用 AI 做影片：提示詞就是你的影片

你花了大概 10 美金，用一句話生成了約莫 15 秒的影片，期間大概重新生成了 3 次。然後你上傳到社交媒體，或者發給朋友看看。這個行為難以為繼的是：你不知道下一次你想當導演的時候要抽幾次卡。這次幸運點花了 10 美金，下一次呢？

就算某一次你抽到一段很好看的鏡頭——畫面完整、光線也漂亮——它仍然不是一支影片。它沒有開始和結束，不知道要給誰看，也沒有聲音、字幕，更不知道下一個鏡頭該接什麼。

對於第一次或剛開始做 AI 影片的你，第一個問題應該是：「你有沒有辦法用文字，描述出模型也能『理解』的提示詞？」為了讓過程具體一點，歡迎這篇文章的主角：妙脆角貓。

AI 影片的第一步：影片生成模型完全不懂你

普通人第一次做 AI 影片，最容易犯的錯是直接把腦海中的畫面寫成提示詞。

提示詞：「妙脆角貓誤闖摩天大樓」

恭喜字節跳動、恭喜 Kling、恭喜 minimax、恭喜所有的視頻模型、算力供應商收穫了一位綁定信用卡的用戶，我們預估他抽卡的次數可以贊助 AI 影片產業鏈一個瞬間的電費。

但如果這樣寫提示詞呢？

將 img_1 貓耳朵為妙脆角的貓定義為妙脆角貓。

鏡頭 1：午後時分，img_1 妙脆角貓從黃銅旋轉門縫鑽進挑高大廳，驚慌失措地在人流之間奔跑，貓腳不斷地在拋光大理石地面上打滑。鏡頭貼地低角度跟拍，暖金色陽光穿過落地玻璃帷幕，在地面切出長條光束。

全程畫面高清電影紀實風，35mm 鏡頭質感，淺景深，輕微手持晃動，色調暖金與冷灰藍對比，光影柔和；嚴格保持 img_1 妙脆角貓的外觀、材質、配色與身體比例穩定不變形、不重新設計；全程每一幀都必須保持 img_1 妙脆角貓的耳朵為妙脆角餅乾本體，不得變回普通貓耳或長出毛髮；全片僅出現這一隻角色，維持四足行走，不擬人化直立；背景人物保持虛化，不出現清晰人臉；動作自然流暢，無卡頓無閃爍；畫面中不出現任何文字、字幕、浮水印或商標；環境音效自然。

同一隻貓、同一個想法，差別只在提示詞有沒有把模型需要知道的事說清楚：主角長什麼樣、場景在哪裡、發生什麼動作、鏡頭怎麼移動。這段提示詞不是魔法，它只是把一連串你本來就要做的決定，先用文字寫了下來。

把一個想法拆成幾個簡單鏡頭

回頭看那段有效的提示詞：它已經不是「一句話」了——裡面有主角、有場景、有動作。把這些內容從一段文字攤開成一張表，就是分鏡清單（shot list）。你別急著找模板來套，網上的模板都比不上 google sheet 方便。

「妙脆角貓誤闖摩天大樓」是一句話，而「鏡頭」則是描述這句話的工具。

鏡頭	要出現啥	會怎麼動？
1	主角和場景	妙脆角貓從旋轉門出現
2	牠越走越深入	妙脆角貓在大廳流竄
3	結尾	妙脆角貓停在電梯門前

這裡沒有複雜的劇本格式。每一列只回答一件事：你想要觀眾需要看到什麼。

如果一個鏡頭同時要貓溜進門、搭電梯、嚇到路人、再看到天際線，模型就必須替你猜事件順序。把它拆成兩到三個鏡頭，通常比再加十個形容詞有效。

拆完之後，從頭讀一次：

• 少了任何一鏡，故事還看得懂嗎？
• 兩個鏡頭是不是在交代同一件事？
• 有沒有一個鏡頭只是漂亮，但沒有推動故事？

延伸思考：給誰看？發在哪裡？

先準備參考圖和簡單分鏡，不要急著按生成

這一步只要做兩個決定：哪些東西不能讓模型每次重新發明，以及鏡頭排在一起會不會出事。 第一個決定的答案，就是你要準備的參考圖。參考圖不是越多越好，每張最好只負責一件清楚的事：

• 角色參考：妙脆角貓的臉、配色、體型與辨識特徵；
• 場景參考：大樓門口、大廳、辦公樓層與天台的空間關係；
• 氣氛參考：時間是白天還是黃昏、玻璃帷幕的反光、室內的冷暖色；
• 構圖參考：每個鏡頭大概從哪裡看、貓放在畫面哪裡。

如果同一張參考圖既要控制角色、場景、光線，又要模型模仿一個完全不同的動作，你會容易陷入編輯提示詞的地獄，不過這些模型公司會很開心就是了，抽卡反正你要付錢嘛。

第二個決定要靠一份最簡單的分鏡故事板（storyboard）。它不需要畫得漂亮，火柴人、截圖、照片拼貼都可以，你可以叫 ChatGPT 給你出故事板，先評估靜態畫面遠比直接抽卡來得重要。影片生成模型不是你，直接抽卡只會佔你信用卡額度。運氣好一次就成，運氣不好就是在轉扭蛋。

怎麼那麼多生成選項：文字、圖片與模型怎麼選？

你不必整支影片都用同一種生成方式。

如果只是探索大樓大廳長什麼樣，文字生成影片可以快速提供不同可能；如果主角外觀和構圖已經確定，先做一張參考圖再生成影片，通常比較容易控制；如果某個鏡頭已經有可用素材，也沒有理由為了「全片都是 AI」而重新生成。

三種輸入各自換到多少控制權、準備成本差多少、什麼時候該混著用，見〈第 2 篇：先決定從文字、圖片還是腳本開始〉。我們可以預期影片生成模型肯定會在未來提供越長時間的生成結果，但這並不代表你就會轉到你要的扭蛋。

最基礎的文字生影片，那就是完全交給模型控制。 圖片或影片生成影片是最容易入門的進階操作，但往往也容易陷入抽卡循環。

所以，前期的準備至關重要：

• 這一鏡必須保留什麼？
• 哪些部分可以讓模型自由發揮？
• 這一鏡最容易失敗的是人物、動作、場景，還是鏡頭？
• 什麼條件達到後，我就願意把它放進成片？

一段可用鏡頭至少要符合這支影片真正需要的條件。例如你對鏡頭 2 的設計是呈現妙脆角貓在大廳流竄，那麼背景遠處路人的細節有點模糊，可能可以靠縮短鏡頭或景深隱藏；但如果貓憑空多了一隻，或配色整個變了，這一鏡就沒有完成任務。

我們注意到一個現象，用戶對於 AI 影片的接受度很高，瑕疵反而成了 AI 影片的特色。

結果不對時：改描述、換參考圖、局部修，還是重做？

看到錯誤時，先不要立刻把整段提示詞重寫。

這一步的決定只有一個：是不是單個鏡頭承受太多事情了。你會看到社群上有人在分享他們的成果，但他們不太告訴你這個提示詞是反覆測試了多少次。

本文的妙脆角貓誤闖摩天大樓，我們測試了2個版本的提示詞、抽了8次卡！

創意的起點是動起來

把你一閃而過的念頭，直接發送給 AI 影片工具，別去學複雜的參數設定，輸入你的念頭，無腦送出開始。這個時刻，你已經是個尊貴的導演 消費者。

當模型已經把行業知識收在裡面、直接輸出成你看得見的畫面，踏入影片創作的第一步就不再是背攝影術語，也不是看完 YouTube 上的口播教學。

AI 工具的出現，終結了先學會再動手的古典範式。直接把你生成的第一支影片發給朋友看、發布到社交媒體上——先求好玩，是當代影片創作的起手式。前文提及的那些術語，是影片創作過程更好玩的「道具」，那是第二隻、第三隻的影片再開始加入的元素。先完成一支。然後再決定下一支要在哪裡做得更好。

Alchemint 也推出了 AI 影片製作工具， 免費送你故事文本以及生成一張Storyboard 故事板， 去玩玩看