1. 一个词把整张图带沟里
你让 AI 画「一个人戴着护士帽」,它多半连护士服和医院走廊一块给你画出来。哪怕你改成「不戴护士帽」,医院背景还是阴魂不散。同理,提了安全帽就出工地,提圣诞帽就出圣诞树,提厨师帽直接进后厨。光加否定词没用,只要那个词出现了,模型脑子里捆绑好的那套场景就会跟着往外蹦。
视频里管这叫「提示词污染」。说白了就是模型训练时见多了固定搭配,看到某个词就条件反射把整套全家桶端上来。
最搞笑的是画「男生在地铁里用手机打游戏」。按理说人看手机,屏幕应该冲着自己脸;但因为你写了「打游戏」,AI 觉得必须让观众看见游戏画面才算交差,结果画出来的人全都把手机反着拿,屏幕直勾勾对着镜头。
2. 别写目的,直接写动作和姿势
遇到这种死心眼的联想,最管用的办法是把「干什么」删掉,直接写眼睛能看到的姿势:
一个男生在地铁里,双手横向拿着手机。
把「打游戏」换成「双手横向拿着手机」,AI 不用再费劲向你证明手机上在跑游戏,拿手机的手势一下就正常了。
画身材也是这个道理。你想让一个穿着衣服的人看着身材好,要是直接写「八块腹肌」,AI 为了把腹肌画出来,往往直接把人衣服扒了或者掀起来。改成「肩宽腰窄」,它就会乖乖画隔着衣服透出来的体型。
还有「男生在电脑前修图」,也很容易画出显示器正对观众、人扭着脖子看的诡异构图。原视频试了个挺邪门的招:直接写「看向显示器背面」。听着不像人话,但测下来还真能把显示器方向掰回来。不过这种邪门写法留着救急就行,平时还是先把人、屏幕和镜头的朝向直接交代清楚。
3. 背影和视线拆开写
写「宇航员背对镜头望向地球」的时候,经常抽出来半侧身甚至转头露脸的图。
仔细想想也合理:「背对镜头」要画后背、氧气背包和后脑勺;但「望向」这个词又在催模型画眼睛、面罩和正脸。两个要求拧在一起,模型只好折中画个扭头侧身。
直接把「望向」删掉,拆成两句纯画面描述就老实了:
一个宇航员站在月球上,背对着镜头。
远方的太空中悬浮着一颗地球。
镜头里只要有宇航员的后背和远处的地球,观众自己会脑补他在看地球,根本不用你在提示词里强调眼神。
4. 想切近景,就多写近处才看得清的细节
光在提示词里写「特写」「拉近镜头」,有时候模型根本不理你。这时候不如直接写那个距离下能看清什么零件。
比如想拉近拍宇航员上半身,就写胸前的维生装置、面罩反光、宇航服的缝线;真要想切到脸部大特写,就只写面罩和五官,别再把全身装备和远处背景写得太重,不然画面重点又打架了。
| 想要的景别 | 提示词里重点写的部位 |
|---|---|
| 近景 / 半身 | 胸前设备、面罩、衣服缝线 |
| 脸部特写 | 面罩、五官 |
| 俯拍 | 头顶、肩膀、氧气瓶、顶部接头 |
「特写」「中景」这些词照样可以留着,但出图不对劲的时候,把对应视角下该露出来的细节补上去,比复读十遍镜头词管用得多。
5. 模型底层大概在干嘛
一张图拆到底就是一堆数字,视频就是连着的好多张图。随便乱填数字出来的只能是雪花噪点,生成模型干的事,就是从一团随机噪点开始,照着你给的文字提示,一轮轮把噪点往「像人话的画面」上修。
像平时常见的扩散模型,训练时是先往好图里加噪点,让模型猜加了多少;生成时反过来,从纯噪点一步步去噪。为了省算力,一般也不会直接算原图像素,而是先用 VAE 压成体积小得多的潜空间表示,算完了再解码回画面。现在视频模型里常听到的 DiT(用 Transformer 结构的扩散模型)或者流匹配,大框架也是在这个路子上变出来的。
6. 到了 AI 视频,为什么越具体的活越容易翻车
你让模型「生成一段太空大战」,飞船怎么摆、哪艘先炸、镜头怎么晃,其实怎么画都行。只要看着热闹像打仗,观众就能接受。
但反过来,你让它拍一个人在屋里坐着,要求一字不差念完一句台词,嘴型、手势还得挨个卡在时间点上,这就抓瞎了。看着场景简单,可只要嘴型歪一下、手指比划错一秒,整条视频就废了。
原视频用「解空间」来形容这事:太空大战合格的答案有一万种,怎么抽都能中;对口型做科普动画合格的答案就那么一两种,稍微偏一点就穿帮。画面简不简单是一回事,容错率高不高是另一回事。
7. 给参考图能救一部分,但救不了卡点
现在像 Seedance 2.0 这类模型支持塞参考素材:几张图定死角色长相,一张图定背景,再塞一段视频定动作。文字说不明白的长相和走位,拿图和视频一垫确实准多了。
但这依然解决不了「严丝合缝卡时间点」的活。像边说话边伸手指一二三数数,或者做科普动画让图形跟着旁白走,声音、数字和动作只要错开半拍,意思就全乱了。
这种要求死板的活,真没必要死磕一锅端抽卡。要对口型就先出语音再单独套口型工具;要精准的科普动画,老老实实用代码或者传统软件K帧。能拆开用确定性工具干的活,别全指望模型一口气蒙对。
8. 平时自己做东西的取舍
现在自己改提示词,基本就按画面抓虫:手机拿反了就改握法,人死活不转过去就删掉关于脸和眼神的词,镜头拉不近就补局部零件描写。每次只改一个地方,才看得出来到底是哪句话在捣鬼。
放到实际做视频里,像有声书背景、气氛空镜、或者需要大场面撑一下的地方,怎么好看怎么来,用 AI 抽卡挺省事。但要是做正经讲东西的演示、或者卡死剧情因果的镜头,千万别先抽一堆图再顺着图去改剧本——那样做出来的东西,一看就是被素材牵着鼻子走的。
参考文献