用 AI 做影片：先決定從文字、圖片還是腳本開始

想做 AI 影片時，往往是2種工具幫助你

• 文字生成影片；
• 參考素材生成影片；

對創作者真正重要的差別是：你準備交給模型多少決定，又有哪些事情必須由自己先固定。

只有一句文字時，模型要替你決定角色、場景、構圖和動作；先準備一張圖片，你拿回了外觀和構圖的控制，但也限制了畫面從哪裡開始；交出完整腳本，工具可以協助拆段、配音和組裝，但你仍然要判斷它選的鏡頭是否真的在講你的故事。

所以問題不是「哪一種功能最好」，而是「我手上已經有什麼，這支影片最不能失控的是什麼」。

如果你還沒完整做過一支影片，可以先讀〈第 1 篇：從生成片段到真正能發布〉走完一輪，再回來處理「每一鏡該用哪種輸入」這個更細的問題。

這次我們來給妙脆角貓去到遠方：火車站。

文字生成影片：模型就是導演，你只是出錢的製片人。

文字生成影片最適合的場景就是純粹好玩 你不差錢。

你可以輸入：

空蕩的雨夜車站，妙脆角貓孤零零的在候車月台兩眼無神的望著月台，鏡頭從月台開始左搖到妙脆角貓，寫實電影感。

但是當你想要多加鏡頭或者切鏡，你就要祈禱模型會用同一個車站、同一隻妙脆角貓。

不過如果你能接受：

• 人物外觀每次不同；
• 商品細節被重新設計；
• 重要物件出現在錯的位置；
• 動作、光線和運鏡同時由模型自行決定。

文字生成影片適合用作靈感起爆劑，創意往往是看到畫面才開始誕生。但「這個想法可以長什麼樣」，不一定適合直接回答「我要的那一鏡能不能精準完成」。

我才是導演，我要使用圖片或影片來引導模型

我們選擇妙脆角貓作為系列的主角，是對模型能力的考核。模型能理解也能畫出貓，但是當提示詞寫了妙脆角貓，也寫了耳朵是妙脆角的時候，模型得去推理妙脆角是什麼。與其一直解釋，不如給他圖片。

你也會在社群上看到 AI 生成的武打片段，可是實際上要你真的用文字描述出武打動作，這個比你寫小作文紀念分手還難。

將 img_1 貓耳朵為妙脆角的貓定義為妙脆角貓A。

將 img_1 貓耳朵為妙脆角的貓定義為妙脆角貓B。

空蕩的雨夜車站，img_1 妙脆角貓A與 img_1 妙脆角貓B在空無一人的月台上，對視著彼此，彼此互相試探。以他們為主體，鏡頭環繞。切換到中景，img_1 妙脆角貓A對 img_1 妙脆角貓B揮出一拳。

使用參考圖或者影片，是你要承接角色、鏡頭、動作等更細膩的控制。

你使用的參考素材越好，模型才能更有效的幫助你。所以選圖不能只問「這張漂不漂亮」，還要問：

• 它適不適合接下來的動作？
• 畫面外需要被補出的資訊多不多？
• 角色、物件和背景有沒有互相遮擋？
• 參考素材要解決什麼問題？

這就是為什麼系列文章的第一篇的妙脆角貓圖片是白色，因為我們要讓模型專注在理解那張圖片中的妙脆角貓。

腳本生成影片：這個選項未來可能會釋出

先講結論：腳本生成影片就是影視工業已經跑了一百年的工作流。

沒有導演會拿著一句話去拍片。開拍之前，一支片會先被拆成段落、再拆成鏡頭，每一鏡標好景別、運鏡、時長、這一鏡發生什麼、誰說了什麼。這張表叫分鏡表（shot list），第 1 篇你已經做過一張，只是那時沒有展開講它為什麼要長成那樣。

所謂的「腳本生成影片」，做的就是把這張表搬進工作台，讓你逐格把決定填進去。

真正該理解的是接下來這件事——你填完的那些格子，最後會被機械地編譯成一段提示詞，再送進模型。 你以為自己在寫劇本，其實你在寫提示詞，只是被拆成了你和模型都不容易弄錯的欄位。

所以介面長什麼樣不重要。它可以像劇本編輯器、像時間軸、像一份 Google 試算表，但下游那一端從來沒變過：模型只讀得懂你給它的那段文字和那張圖。表單的價值不在於它比較聰明，而在於它逼你把該決定的事先決定完——你不會忘記交代景別，不會漏掉運鏡，也不會拍到第三鏡才發現自己從沒決定過這一段要多長。

至於那段提示詞到底該怎麼組織——哪些字真的有用、哪些字只是安慰劑、模型實際讀進去的是什麼——那是另外一篇的事了。

真正要比的是準備時間、重抽、控制力與剪輯量

「生成比較快」不等於「完成比較快」。

比較項目	文字生成影片	圖片生成影片
前置準備	通常較少	需要先做或選圖
模型自由度	高	中，受起始畫面限制
角色／商品控制	較容易漂移	參考圖清楚時較可控
動作控制	主要靠文字	受起始姿勢影響
後續整理	可能需要大量選片	需要管理多張 reference

這張表不是排名。你的任務如果是探索視覺，模型自由度高可能是優點；任務如果是商品影片，外觀漂移就可能直接讓鏡頭不能用。

比較的終點應該是「哪條路讓我用最合理的準備和修正，完成這支片」，不是「哪個按鈕最快吐出影片」。

模型也沒那麼不聽話，前提是你判斷的出哪裡出問題

一支影片不需要忠於單一輸入方式。

雨夜車站可以這樣做：

1. 用文字生成影片或文字生成圖片，探索車站氣氛與畫面方向；
2. 選出主角、服裝和場景，整理成角色與場景 reference；
3. 依 storyboard 做每個鏡頭的起始圖，再用圖片生成影片完成動作；
4. 把腳本當成整體敘事和字幕／旁白依據，而不是要求工具一次生成全片；
5. 最後在剪輯時間軸裡重新決定鏡頭長度、聲音和順序。

這種混合做法看起來多了步驟，但每一步只處理一種問題。當角色不對，你回去檢查角色圖；動作不對，修改該鏡提示詞；故事節奏不對，回到腳本和剪輯，而不是把全部素材重做。