AI 视频怎么做
动手试试：把一集完成的示例视频静音看完，记下第一个觉得怪怪的地方。对照下面六个破绽中的一个；那就是你自己的项目应该先修的地方。
破绽 1：脸在分镜之间会变
为什么： 如果每个分镜都是独立画出来的，就没有任何东西能说明这个人是谁，所以模型每次都画出一张看似合理的脸。解法： 在 SceneMixer 里，每个角色是一笔数据，搭配一张经过确认的图片，凡是包含她的分镜都从这笔数据生成。特写里的脸、远景里的脸，和第九集里的脸都一样，因为来源是那笔数据，而不是前一段片段。坏掉的分镜不会影响下一个：重新生成它，或直接往下走即可。
你的部分： 在花钱生成任何视频之前，先在步骤 2 确认设定图。描述脸部时，写出真实的脸会有的具体特征，例如微歪的门牙、断过的鼻梁、灰色的胡渣、疤痕，而不要写「漂亮」这种评价，因为模型会把评价解读成平均的好看面孔。设定图是用侧边的平光打出来的，会清楚呈现骨架，所以其余的细节交给描述即可。免费：账号的前 15 张设定图。每个分镜都是同一张脸 · 描述原因，而不是结果。
破绽 2：房间会自己重新排列，人物左右对调
为什么： 一段对话通常是三到四个分镜，如果每个分镜都自己编造房间，窗户就会跑位，原本在左边的男人就跑到右边去了。反打镜头甚至会画出根本不存在的墙。解法： SceneMixer 为每个场景自动生成一个 AI 三维模型，包含空间、重要的家具，以及每个人的位置，场景中的每个分镜都根据这同一个模型生成。远景、特写和反打镜头，都是从不同位置描述同一个房间。不需要另外设置。
你的部分： 把位置写成和房间里的东西、以及彼此之间的关系，例如「在桌子的主位、她的对面、背对窗户」，在片段开始时写一次，之后只有人物移动时才再写。「靠窗」从每个镜头看都成立；「在左边」只有从某一个角度看才成立。每个人都待在原本的位置 · 把位置写成画面看得懂的描述 · 角色为什么会左右对调。
破绽 3：服装和伤口会跳动，或是完全不变
为什么： 模型拿到参考图后，会照搬图中的东西：脸、服装、对象的形状，而且再多的句子也说不动它。解法： SceneMixer 中，外观不同的东西需要自己的一张图，称为「状态」：整套服装更换、变身、烧毁的大厅、抽出刀鞘的刀。剧本解析会在上限内提出建议（每个角色最多三种造型、每个场景两种、每个道具一种），并判断哪个片段用哪一种。只改变情境的东西，例如站或坐、白天或夜晚、下雨、灰尘，或是谁拿着什么，都用文本写就行，效果很好。尤其是下雨，它是文本，不是状态。
判断的方法只有一个问题：东西本身看起来不一样了，还是只是周围的情境不同？如果两个版本能同时出现在同一个画面里，它们就是两个素材，而不是同一个素材的两种状态。服装变化与场景状态。
破绽 4：人群会凭空出现、消失，或盯着虚空看
为什么： 一个分镜的背景里有没有人，是一个事实；如果文本从来没有写明，模型就会逐个分镜自行决定。经典例子是：婚礼的一个分镜教堂坐满了人，下一个分镜却空无一人。解法： 把人群当成事实，在整个片段中写一次：有谁、在哪里、正在做什么，例如「桌边坐着十来位宾客，正在吃东西、聊天」。如果场景是空的，就改写成描述那里有什么：「空荡荡的街道，椅子叠靠在咖啡店墙边」。像「没有人群」这样的否定句，反而容易把人群画出来，因为句子在模型看来就是一串要考虑画的东西。场景中的背景人物 · 说有什么，而不是说没有什么。
在每个分镜里看得到的角色身上加上 SceneMixer 的 @ 标签，只听得到声音或在房间别处的人则不要加：没有入镜却被点名，会招来不该出现的面孔。谁入镜。
破绽 5：千篇一律的 AI 质感
为什么： 所有东西的平均值，就是光滑的皮肤、完美的对称，以及来源不明的均匀光线。解法： 有意识地、分层地选定 SceneMixer 的风格。视觉风格是媒材；场景风格是场景的搭建依据；服装风格是人物穿的衣服。三者要分开，因为它们控制的是不同的层次，硬把它们塞进同一个框里，东西就会变得千篇一律。然后为每个分镜指定一个有光源的光线（一盏台灯、天花板上扫过的车灯、阴天的正午），把动作写成物理上的因果（火车煞车，她的咖啡洒出来），并且每个分镜只放两到三个人。
不要用万用咒语。「杰作、8K、电影感、体积雾」这类字眼，对模型来说无法定位成任何东西，还会把真正重要的字词往后挤，有时甚至会被照字面画出来：雾真的就出现了。如何让 AI 视频看起来更真实 · 不用万用咒语 · 选择你的风格设置。
破绽 6：声音和画面对不上
原因：语音若是在画面之后录制或配音，嘴型与台词就会对不上。解法：SceneMixer 的每一段在生成时就已带好声音，每句标注的台词都由嘴型在动的那个人，以该角色的音色说出，并加上场景的环境音。每个角色只有一种音色，选定一次后用于每一集的每句台词；若从内置音色库中配对一个，它就会套用到该角色说话的每一个镜头。
你的工作：为每句台词写上说话者与音色标签，让镜头中其他人保持嘴唇闭合，加上一行几个字的环境音（Ambient），并把无声的镜头标为「无对白」。如果画面中出现了文本，通常是因为镜头描述中提到了招牌、字幕或带内容的屏幕；请改为描述一片空白的屏幕，然后重新生成。一次生成中的对白与声音 · 画面中的文本与错误对白。
用三分钟测试你的第一段
| 检查项目 | 通过条件 | 若未通过 |
|---|---|---|
| 脸部，包括特写与远景镜头 | 是同一个人，且符合你写下的特征 | 在第 2 步编辑描述，重新生成设定图 |
| 房间，跨越两次剪辑 | 窗户、门与座位都没有移动 | 在该段的第一个镜头加上一句位置描述 |
| 服装，对照设定图 | 相符，或为这项变化选定一种状态 | 添加一种状态；若只是情境改变，则改用文本描述 |
| 背景 | 人物在场或不在场，与你描述的一致 | 写明人群，或描述空无一人的地方 |
| 光线 | 有可见的光源 | 在镜头中点明灯、窗户或时段 |
| 声音，搭配画面一起检查 | 音色正确、嘴型正确、画面上没有多出文本 | 先检查说话者与音色标签，再检查角色的声音 |
在生成其余部分之前，先用最低档位对一段跑完这项测试；那里重拍的成本很低，学到的经验也能套用到之后每个镜头。生成前的检查表。
设置无法解决的问题
手部、五人同时说话，以及人群中的细节，仍然是 AI 视频最容易露出破绽的地方，解法是少要求一些：人数少一点，每个镜头只做一个动作。两次完全相同的请求，可能生成两段不同的片段，所以有些镜头需要重拍一次。另外，与真实人物过于相似的面孔会被拒绝，这是规则，不是缺陷。我们真正的目标不是隐藏视频是用 AI 制作的（标识与平台标签就是用来说明这件事的），而是去除那些分散注意力、妨碍故事的瑕疵。
| 征兆 | 成因 | 在产品中的解法 |
|---|---|---|
| 面孔变化 | 没有固定的身份 | 每个角色一张通过审核的设定图 |
| 房间布局改变 | 每个镜头都重新虚构一个房间 | 每个场景一个 3D 模型；位置以房间中的参照点描述 |
| 服装忽然跳变 | 参考图会照搬它所呈现的内容 | 外观改变时用状态图；情境改变时用文本描述 |
| 人群闪烁 | 从未写明 | 写明是谁、在哪里、在做什么，或者改写成那里有什么 |
| 千篇一律的外观 | 什么都取平均 | 三层风格、一个光源、具体的特征 |
| 声音不对位 | 声音与画面分开制作 | 声音随片段一起生成；标注说话者与音色标签 |
常见问题
怎样让 AI 视频看起来不像 AI？
把应该固定的东西固定下来：每个角色一张通过审核的图、每个场景一个房间、外观有任何变化就用一张 SceneMixer 的状态图、写明人群、选定一种外观，以及把音色绑定到说话者身上。然后把镜头控制在两到三人、一个动作之内。
为什么我的角色每个镜头看起来都不一样？
因为每个镜头都是在没有固定参照的情况下制作的。SceneMixer 的每个角色只是一个条目，配有一张通过审核的设定图，而每个镜头都以它为准。请检查设定图，并确认该角色在镜头中有 @ 标签。
剪辑时能保持同一个房间吗？
可以。SceneMixer 的每个场景都是依照自动生成的 AI 3D 模型创建的，你可以用房间里的对象来描述位置，例如窗户或餐桌的主位。
故事进行中，怎么改变角色的服装？
为整套服装更换、烧伤或变身添加一种 SceneMixer 的状态。像下雨、夜晚或坐下等情境的改变，则以文本描述。
「电影感」或「8K」这类词有帮助吗？
没有帮助。模型读的是句子，不是标签。请说明光线从哪里来，以及镜头看到的是什么。SceneMixer 的视觉风格是媒材，场景风格是搭建依据。
为什么写「没有人群」，却还是出现人群？
句子会被当成一份要画的东西清单，名词的分量比「没有」这个否定词更重。请改为描述那里有什么。SceneMixer 的 @ 标签只加在看得见的角色身上。
为什么我的画面里有文本？
镜头中提到了招牌、字幕或带内容的屏幕。请删除这个提及并重新生成；SceneMixer 要求干净的画面，对白则通过声音传递。
让 AI 视频看起来自然，是不诚实的吗？
只要有标识就不是。AI 标识与平台自己的 AI 声明会说明视频是什么；SceneMixer 的目标是减少瑕疵，而不是隐瞒。
更新于 2026 年 11 月 3 日