做一张好看的AI图片并不难，生成一个不错的5秒镜头，现在也越来越容易。
真正困难的是，当一个人物需要连续出现十几个镜头，当故事从室内走到室外，当人物开始换衣服、受伤、说话、和其他角色互动以后，画面还能不能保持稳定。
很多人遇到这些问题，第一反应都是继续修改提示词。
人物变脸，就增加更多外貌描述；场景改变，就把环境写得更详细；声音不稳定，就重新上传参考音频。
但项目越长，你越会发现：
提示词写得更长，并不代表AI理解得更准确。
真正有效的方法，是先把一个复杂的视频项目拆成几种可以反复调用的资产，再让提示词负责调用和控制这些资产。
这一节我们就从 人物、声音、场景和提示词 四个部分，把这套方法完整讲清楚。
一、人物一致性：不要只做一张三视图，要建立人物资产
制作AI视频时，人物几乎是最容易发生变化的部分。
尤其进入中景、全景或者多人镜头以后，经常会遇到脸型变化、五官漂移、身材比例改变、服装细节丢失等问题。
很多人会觉得，是不是三视图做得不够详细。
于是开始往同一张图里不断增加内容：
正面、侧面、背面、人物头像、表情、服装细节、道具……
极其繁杂的人物图
看起来信息越来越多，但对于AI来说，不一定更容易读取。
因为一张参考图的面积是有限的。
如果三个人物视角全部挤在一张图片中，每张脸在整张参考图里的占比就会非常小。
生成近景时可能还看不出明显问题，但一旦进入全景或者复杂镜头，AI能够获得的准确面部信息就会减少，只能自己补充。
人物自然更容易发生变化。
更稳定的方法，是把“脸”和“身体”分开
可以把人物资产简单理解成两个部分。
第一部分负责人物长什么样。
准备一张清楚的面部参考，让脸在画面中的占比足够大，重点锁定脸型、五官比例、眼睛、鼻子、嘴巴、肤色、发型和发际线。
来源于higgsfield 人物参考图中的面部参考
第二部分负责人物身体和服装。
单独准备全身参考，重点控制身高、肩宽、腰身、四肢比例、服装轮廓、鞋子以及服装前后结构。
来源于higgsfield 人物参考图中的全身参考
一份参考素材只负责一个主要任务，AI反而更容易理解。
这也是做AI视频时非常重要的素材思路：
不是参考图越多越好，而是每一张参考图的职责越明确越好。
同一个人物，还要提前准备不同剧情状态
人物资产也不能只停留在“标准三视图”。
因为真正进入剧情以后，一个人物很少能够从头到尾保持完全相同的状态。
例如一场动作戏可能经历：
正常状态 → 衣服沾灰 → 面部受伤 → 衣服破损。
或者剧情中还会出现换装、淋雨、衰老、战斗、变身等变化。
如果每一次生成时才告诉AI：
“保持这个人物不变，但是现在让他受伤。”
模型就需要重新推导一次这个人物受伤以后应该是什么样子。
生成次数越多，随机性越高。
所以更稳妥的方法，是把重要剧情状态提前做成独立人物资产。
例如：
角色A｜正常状态
标准发型、标准服装、面部干净。
来源于higgsfield
角色A｜重伤状态
来源于higgsfield
角色A｜换装状态
人物面部、发型和身体比例不变，只替换剧情中的服装。
来源于higgsfield
之后生成具体镜头时，直接调用对应状态。
这样做，本质上是在把原本需要AI现场判断的问题，提前变成已经确定好的素材。
人物一致性的关键，不是把一个角色描述得越来越长，而是提前把这个角色拆得越来越清楚。
二、声音一致性：不要只固定音色，还要固定“怎么说话”
人物解决以后，第二个容易发生变化的是声音。
很多人现在做角色声音，会准备一段参考音频。
这种方法确实可以让不同镜头中的音色接近。
但如果制作的是连续剧情，你会慢慢发现：
同一个人物虽然听起来还是那个声音，说话方式却可能完全不同。
原因就在于：
音色只是声音一致性的一部分。
一个真正完整的角色声音，至少还应该包含：
音高、语速、停顿习惯、情绪变化、说话力度、口音以及语言习惯。
因此制作重要角色时，可以在参考声音之外，再固定一段文字版声音说明。
例如：
清冷低沉的青年男声，音色干净温润，语速平稳，咬字清晰，情绪克制，带一点疏离感与贵气，不厚重、不沙哑。
复制
注意，这里没有描述一句具体台词。
描述的是：
这个人物平时是怎么说话的。
以后无论人物说什么台词，都可以继续调用这一套声音设定。
声音资产还需要提前测试
写完声音设定以后，不建议马上开始生成整部视频。
可以先准备几句不同类型的测试台词。
三、场景一致性：先让AI看懂空间，再安排人物怎么演
场景一致性的问题，和人物其实非常相似。
很多人做场景设定图时，第一个要求通常是：
“我要一个很好看的电影场景。”
但对于AI视频来说，一张很好看的图，不一定是一张很好用的场景参考。
因为场景参考还有一个非常重要的任务：
告诉AI这个空间到底是什么结构。
例如同样是一个客厅。
如果完全正面拍摄，画面可能非常工整，但是AI只能看到一面墙。
左边有什么、右边有什么、沙发前后距离是多少，都不明确。
如果使用略微侧面的 3/4角度，情况就会完全不同。
画面可能同时看到：
左侧窗户，床位。右侧俩个床位。
空间的纵深和物体之间的位置关系都会更加明显。
AI也就更容易判断人物应该站在哪里。
所以做场景参考图时，不要只考虑：
这一张好不好看。
还要考虑：
这一张能不能让AI看懂整个空间。
场景复杂时，给AI设置一个固定参照物
除了场景角度以外，还有一个非常好用的方法：
在场景里找一个明显的固定物体。
例如：
一根柱子。
一张黄色沙发。
一盏落地灯。
一张长桌。
一棵大树。
之后写人物位置时，不要一直使用“左边、右边、房间中央”这种比较抽象的说法。
假设房间里有一张黄色沙发。
第一镜可以写：
人物站在黄色沙发左侧约一步的位置。
下一镜：
人物从黄色沙发左侧向右移动，从沙发前方经过。
再下一镜：
人物停在黄色沙发右侧，转身面对另一名角色。
这样三个镜头都围绕同一个固定参照物展开。
这张沙发实际上就变成了这个场景里的一个“坐标”。
AI不需要每次重新判断人物到底在哪里。
多人场景，再增加一张“空间地图”
当一个场景里只有一个人物时，其实没有必要写得特别复杂。
但如果同时出现三四个人，只写：
“几个人站在房间中交谈。”
站位就很容易发生变化。
这时候可以先在提示词最前面写一段简单的空间说明。
例如：
画面中央偏后是一扇通向室外的大面积玻璃门，左右两侧是橙棕色窗帘；右侧区域是一组黄色L形沙发，沙发前方摆放圆形茶几，右后方是一整面木质百叶窗；左侧是单人椅和矮柜，前景还摆放着坐垫和小凳。
复制
这就是最简单的文字版空间地图。
确定完位置以后，再写具体镜头：
higgsfield的提示词
角色A站在黄色沙发左侧，靠近玻璃门的位置；角色B坐在黄色沙发右侧；角色C站在左侧单人椅附近。圆形茶几始终位于沙发前方，作为整个客厅中央的固定参照物。
人物就不会再漂浮在一个抽象空间里。
如果人数更多，还可以在正式进入近景以前，先给一个很短的全景。
不用很长，一秒左右就可以。
先让观众和AI都看到：
谁在左边。谁在右边。谁坐着。谁站着。
然后再进入近景、中景和过肩镜头。
这样后面的空间关系会稳定很多。
所以场景一致性可以记住一个非常简单的顺序：
先建立空间 → 找固定参照物 → 确定人物站位 → 最后再设计镜头。
四、提示词怎么写：少用抽象形容词，多写可以被看见的关系
人物、声音和场景都准备完成以后，最后才真正进入提示词。
而这里最容易犯的错误，就是认为：
提示词越长、形容词越多，效果就越好。
例如想表现一个巨大的怪物，很多人会写：
“一个极其巨大、非常高大、拥有强烈压迫感、震撼、宏伟的怪物。”
看起来描述很多。
但真正能告诉AI怪物有多大的信息，其实只有一个：
很大。
问题是，“很大”究竟是多少？
AI并不知道。
所以相比抽象形容词，模型往往更容易理解具体关系。
例如可以改成：
女主站立时头顶仅到它爪子大小，怪物单只脚掌的宽度接近人物身高。
这时我们没有一直强调“巨大”。
但观众一定能感受到巨大。
因为画面里出现了清楚的比例关系。
这个方法还可以用在很多地方。
不要只写：
两个人距离很远。
可以写：
两个人之间相隔一张长餐桌的距离。
不要只写：
门很窄。
可以写：
人物必须侧身才能通过，肩膀几乎贴近两侧门框。
不要只写：
人物非常疲惫。
可以写：
人物停下后双手撑住膝盖，上半身明显前倾，连续快速呼吸，抬头时动作缓慢。
AI更容易理解的是：
可以直接画出来的东西。
“真实感”也是一样
很多提示词为了增加真实感，会不断增加：
真实。超真实。电影级。照片级。写实质感。
这些词当然有作用，但真正决定一个物体是否看起来真实的，往往是它有没有遵守现实中的物理规律。
例如我们需要人物身上出现黏液。
普通写法：
人物身上覆盖着非常真实的黏液。
模型知道要有黏液。
但这个黏液可能就像一层塑料贴在人物身上。
如果换成：
半透明黏液附着在人物脸颊和脖颈表面，液体受到重力影响缓慢向下流动，较大的液滴沿下巴边缘聚集后滴落。部分黏液接触衣领，在布料表面留下颜色更深的湿润痕迹。人物转头时，表面的细小液丝因为惯性短暂拉伸，随后断开。
这里真正产生真实感的是：
重力、重量、接触、惯性、形变和结果。
动作也是一样。
不要只写：
人物快速奔跑，然后突然停下。
可以写：
人物快速向前奔跑，发现前方异常后立即刹住脚步。身体因为惯性继续向前倾，右脚向前跨出半步支撑重心，外套下摆继续向前摆动，随后逐渐落下。
整个动作仍然只是：
跑 → 停。
但因为加入了动作产生的身体反馈，生成出来就会自然很多。
所以以后写AI视频提示词，可以尽量从这个顺序思考：
发生了什么 → 为什么发生 → 影响了什么 → 产生什么反馈 → 最后停留在什么状态。
这比单纯堆大量“电影感、真实感、震撼、高级”的词更有效。
总结：真正需要建立的不是万能提示词，而是一套生成系统
做到这里，其实会发现人物、声音、场景和提示词看起来是四个问题，本质上解决的是同一件事情：
减少AI需要自己猜测的信息。
人物资产提前告诉AI角色是谁。
声音资产提前告诉AI角色怎么说话。
场景资产提前告诉AI人物在哪里。
最后的提示词，只需要告诉AI：
这一镜具体发生什么
所以真正比较稳定的AI视频工作流，并不是每生成一个镜头，都从零开始重新写一遍提示词。
而是先把能够复用的信息全部固定下来。
人物拆清楚。
声音定下来。
场景关系确定。
最后再用具体的动作、比例关系和物理反馈控制镜头。
项目越长，这种方法的优势越明显。
因为真正决定长视频稳定性的，从来不只是某一条提示词写得有多好。
而是你有没有在点击生成之前，把AI原本需要猜的东西，提前替它决定好。
真正万能的不是某条提示词，而是一套可以不断复用的工作流。