用 AI 生成了 20 多条人物视频后，我发现一个残酷的真相：提示词写得再好，模型也只是在"尽力配合"，而不是"精确执行"。

这篇把两周实测中 7 个最有价值的结论一次讲透：从提示词写作、首尾帧锚定，到后期晃动配方。每个结论都是"现象→原因→解法→验证"四段式，附可直接复制的参数。

先说结论：提示词只能引导，不能保证

这是最重要的认知，没有之一。

我用完全相同的提示词（含 no blinking 约束）生成了 v7 和 v8 两个版本： - v7：10 秒零眨眼，完美符合要求 - v8：一次自然眨眼，无视了约束

原因：扩散视频模型是概率采样，不是确定性渲染。提示词影响的是概率分布，不是硬约束。no blinking 只是把"眨眼"的概率压低，不是归零。

解法： - 重要镜头多抽几次，择优选用（我一般抽 3-4 条选最好的一条） - 10 秒长镜头切成三段，逐段挑选 - 真的需要精确控制（比如眨眼次数必须为零），换参数化路线：FaceFusion 的 eye_open_ratio、3D 虚拟人

验证：v7/v8 对照实测，同一提示词不同结果，确认是概率行为非 bug。

记住这句话，后面所有技巧都是在这个认知框架下的"概率优化"，不是"精确控制"。

工具环境

模型实测规格（2026-10-16 实测）： - 每段约 10 秒，自带按提示词生成的音频 bed（非静音） - 各段分辨率可能不一致（如 608×1376 vs 720×1280），拼接前必须统一 scale+crop - 人物参考图每段必传，一致性才稳

结论一：提示词通用骨架——六段式

现象：网上提示词教程五花八门，不知道按什么顺序写。

原因：没有结构化的写作框架，东拼西凑容易漏掉关键约束。

解法：用六段式骨架，顺序固定：

[人物] + [动作] + [环境] + [运镜] + [质感] + [否定约束]

举例（白墙自拍，实测通过）：

[人物] 年轻亚洲男性，短发，穿白色T恤
[动作] 对着镜头微笑，头部保持静止
[环境] 纯白墙面背景，柔光
[运镜] 固定机位，中景
[质感] 电影感，浅景深
[否定约束] Avoid: mouth opening, sighing, camera shake, background change

验证：白墙自拍 4 段、轮渡复刻 2 条，均用此骨架一次通过。

结论二：首尾帧锚定——同一张图用两次的技巧

现象：图生视频时，想让首尾构图一致，但传两次相同图片路径会报错 duplicate input file path。

原因：模型做了输入去重校验，相同路径被判定为重复输入。

解法：把同一张图复制一份换文件名，分别作为首帧和尾帧传入：

cp 首帧.png 尾帧.png

# 顺序：[image(首帧), text, image(尾帧)]
media.generate_video([
    {"image": "首帧.png"},
    {"text": "人物保持静止，眨眼自然..."},
    {"image": "尾帧.png"}  # 同一张图，不同文件名
])

验证：咖啡馆 v6/v7/v8/v9、阳台 v1-v6 均用此法，构图锁定稳定、眨眼自然、无背景加料。

适用场景：图生视频保真度要求高的镜头；首尾构图需一致的短视频。

结论三：多余动作要单独点名——模型不会自己收敛

现象：v8 提示词锁了眼睛、头部、姿势，唯独没提嘴，结果模型加了约 1 秒的叹息。

原因：模型不会"举一反三"。你约束了 A、B、C，它不会自动推导出 D 也不该动。没提到的部位，模型认为是"自由发挥区"。

解法：每个可能异动的部位都要单独点名：

# v9 修正版（10 秒零叹息）
lips remain gently closed with no mouth movement
Avoid: mouth opening, sighing, lip movement

验证：v8（未约束嘴部）→ 有叹息；v9（单独约束嘴部）→ 10 秒零叹息。对照实测通过。

推广：眉毛、肩膀等部位如有异动，同理单独点名。写提示词时做"部位扫描"：眼、眉、嘴、头、肩、手、身体、背景，逐个确认是否需要约束。

结论四：breathing 会被具象化成叹气

现象：v8 提示词写了 only soft breathing，结果得到约 1 秒的叹息。

原因：模型把 breathing 理解成"可见的呼吸动作"（叹气式呼气），而不是生理性的无感呼吸。英文词在模型的 latent space 里关联的是"动作"，不是"状态"。

解法：三选一 1. 换成 breathing imperceptible（强调不可感知） 2. 直接删除，只留 holds still 3. Avoid 列表加 breathing motion

验证：阳台 v4/v5/v6 批量三版测试，改法后均无叹息。

教训：提示词里的每个词都要想一下"模型会怎么具象化它"。抽象词（breathing、natural、soft）是重灾区，能用具体描述就不用抽象词。

结论五：晃动后置——别让模型演手持

现象：想要 Live 实况的手持感，直接在提示词写 handheld camera，结果模型运镜漂移、背景加料，完全不可控。

原因：回到第一个结论——模型对运镜的控制是概率性的。手持晃动这种高频细节，模型根本做不到精确。

解法：生成时用 locked 相机只管保真，后期用 ffmpeg 加可控晃动：

# 配方：先放大 1.03 留余量 → 微旋转 → 动画裁剪窗口 → 回到原尺寸
# 672×1216 示例
ffmpeg -i input.mp4 -vf \
  "scale=690:1236,\
   rotate='0.0015*sin(2*PI*t*0.7)':fillcolor=black,\
   crop=672:1216:x='9+3*sin(2*PI*t*0.8)+1.5*sin(2*PI*t*2.17)':y='10+2.5*cos(2*PI*t*1.13)+1.2*cos(2*PI*t*2.71)'" \
  -c:a copy output_shake.mp4

关键细节： - 正弦频率用不成整数倍的组合（如 0.8/2.17），避免机械感 - 换分辨率按比例缩放振幅（832×992 已验证等比参数） - 先放大再裁剪，全程无黑边

验证：v7-shake、v9、阳台 v2/v3/v5 均验证通过——幅度频率精确可调、零漂移、模型无加料机会。

适用场景：AI 生成 Live 实况视频要手持感；模型运镜不可控、易漂移加料时。

结论六：多段拼接前必须统一分辨率

现象：4 段视频直接 ffmpeg concat，报错或画面跳动。

原因：各段分辨率不一致（实测：608×1376 vs 720×1280）。模型每段是独立采样的，不保证分辨率一致。

解法：拼接前统一 scale+crop 到同一尺寸：

# 先统一到 720×1280
for f in v1.mp4 v2.mp4 v3.mp4 v4.mp4; do
  ffmpeg -i $f -vf "scale=720:1280:force_original_aspect_ratio=increase,crop=720:1280" -c:a aac ${f%.mp4}_uniform.mp4
done

# 再拼接
ffmpeg -f concat -safe 0 -i list.txt -c copy final.mp4

验证：白墙自拍 4 段拼接成片实测通过。

结论七：时长也只能引导——用 ffmpeg 精确截取

现象：v9 提示词写了 3 秒，模型给了 10 秒。

原因：同结论一，时长也是概率采样。模型有个"默认时长偏好"（约 10 秒），提示词的时长要求只是弱引导。

解法：接受 10 秒的默认值，用 ffmpeg 精确截取需要的片段：

# 从第 2 秒开始截 3 秒（无重编码，速度快）
ffmpeg -ss 2 -i input_10s.mp4 -t 3 -c copy output_3s.mp4

# 需要精确到帧时重编码（避免关键帧断裂）
ffmpeg -ss 2 -i input_10s.mp4 -t 3 -c:v libx264 -crf 18 -c:a aac output_3s.mp4

验证：v9 的 10 秒成片用 -ss 2 -t 3 截取，3 秒片段流畅无断裂。

总结

1. 提示词只能引导，不能保证——这是所有技巧的认知基础，重要镜头多抽几次择优
2. 六段式骨架：[人物]+[动作]+[环境]+[运镜]+[质感]+[否定约束]，顺序固定不遗漏
3. 首尾帧锚定：同一张图复制改名，绕过 duplicate 校验，构图锁定
4. 多余动作单独点名：模型不会举一反三，没提到的部位就是自由发挥区
5. 警惕抽象词：breathing 会被具象化成叹气，能用具体描述就不用抽象词
6. 晃动后置：生成时锁死相机保真，后期 ffmpeg 加可控晃动，附可直接复制的配方
7. 拼接前统一分辨率：各段分辨率可能不一致，先 scale+crop 再 concat

以上，全文完。

最后认识一下，我是 Liyu，一名 AI 实践爱好者，会不定期记录我的学习过程，期待你的关注和分享。