参考图优先：从静态图到 AI 视频的稳定工作流

直接从一段很长的提示词开始生成视频，常见问题是人物、产品、构图和动作同时发生变化。更稳定的方式是先解决静态画面，再让视频模型只负责运动。

为什么先做参考图

一张确认过的起始图可以提前固定：

• 人物身份、发型、服装和主体比例
• 产品外形、颜色、材质和摆放位置
• 镜头景别、画幅与视觉重心
• 场景光线、色调和背景结构
• 视频第一帧必须出现的关键信息

视频模型需要决定的内容越少，结果通常越可控。参考图不是保证完全一致，而是减少模型需要重新解释的变量。

第一步：明确最终发布画幅

先确定成片要发布到哪里：

发布场景	常用画幅	构图重点
短视频平台	9:16	主体居中，重要内容避开上下界面区域
网页或横版视频	16:9	为横向运动和字幕保留空间
社交媒体帖子	1:1 或 4:5	主体清晰，减少边缘关键信息

不要在参考图确认后随意切换画幅。重新裁切可能破坏主体比例，也会迫使模型补画新的背景区域。

第二步：生成或整理起始图

可以在图片工作台使用 GPT Image 2 创建起始图，也可以上传已有素材进行编辑。

起始图应满足：

• 主体边缘清楚，没有明显结构错误
• 人物脸部、手部和服装已经达到可接受状态
• 产品名称、包装和关键细节经过人工复核
• 背景为预期动作留下足够空间
• 图片分辨率与最终用途匹配

如果静态图本身存在错误，图生视频通常会放大这些问题，而不是自动修复它们。

第三步：把动作提示词写得更具体

图生视频提示词重点描述“接下来发生什么”，不必重复参考图中已经清楚的所有视觉信息。

一个实用结构是：

主体动作 + 镜头运动 + 环境变化 + 节奏限制 + 需要保持的内容

例如：

产品缓慢旋转约四分之一圈，镜头轻微向前推进，背景灯光从冷色过渡到暖色；动作平稳，保持包装文字、产品比例和桌面位置不变。

避免在一个短镜头中安排过多连续动作。动作越多，模型越可能省略步骤或改变主体结构。

第四步：先用低成本规格验证运动

第一次生成的目标不是最终交付，而是检查：

1. 动作方向是否正确
2. 镜头速度是否合适
3. 主体是否发生明显漂移
4. 时长是否足够完成动作
5. 画面边缘是否出现结构变化

可以先用当前可用的 Mini 或 Fast 渠道验证，再根据结果决定是否使用 Max 生成关键镜头。具体可选模型仍以工作台实时渠道为准。

第五步：每轮只改一个变量

如果结果不理想，同时更换参考图、提示词、时长和模型，很难判断问题来自哪里。

更有效的迭代方式是：

• 身份不稳定：先换更清晰的参考图
• 动作过大：缩短动作描述或降低运动幅度
• 镜头太快：只调整镜头运动词
• 构图变化：强调需要保持的主体位置，并减少复杂环境变化
• 细节不足：方向确认后再提高模型或分辨率规格

提交前检查

在工作台点击生成前，确认以下信息：

• 当前模型渠道仍然可用
• 分辨率、时长和画幅与参考图一致
• 页面显示的人民币任务总价符合预期
• 参考图已经上传完成且预览正确
• 提示词没有包含互相冲突的动作要求

参考图优先的价值，是把“画面应该是什么”和“画面应该怎么动”拆成两个可以分别检查的阶段。这样不仅更稳定，也更容易知道每次修改解决了什么问题。