在画面左侧，拿同一个饭盒和手机。
只修复牛的头盔、透明面罩和弯角轮廓，使它们与 @Image 1 完全一致。
不要改变熊猫的动作、镜头位置或场景。

如果多个镜头都出现同一张脸或同一个场景错误，就回到参考素材包修。只有一个边界坏了，才修对应镜头。问题出在哪一层，就回哪一层，不要让模型围着一条坏视频反复“提高质量”。

多分镜视频的核心仍然是这一条：前一个镜头的结束状态 = 后一个镜头的开始状态

人物身份、重心、视线、道具位置、左右关系、光线和残余动作都要一起继承。这样 Codex 才能把复杂剧情拆成普通用户可以逐步确认的几个小决定。

十、第一条视频的完成标准

第一条视频不需要证明你掌握了所有模型。满足下面几项，就算流程跑通：

  • 观众能看懂视频里发生了什么变化。
  • 主角身份没有明显漂移。
  • 参考图片没有互相冲突。
  • 每个主要动作都有开始和结束。
  • 转场没有长时间遮挡主体。
  • 生成失败后，你能说出具体时间和具体问题。
  • 图片、提示词和最终视频都保存在同一个项目文件夹。

连续做完两三条以后，再让 Codex 把你已经验证过的流程整理成 Skill。不要第一天就试图自动化一套还没有跑通的方法。