AI Vlog最难的不是生成几个漂亮镜头，而是让人物真的像出去玩了一天。这次我从行程、场景、人物到镜头规划，完整做了一支象山旅行Vlog。
那么接下来，按照我的思路和步骤，你也可以做出这样的作品，一起来实操吧~
准备工具
ChatGPT https://chatgpt.com
nanobanan pro https://labs.google/fx/tools/flow/
seedance2.5/seedMusic1.0/seedream5.0pro https://jimeng.jianying.com/ai-tool/home/
Flowpix https://www.flowpix.club
倘若不知道模型怎么使用，可以参考这个教程（https://www.1ai.net/56824.html），与本教程一起使用
一、先确定Vlog故事，再准备场景、人物和道具
做 AI Vlog，我不建议一上来就开始生成视频。
和普通的 AI 氛围短片不同，Vlog 最重要的是让观众相信：
这个人物真的出去玩了一天。
所以第一步，我会先确定一个非常简单的故事和一日行程。
这次我设定的是：
女主去宁波象山玩一天。
整个路线大概是：
早晨起床 → 卧室逗猫 → 出门 → 坐轻轨 → 到达象山 → 海边游玩 → 吃饭 → 拍照 → 看日落。
不需要一开始就写成非常详细的剧本，只要先把这一天大概要做什么想清楚。
确定地点以后，人物服装也会跟着确定。
因为这次主要是在海边，所以女主的服装整体会偏轻盈、自然，更符合旅行和海边环境。
接下来就是找场景图片。
我主要是在 小红书和 Pinterest 中寻找象山相关的参考图。
这里有一个比较重要的要求：
尽量找手机拍摄的图片。
因为最终要做的是 iPhone 日常 Vlog，如果一开始找的全部都是专业摄影、电影剧照或者商业大片，后面即使加入手机运镜，也很容易产生一种广告片的感觉。
筛选图片时也不能只看它好不好看。
我会去想：
如果人物真的出现在这里，她可以干什么？
如果一个场景虽然非常漂亮，但是人物放进去以后没有合理的动作，那么它其实并不一定适合做 Vlog。
除了场景，我还提前准备了两个主要道具：
蓝色 iPhone 17 和富士 X-T30 相机。
这些小道具会让人物的行为更自然，也会增加旅行记录的真实感。
二、把所有素材处理成人物、场景和道具资产
素材找齐以后，我会把它们统一上传到 Flowpix。
不过网上找到的很多场景参考图，本身已经有人物。
如果直接拿去使用，模型很容易受到原图人物影响。
所以对于这些图片，我会先使用 Nano Banana Pro：
输入提示词：去掉左侧的人
我们的目的只是获得一个干净的场景环境，方便后面重新加入自己的女主角。
接下来再处理人物。
我先准备一张女主基础形象，然后使用 Nano Banana Pro 给人物生成一套 4视图。
四视图的作用，就是让模型更加清楚：
这个人物从不同角度到底长什么样。
提示词如下：
生成图中人物的真人形象设定四视图，灰色摄影棚背景，整体为专业真人角色定妆参考板，规整排版，干净简洁，不是海报，不是杂志大片，不要剧情动作，不要复杂场景。
整体版式严格分为上下两部分：上半部分占画面高度三分之一，下半部分占画面高度三分之二。 上方区域展示两张精细真人面部特写，左侧为正面面部特写，右侧为侧面面部特写。两张特写都以头部与肩颈为主，构图紧凑，清晰展示人物五官、骨骼结构、妆容、发型、头饰与神态。人物面部特征、发型、妆造、头部配饰必须与参考形象严格一致。皮肤质感真实自然，保留毛孔、细纹、绒毛、眉睫、碎发与皮肤受光后的细微起伏，不磨皮，不过度锐化，不做人像美容，呈现高解析真人摄影棚定妆照质感。
下方区域展示两张身体与服装参考图，左右排列。
左侧图片必须是放大后的正面服装展示图，人物采用标准 A-pose 站姿。 这一张图的重点不是完整全身入镜，而是“人物尺度明显放大”，让角色在画面中占据更大比例。 左侧图片必须使用更近距离的正面取景，人物从肩颈下方开始入画，到鞋子结束，头部因画面放大而被完整裁切到画面之外。 请注意，这张图不是普通远距离全身照，而是近距离放大的正面服装图：人物身体在画面中的占比要明显更大，上半身与下半身都要被放大展示，整体视觉效果像时装定妆板中的服装主体展示图。
人物双肩、双臂、双手、躯干、腰部、腿部、鞋子必须完整保留，画面边缘只允许裁掉头部，不能裁掉手、脚或身体主体。 左侧这张图必须比右侧背面图看起来更“近”、更“满”、更“放大”，让服装细节和身体比例更突出。 禁止把左侧图做成普通小比例全身图，禁止人物在左侧图中显得太小，禁止头部仍然留在画面内，禁止只裁掉半个头或留出下巴、嘴巴、鼻子、头发边缘。
右侧图片为背面全身图，标准 A-pose，完整展示从头部到鞋子的背面全身。人物背对镜头，完整保留背面头部、发型背部、服装背面结构、鞋子与整体轮廓，用于展示角色背面造型。右侧这张图为常规完整背面全身展示，人物比例正常，不需要像左图那样放大裁切。
下方两张图必须为同一个人物、同一套服装、同一组配饰、同一身体比例。整体保持超模感修长比例，但不要夸张变形。服装设计、布料层次、鞋子、穿搭风格、服装结构与配饰样式必须严格遵循原图。所有服装与配饰都要呈现真实物理材质质感，布料有自然褶皱、垂坠和厚薄变化，金属有真实反光，皮革、丝绸、纱质等材质表现真实自然。若原图服装为开叉长裙，则左侧正面放大图中人物可自然一条腿向前迈出半步，以展示开叉结构和露腿效果，但整体仍需保持定妆照式稳定姿态，不要做走秀动作。
光线只使用干净统一的摄影棚三点式打光：正左侧主光，正右侧辅助光，后右侧轮廓光。不要杂乱光效，不要彩色灯光，不要强氛围特效。背景为纯净灰色无缝影棚背景。
严格要求：
上方两张脸部特写占画面上三分之一。 下方两张身体图占画面下三分之二。 左下图必须是“放大后的正面服装展示图”，人物在画面中的占比明显更大，头部因近距离取景被完整裁切出画面。 右下图必须是完整背面全身图。 禁止左下图做成普通比例全身小图。 禁止左下图出现任何头部信息。 禁止左右服装不一致。 禁止人物比例漂移。 禁止 AI 油腻感、塑料皮肤感、过度美颜感、廉价 CG 感。
到这里，我们实际上已经准备好了三类素材：
人物资产
场景资产
道具资产
这一步看起来只是整理图片，但它其实决定了后面整支视频的一致性。
三、让Flowpix Agent直接规划整支Vlog
素材准备完成以后，我没有自己一镜一镜去写视频提示词。
而是直接打开 Flowpix 的 Agent 功能。
注意：这个功能是会消耗token积分的！！
然后把这一次需要使用的人物图、道具图以及所有场景图片一起选中。
在此处选择画布中的图片
接下来输入整体要求。
我这次使用的核心提示词是：
我要用AI制作一个vlog视频，以这个角色为女主角图片，用到了以下的场景，这两个是道具，分别是手机和相机（富士X-T30）。 9:16竖屏，真实iPhone日常自拍Vlog。 前摄具有真实手臂距离和轻微广角感；后摄使用0.5x、1x、2x滑动数字变焦和快速推拉。 保留轻微手腕晃动、走路起伏、自动对焦、曝光呼吸和自然运动模糊，不要稳定器般过度平滑。 帮我想一下人物在每一个场景中的画面内容、动作以及神态。 整个故事线从早晨卧室翻身起床开始，然后去卧室逗猫，然后出发坐上轻轨，后面就是Vlog的拍摄。 我希望分成2段，一段生成30秒。
Agent会自己帮你规划好每一镜的画面内容以及人物的动作和神态。
四、把规划转换成Seedance 2.5提示词并生成
Agent 把整支视频规划完成以后，就可以继续让它：
直接给我适合seedance2.5的视频提示词。
这样就不用再重新整理一次。
这次我把整个 Vlog 分成了两段。
每段大约30秒。
相较于一次生成一整分钟，我更建议拆开生成。
不然这么多元素塞进去生成的视频节奏会非常快。
视频内容提示词如下：
提示词1
镜头1（图2卧室，前摄，5秒）：清晨阳光洒进卧室，她侧躺在爱心床单上翻身，头发散在枕头上，眯着惺忪睡眼把手机举到脸旁，慵懒小声说”早安，今天要去海边”，晨光在脸上轻微曝光呼吸。
镜头2（图3客厅，前摄举高俯拍，5秒）：她蹲在黄麻地毯上伸出手指逗橘猫，橘猫甩尾不理她，她凑近镜头笑着小声说”它又不理我”，百叶窗条纹光影落在她脸上，起身时镜头自然晃动。
镜头3（图4轻轨，后摄1x，4秒）：轻轨车厢内她扶着车门扶手背对镜头看窗外蓝色海景，海风吹动长发，她回头对镜头笑，发丝扫过镜头，镜头轻推近她的侧脸。
镜头4（图5招牌，后摄0.5x仰拍，4秒）：她举着手机边走边兴奋说”到啦到啦”，镜头从下往上扫过LONELY BAR木招牌和蓝天大海，画面随步伐起伏晃动。
镜头5（图6木路牌，前摄转后摄，4秒）：前摄自拍她边走边对着镜头介绍，另一只手拨弄被海风吹乱的头发，然后手腕一翻转为后摄1x对准沙滩木路牌停留一秒。
镜头6（图7秋千，后摄1x推2x，4秒）：她坐在海边秋千上背对镜头轻轻荡起，裙摆和长发被海风吹起，镜头从中景缓推到她背影特写。
镜头7（图8大桥，前摄，4秒）：她倚着石栏杆自拍半身像，身后是松树与跨海大桥，她歪头对镜头眨眼微笑，举起胸前的富士X-T30对镜头示意。
提示词2：
镜头1（图2岩石泳池，后摄0.5x推1x，4秒）：她沿绿松石色水池边走，水面波光反射在裙摆上，她用手遮阳光回头对镜头喊”这里也太出片了”，镜头跟随脚步自然晃动。
镜头2（图3海边茶座，固定自拍，4秒）：她把iPhone立在八角桌上入镜，坐在黑色木椅上双手托腮，安静看向滩涂养殖架放空两秒，然后转头对镜头温柔一笑。
镜头3（图4美食，后摄1x俯拍，4秒）：她手举HEYA冰饮对着镜头碰杯，镜头扫过炸物拼盘和拌面，画外音”先吃哪个呢”，随后切前摄自拍她咬下一口炸物满足地眯起眼。
镜头4（图5风铃走廊，前摄走路，4秒）：她走在贝壳风铃下的木走廊，边走边对镜头说”这家店每个角落都好拍”，抬手轻拨头顶风铃，风铃轻晃。
镜头5（图6HEYA COFFEE，后摄1x推2x，4秒）：她站在水池边举起富士X-T30认真取景拍照，然后转身对iPhone镜头开心比耶。
镜头6（图7晚霞，后摄0.5x，3秒）：她侧脸剪影对着粉橙色晚霞的海面，轻声感叹”这个晚霞也太治愈了”，渔船从画面右侧缓缓划过。
镜头7（图8日落栈桥，后摄1x快速推拉，4秒）：金色夕阳下她沿灯笼栈桥向镜头小跑几步，张开双臂转半圈，裙摆飞扬，逆光剪影大笑。
镜头8（图9码头，前摄，3秒）：她倚着木栏杆，脸颊被夕阳染成金色，对镜头挥手说”今天就到这啦，下次见”，然后伸手遮住镜头，画面渐黑结束。
有了内容提示词还不够，还需要资产标注，以及画面质感提示词
画面质感提示词如下：
【画面质感】真实iPhone日常自拍vlog。前摄具有真实手臂距离和轻微广角感；后摄使用0.5x、1x、2x滑动数字变焦和快速推拉。保留轻微手腕晃动、走路起伏、自动对焦、曝光呼吸和自然运动模糊，不要稳定器般过度平滑。
并且女主角需要做一定的描述
女主角严格以图1为准：棕色长直发、右鬓透明百合花发夹、蓝白碎花吊带长裙、四叶草吊坠项链、钻饰手链、白色粗跟凉鞋，淡妆清透。全程手持图9的浅蓝色iPhone拍摄，胸前挂图10的银色富士X-T30相机。
生成时，我会把这一段需要使用的：
人物图 + 场景图 + 手机图 + 相机图
一起连接到 Seedance 2.5 视频模型。
这里一定要注意一个细节：
提示词中的图片引用顺序，要和实际上传图片的排列顺序对应。
比如提示词中：
图1是人物。
图2是卧室。
图3是海边。
图4是手机。
那么模型输入端也必须按照同样的逻辑排列。
如果图片顺序和提示词引用对不上，很容易出现人物拿错道具、场景识别错误，甚至镜头内容完全混乱。
所以每次正式点击生成之前，我都会再检查一次图片顺序。
五、剪映删掉穿帮镜头，再补片头和片尾
视频生成完成以后，我会统一导入 剪映。
这里第一件事情不是加特效，也不是调色。
而是：
删掉不能用的部分。
AI 视频很难保证每一个镜头、每一秒都完全正确。有时候人物本身正常，但是道具发生变化。
这种情况我一般不会硬留。
直接删掉。
在基础剪辑完成以后，我又单独做了一个片头和一个片尾。
这样一来，整支视频就形成了比较完整的时间线：
早晨起床 → 出发 → 旅行 → 游玩 → 日落结束。
如果只把中间生成的镜头直接拼在一起，它更像是一组 AI 旅行素材。
但当人物拥有明确的一日行程，再加上片头和片尾以后，观众才会真正产生一种感觉：
她好像真的去象山玩了一天。
总结
这次 AI Vlog 的整个制作流程，其实可以浓缩成五步：
确定一日行程 → 准备人物、场景和道具 → Agent规划Vlog → Seedance 2.5生成 → 剪映筛选成片。真正影响最终效果的，并不是某一句特别复杂的提示词。
而是你有没有提前把：
人物是谁、去了哪里、带了什么、今天做什么、镜头怎么拍
这些事情想清楚。
当人物、场景、道具和故事线都准备好以后，AI就不只是随机生成一些漂亮的旅行画面。
而是在按照你设计好的一日行程，完成一支真正有开始、有过程、也有结束的 AI Vlog。