第一次用AI生成视频的人，十有八九会踩同一个坑：把一段写得很好的文案直接贴进提示词框，然后期待它变成一条片子。出来的结果往往是一堆画面在动，但你根本看不出来它想讲什么。
问题不在模型。模型只能基于你给的东西工作，而一段给人读的文案和一段给模型看的指令，完全是两种语言。文案写情绪，提示词写动作。所以这篇教程不从“推荐哪个工具”开始，从“怎么把脑子里的想法翻译成模型能听懂的东西”开始。
🛠️ 先选一个能让你开始动手的工具
不用把所有工具都试一遍。按你手头有什么、想做什么，选一个就行：
🚀 MiniMax H3
完全没有素材、想从零试一下的首选。网页直接打开就能用，选5/10/15秒，最高2K清晰度，支持文字和图片输入。零门槛，适合第一次跑通流程。
🎬 可灵 Kling
有一张产品图或人像，想让它们动起来的首选。图生视频运动质量极佳，中文理解第一梯队。免费档每天约66积分，720p带水印，够练手。
🎵 Seedance 2.5
想做带声音、多镜头的片子。支持纯文本生成，也能同时参考图片、视频和音频。字节官方提供完整提示词指南，适合进阶创作。
⚡ Agnes Video 2.5 Flash
完全不想注册、不想上传的选择。目前免费开放，支持一次输入最多5张图片和音频，适合反复试错和快速验证想法。
📝 Step 1：别写文案，写镜头表
这是整篇教程里最重要的一步。文案和视频之间，缺的不是“生成”这个动作，是一张镜头表。一行一个镜头，写清楚画面里谁在做什么、镜头怎么动、这一镜大概多长。
举个例子：你脑子里有一句文案：“凌晨的便利店，值夜班的女孩发现，每晚十二点来买关东煮的老人，今天没有来。”
直接把这句丢给模型，它大概率给你一个女孩站在便利店里的静态画面。因为“发现”和“没有来”是心理活动和时间概念，画面里没有对应的东西。
拆成镜头表，它变成了：
- 镜头1：中景，女孩在柜台后整理东西，便利店冷白灯光，3秒。
- 镜头2：特写，墙上的钟显示23:58，女孩抬头看了一眼门口，2秒。
- 镜头3：全景，门口空无一人，关东煮的锅在冒热气，镜头缓慢推近，3秒。
每一镜只放一个动作、一种运镜。拍不出来的信息，交给旁白或者下一镜的对比。
🔤 Step 2：把镜头表变成提示词
有了镜头表，写提示词就是填空。2026年主流的提示词结构已经收敛得很一致：
用上面镜头2的例子，写成提示词：
关于负面提示词：在视频生成里比图片生成更重要，因为视频多了“时间”维度。常用约束：避免肢体扭曲、避免抖动、避免画面出现文字和水印、避免风格突变。写短一点，三五个词就够。
🎯 Step 3：先跑一个“能稳定跑”的基线
第一版不要追求“好看”，追求“不崩”。
- Seedance 官方建议：第一次尝试只写一个主体、一个动作、一种运镜和一个明确结尾。完整看完视频后，再一次只改一个变量。
- 可灵实用做法：先跑低强度基线，确认三件事——人物身份有没有崩、关节过渡是否自然、构图有没有漂移。基线不稳，后面加任何效果都只是放大问题。
如果你用的是可灵，motion_score 这个参数值得单独试三档。固定参考图和提示词，只改这个值，看哪一档还能保持主体稳定，选“还能稳的最高档”。不要一上来就拉满。
🔧 Step 4：一次只改一个东西
这是区分“越调越好”和“越调越乱”的分水岭。出片之后，你可能会同时发现三四个问题。不要一次全改。一次改一个变量，你才能知道是哪个改动起了作用。
- 人物走样：先查参考图和提示词有没有打架。参考图穿黑色外套，提示词写白色连衣裙，模型会不知道听谁的。
- 动作崩：先降低动作幅度，或者把一个大动作拆成两个小动作分开生成，再剪在一起。比如把“转身回头微笑”拆成“转身停顿”和“回头微笑”。
- 冒字或冒Logo：检查参考图上有没有文字。模型有时候会把参考图上的店招文字“继承”到视频里，换成一张没有文字的参考图就能解决。
- 时长不足：先确认你设置的时长和实际生成的是否一致。有些平台的 duration 参数返回的是-1，实际时长要通过查询任务接口获取。
✂️ Step 5：把片段拼成片子
单段生成的好处是每一段都可控，坏处是段与段之间容易“接不上”。在生成每一段之前，就把目标平台的画幅定下来：
- 竖屏 TikTok / Reels → 9:16
- 横屏 YouTube / B站 → 16:9
不要生成完了再硬裁。画幅不同，构图逻辑完全不同，事后裁剪等于把有效画面砍掉一块。
声音与画面分离：如果片子需要旁白或台词，旁白和画面分两轨写。画面轨写“看得见的东西”，声音轨写“听得见的东西”。不要在画面提示词里写“她说他很累”，那是声音轨的信息。
❓ 新手一定会碰到的问题
动作太小，或者提示词里只有场景没有动作。加一个明确的动作，哪怕只是“转头”或者“伸手”，画面就会“活”起来。
这是视频生成里最顽固的问题之一。可灵的 kling_elements 参数支持给参考素材设置相同的主体名称，在提示词里用 @<subject> 引用，能在一定程度上锁定人物。分段生成时尽量用正脸或小角度侧脸作为首帧，减少模型对骨骼结构的猜测难度。
可灵免费档每天约66积分；Pika免费档每月80积分，一段5秒短片约消耗12积分。把试错放在草稿阶段，提示词想清楚了再点生成，不要用正式生成的额度去“试感觉”。
大部分免费档明确不可商用，可灵和Pika的免费套餐都带有这个限制。如果片子要用于商业项目，要么升级付费档，要么在生成前就确认清楚平台条款。
💡 最后说一句
AI视频生成这件事，工具在变，参数在变，模型在变。但有一样东西不会变：
模型只能基于你给它的东西工作，你把它想清楚了，它才能给你看得懂的东西。
从一张镜头表开始，而不是从一段文案开始。
先跑一个能稳的基线，而不是先追求好看。
一次只改一个变量，而不是一次把所有问题都改一遍。
打开你选的那个工具，把你手头最想拍的一句话，拆成三个镜头。这就是第一步。
