制作 AI 视频时，你可能会发现一个问题：明明使用了同一张场景参考图，也反复强调保持场景一致，但当镜头切换到不同角度，原本固定的门窗、家具和空间布局还是会发生变化。
单独看每个镜头，画面似乎都没有问题，可一旦将它们剪辑在一起，就会发现人物仿佛进入了另一个房间。这不仅影响视频的连贯性，还会增加反复生成和修改的时间成本。
其实，场景一致性不只是让不同镜头拥有相似的装修风格和色彩，更重要的是让 AI 理解整个空间的结构，以及物体之间的位置关系。本节将从场景参考图的局限出发，讲解如何利用三维剖面场景图补充空间信息，让多镜头视频的场景衔接更加稳定。
一、为什么镜头一变，场景就可能变了？
很多人在制作AI视频时，都遇到过类似的问题。
第一段视频中的背景有挂画，绿植
第二段就没有了，消失了
单独看这两个镜头，它们可能都很合理。装修风格相似，颜色统一，光线也没有明显冲突。
但如果把它们连续播放，就会发现一个问题：画面看起来像同一个房间，实际空间却已经发生了变化。
这就是场景一致性需要解决的问题。
我们通常会把注意力放在人物身上，例如要求人物的脸、发型、服装和身材保持一致。这些要求很重要，但人物只是整个画面的一部分。
一个完整的场景，还包含墙体结构、门窗位置、家具布局、地面材质、空间纵深，以及物体之间的距离和遮挡关系。
例如，同一间咖啡店可以从正面、侧面和俯视角度拍摄。无论摄影机位于什么位置，收银台都应该在原来的区域，窗户和入口之间的关系也应该保持不变。
镜头可以变化，但场景的基本结构不能随意变化。
因此，在制作需要连续切镜的AI视频时，我们不仅要告诉AI画面里有什么，还要尽可能明确地告诉它：这些东西位于哪里，它们之间是什么关系，以及镜头改变以后，这些关系仍然应该如何成立。
二、为什么一张完整的场景图还不够？
既然场景参考图已经展示了房间，为什么AI仍然可能生成不同的布局？
原因在于，一张二维图片只能直接呈现特定视角下能够看到的信息。
假设我们拍摄一间办公室的正面全景。
画面中可以看到办公桌、椅子、书架、窗户和墙面装饰。这些元素的外观比较明确，但图片没有完整展示的部分仍然存在大量未知信息。
例如：
办公桌后方还有多少空间？
书架与侧墙之间相隔多远？
门位于摄影机左侧还是右侧？
窗户是否延伸到相邻墙面？
桌子后方是否还有其他家具？
人物从门口走向桌子时，需要经过什么路线？
如果这些信息没有被明确展示，AI就需要根据现有画面进行推断。
当镜头始终保持原来的角度时，这些未知信息可能不会影响结果。但当摄影机转向侧面、人物走向房间深处，或者镜头需要从门口向内拍摄时，原本没有展示的区域就变得重要了。
这时，AI必须补全画面之外的空间。
补全本身并不是问题，问题在于，不同的生成结果可能给出不同的补全方式。
第一次生成时，门可能位于右侧；第二次生成时，门可能出现在后墙。第一次生成时，桌子距离窗户较远；第二次生成时，两者之间的空间又发生了变化。
即使使用同一张参考图和相同的提示词，也不能保证每次生成的结果完全相同。
这是因为参考图并不是一份精确的空间模型，它只能为生成提供视觉依据，无法自动锁定所有未展示的空间信息。
所以，想要提高场景一致性，重点不应该只是不断重复“保持场景一致”，而应该进一步补充场景的空间结构，让AI拥有更明确的参考依据。
三、多角度参考图，为什么也有局限？
当我们意识到单张图片存在信息缺失时，很自然就会想到另一个方法：多生成几张不同角度的场景图。
例如，为同一个房间制作正面图、侧面图、背面图，再将它们组合成九宫格。
这种方式确实有帮助。
正面图可以展示主要家具的外观，侧面图可以补充房间的深度，背面图则能够呈现原本被遮挡的区域。相比单张图片，多角度参考可以让我们观察到更多场景细节。
但这里还存在一个问题：多张图片分别展示了空间的不同部分，却不一定能清楚表达这些部分之间的统一关系。
例如，第一张图展现了厨房和客厅的一角，第二张图又展现了厨房的中景，但是锅又不一样
这些变化可能只是因为摄影机角度不同，也可能来自不同图片生成时的布局偏差。
如果缺少明确的空间结构，AI仍然需要判断这些图片之间的对应关系。
此外，不同角度的图片在透视、物体大小和遮挡关系上存在差异。即使每张图片单独看起来都没有问题，也不意味着它们一定能够组合成一个完全统一的三维空间。
当然，这并不代表九宫格没有价值。
如果任务重点是展示人物外观、服装细节、产品不同侧面，或者一个场景的视觉风格，多角度图片仍然非常实用。
但当任务变成连续视频制作，需要同一个空间在不同镜头中反复出现时，我们还需要一种更直观的方式，把空间结构集中表达出来。
这就引出了三维剖面场景图。
四、三维剖面场景图，究竟解决了什么问题？
三维剖面场景图，可以理解为一种能够从斜上方观察室内结构的立体参考图。
它通常会保留地板、部分墙体、门窗、家具和固定设施，同时移除或降低部分墙面，让原本被遮挡的室内区域能够直接呈现出来。
从视觉上看，它有些类似一个打开了墙面的房间模型。
与普通场景图相比，它的主要价值不是让画面变得更加立体，而是让空间关系更加清楚。
首先，它能够呈现房间的整体布局。
我们可以同时看到入口、窗户、主要家具和墙体之间的关系，而不是只能从某一个方向观察房间。
其次，它能够帮助说明物体之间的相对位置。
例如，办公桌靠近哪面墙，沙发位于窗户的哪个方向，柜子与入口之间是否存在通道，都可以在同一张图中得到更直观的呈现。
第三，它可以减少空间信息分散的问题。
原本需要通过多张图片才能分别观察到的内容，现在能够集中在一张立体参考图中。AI在生成新镜头时，可以获得更加完整的环境布局依据。
第四，它有助于区分固定结构和变化内容。
房间的墙体、门窗和固定家具属于相对稳定的场景元素；人物的位置、动作以及摄影机角度则可以根据剧情变化。
当这两类信息得到区分，后续的镜头设计就会更加清晰。
需要注意的是，三维剖面图并不等于真正可以精确测量的三维模型。它依然是一张二维图像，AI也可能对原图中不可见的区域进行推断。
因此，它的作用是提供更完整、更容易理解的空间参考，而不是绝对锁死每个物体的位置。
五、第一步：先确定真正需要保持不变的场景信息
直接描述你想要的场景，让AI从一开始就生成45°俯视的三维场景空间规划图。
例如，你需要制作一个客厅，就在提示词中描述客厅的建筑结构、门窗位置、家具摆放和整体风格，再使用固定的空间规划前缀。
这样，无论是客厅、卧室、咖啡店还是办公室，都可以使用相同的基础写法。
1. Midjourney
Midjourney可以使用更简单的写法。
在原本的场景描述最前面，加上：
45° bird’s-eye view of
复制
然后接上你想要生成的场景内容。
例如：
45° bird’s-eye view of a grand 1930s European duke mansion hall, spacious rectangular layout, central dark wood table, lounge area on the left, open study on the right, grand staircase at the far end, marble floor, dark wood paneling, vintage furniture, elegant aristocratic atmosphere, cinematic realistic interior, clear spatial layout, warm soft lighting, no people, architectural visualization, high detail –ar 16:9 –v 8.2
这里不需要额外堆叠一大段空间规划说明。前面的视角前缀与后面的场景描述结合起来，就可以表达你需要的画面。
但要注意，场景描述不仅要写家具和建筑，还要写清楚你希望呈现的光影氛围。
如果你希望生成日落场景，就写日落的天空、光线方向和室内外的色彩关系；如果希望生成蓝调时刻，就写窗外的深蓝色环境、室内的暖色灯光，以及冷暖光之间的对比。
2. Seedream 5.0 Pro/ GPT image2.0
直接根据你要做的视频场景，生成一张：
一张完整的45°斜俯视三维空间规划图。
这一句就可以直接放在提示词最前面。
对于 Seedream 5.0 Pro 和 GPT Image 2.0，这样写就够了。后面再接你原本的场景描述。
基础写法
你可以直接这样理解：
一张完整的45°斜俯视三维空间规划图 + 场景描述
例如：
一张完整的45°斜俯视三维空间规划图。1930年代欧洲公爵豪宅的宏伟大厅，宽敞的矩形布局，中央摆放深色木桌，左侧为休闲区，右侧为开放式书房，远端设有豪华楼梯，大理石地面、深色木饰墙面、复古家具，尽显优雅贵族氛围，电影级写实室内风格，空间布局清晰，暖调柔和光线，无人物，建筑可视化，高细节画质
这样写就已经具备基础的空间规划图表达了。
这一节真正重要的点
这里有一个特别关键的地方：
空间规划图不只是用来控制布局，还要顺便把后续视频的光影氛围一起定下来。
也就是说，你不要把它理解成一个冷冰冰的空间示意图。
它同时也是后续视频的氛围参考图。
如果你后面的视频想要的是：
蓝调时刻
室内暖光
冷暖对比
日落余晖
雨夜霓虹
清晨冷光
那你在这一步就应该一起写进去。
比如我这个场景就是蓝调时刻的家中暖光的氛围
提示词如下：
一张完整住宅的45°斜俯视三维空间规划图，4:3横版。皮克斯式风格化三维动画电影质感，造型柔和，材质细腻，有温馨真实的家庭生活气息。移除屋顶，适当降低遮挡视线的前侧墙体，清晰呈现整层住宅的房间布局、家具位置和相互连通的动线。画面中没有人物。
【时间与光影】 日落后的蓝调时刻，窗外天空呈柔和的灰蓝色。冷蓝色天光从阳台和各房间窗户透入，在窗边地板、窗帘褶皱和家具边缘形成柔和冷光。家中的落地灯、床头灯、餐厅吊灯和走廊壁灯刚刚亮起，散发低亮度的暖琥珀色灯光，在沙发、桌面和床边形成大小不同的温暖光区。光线经过墙面和木地板反射，自然照亮周围细节。
室内靠近灯具的位置温暖明亮，窗边与房间深处保留通透的蓝灰色阴影，形成有层次的冷暖对比。各房间亮度略有差异，走廊稍暗，客厅温暖，卧室安静。整体曝光柔和，暗部细节清楚，具有动画电影傍晚归家时的宁静氛围。
【整体格局】 单层四室两厅两卫住宅。画面后排从左到右为大女儿卧室、妹妹卧室、父母主卧；前排左侧为餐厅与厨房，中间为客厅和阳台，右侧为奶奶卧室。中央通过短T形走廊连接，每间卧室都有独立房门。入户玄关位于左前方，设置鞋柜和换鞋凳；公共卫生间靠近走廊，主卧带独立卫生间。
【房间陈设】 大女儿卧室：床、衣柜、带镜梳妆桌、书架和手机支架，梳妆桌前保留宽敞活动空间，搭配小地毯与柔软床品。
妹妹卧室：适合五六岁孩子的低矮儿童床、玩具收纳柜、绘本、圆地毯和小边桌。奶油灰搭配柔和橙色，床边一盏小夜灯微微亮起。
客厅：灰色布艺沙发、橙色单人椅、浅木茶几、亚麻窗帘。沙发旁的暖光落地灯照亮靠垫和地毯。靠近走廊设置小边桌与座椅，摆放针线篮和叠好的衬衫。阳台的冷蓝天光透过纱帘，与客厅暖光自然交汇。
奶奶卧室：木床、暖灰色床品、低柜和舒适扶手椅。宽窗台摆放多肉植物、陶土花盆和小园艺工具，床边台灯照亮木柜与椅面，窗台植物带有柔和的蓝色边缘光。
父母主卧：床靠侧墙，衣柜贴墙，梳妆桌与镜子位于房门对面的墙边，略微错开门轴，镜中可以映出门口区域。桌上摆梳子和手机，中央保留通畅空间。床头灯与镜边暖光轻轻亮起，窗边保留冷蓝色天光。
【色彩与标注】 家具与软装以低饱和橙色、暖灰、奶油白和浅橡木色为主，结合木纹、棉麻、针织、磨砂墙面和陶器的材质变化。蓝灰色环境光与室内暖橙色灯光共同构成画面的色彩氛围。
各空间使用清晰醒目的加粗中文名称标注，文字置于浅米橙色底的圆角矩形框内，搭配深灰字与橙棕色细边框，避开家具和门口。整体构图完整，各房间清晰可辨，具有统一的电影光影与生活氛围。
不要生成成一个四周全白、光线均匀、没有环境情绪的中性模型图。
因为这张图后面会直接作为视频参考，它是什么氛围，后面的视频大概率就会往什么氛围走。
六、第二步：将空间规划图作为视频场景参考
当这张空间规划图生成完成后，下一步就很简单了。
在 Seedance 2.5 里，直接把它作为场景参考图使用。
再上传人物参考图。
然后写你这一段视频的镜头、动作和运镜。
这里不需要再做很多额外工作。
也不需要重新写特别复杂的一整套场景说明。
你只需要补一个很简洁的场景约束就够了。
通用场景约束提示词
以提供的45°斜俯视三维空间规划图作为场景参考，保持原有的建筑结构、门窗位置、家具布局和物体之间的空间关系一致。允许摄影机改变机位、角度和景别，但所有镜头都发生在同一个空间内，不得因视角变化而随意改变房间结构或移动固定家具。延续参考图中的整体光影氛围、环境色彩和室内外冷暖关系。
一个很简单的使用逻辑
你后面做视频时，其实就是三件事：
1. 上传空间规划图
控制场景布局和整体氛围。
2. 上传人物参考图
控制人物长相、穿搭和身份。
3. 写当前镜头内容
控制动作、机位、运镜和故事推进。
这样逻辑就很清楚了。
九、总结
这一节的方法其实非常简单。
第一步：先生成一张场景参考图，最前面直接加上：
一张完整的45°斜俯视三维空间规划图。
然后后面接你正常的场景描述。
如果你对氛围有要求，也要在这里一起写进去。
也就是说，你不只要写：
这个空间里有什么
家具怎么摆
门窗在哪里
你还要写：
它是什么时间
它是什么光线
它是什么冷暖关系
它整体是什么感觉
因为这张图不只是后续视频的布局参考，
也是后续视频的氛围参考。
第二步：把这张图作为视频生成时的场景参考图。
再配合人物参考图和简洁的场景约束，让AI在不同镜头、不同机位下，尽量把画面都生成在同一个空间里，并保持同一套视觉氛围。
你真正想要的，不是所有镜头长得一模一样。
而是：
镜头可以换，角度可以变，但空间还是那个空间，光影氛围也还是那个氛围。
这才是45°斜俯视三维空间规划图在AI视频创作里的真正意义。