AI 视频生成走到现在，瓶颈已经从“能不能动”变成“能不能按分镜动”。Vidu 是国产工具里较早做文生视频和图生视频的一支，适合创意短片、产品展示、概念演示这类不需要实拍的题材。它的用法有一条主线：先把想法拆成镜头，再让每个镜头单独生成，最后拼起来。
先写分镜，再写提示词
直接把三百字的想象丢进去，出来的一定是几个互不相干的画面。可用的流程是先写分镜：一条三十秒的片子拆六到十个镜头，每个镜头一行，写清景别、主体、动作、环境。分镜不用专业，用记事本列就行，但它决定了后面每一次生成有没有目标。
判断分镜能不能用，看一条：遮住文字只看画面描述，你能不能想象出那一帧。想不出来，说明这一镜还缺信息，补上光线、时间、材质再进工具。
提示词按四段写
一段可用的描述通常是四段：主体（谁、穿什么、什么状态）、动作（一个动作，不要串联）、环境（地点、时间、天气、光线）、镜头（景别加运镜）。四段各一句，比一段长句有效。“一个穿灰色卫衣的男生，把纸箱放到门口，傍晚的老楼道，暖色顶灯，中景缓慢推近”，这句里每个词都能落到画面上。
两个反直觉的点：动词越少越稳，一句里塞三个动作，人物容易在中途变形；形容词越具体越稳，“高级感”不如“哑光金属表面加侧逆光”。
图生视频比文生视频可控
同一句话，文生视频每次给的构图都不一样；图生视频只让它动起来，构图是锁定的。做产品展示时，先出一张满意的关键帧，再拿这张图生成四到八秒的动态，成功率明显更高。首尾帧功能适合做转场：给开头和结尾两张图，中间的运动交给模型补。
代价是动态幅度。参考图约束越强，镜头越不容易大范围移动，想要环绕、跟拍这类运镜，还是得回到文生视频多抽几条。时长与分辨率的取舍，可以对照平台适配怎么选来定。
一致性靠参考图，不靠形容词
多片段里主体长得不一样，是 AI 视频常见的翻车点。解决办法不是反复形容“同一个女孩”，而是用同一张参考图，或者用支持多图参考的模式，把人物、服装、道具分别固定。生成时保持描述里关于外观的句子逐字不变，只改动作和环境。
即便这样，连续三个以上镜头仍会出现脸型漂移。实践中的做法是把同一场景的镜头集中生成，换场景时换参考图，剪辑阶段用转场遮住差异。
四类场景的做法对照
| 场景 | 做法 | 判断标准 |
|---|---|---|
| 产品展示 | 先出关键帧再图生视频，单镜四到八秒 | 主体不变形、logo 可辨认 |
| 概念短片 | 分镜六到十镜，文生视频每条抽三次以上 | 镜头之间方向与色调一致 |
| 口播讲解 | 固定人物参考图，半身中景 | 口型与表情是否自然 |
| 电商主图视频 | 单镜三到五秒，首尾帧做循环 | 首尾能否接上 |
这张表解决的是“该用哪种模式”的问题，不是“该怎么写文案”的问题。文案另写，别混在镜头描述里。
它做不到什么
单段时长有限，多数平台在几秒量级，长片要靠拼接，这是视频生成的现实约束，不是某一家的短板。画面里的文字依旧不稳，招牌、包装上的字经常糊成符号，需要后期贴。手部动作、多人交互、快速奔跑这类高动态镜头，变形概率明显上升。
物理连续性也弱：液体倒进杯子、布料被风吹起，前后两帧的形态可能对不上。涉及真人形象、知名 IP、他人肖像的生成，授权与合规要自己把关，工具不替你判断。把几秒素材说成长片的说法，可以看长视频误区拆解，差别就在镜头数与连贯性。
拼接与后期的三个动作
生成完不要直接发。先统一色调，同一场景的片段放在一个调整层下调色，能遮住模型的色偏。第二步补声，环境音和拟音比配乐更能掩盖画面瑕疵。第三步控制单镜时长，超过六秒的镜头如果没有新信息，剪短一半通常更好看。
还有一个提效习惯：每条提示词一次抽三到五条，只留一条。抽卡的成本远低于反复改提示词，改到第五版，往往还不如头一版抽出来的第二条。
生成前速查
- 一条片子先拆六到十镜，每镜一行
- 描述四段：主体、动作、环境、镜头
- 要稳定构图就图生视频，要运镜就文生视频
- 主体一致性靠参考图，不靠重复形容
- 每条提示词抽三到五条，再挑一条
三个容易被问到的问题
问：中文提示词和英文提示词哪个好？答：主流国产工具对中文支持已经够用，关键在结构完整，不在语种。中英混写反而容易让模型漏掉修饰。
问：生成的视频能商用吗？答：取决于平台条款和素材来源。用他人图片做参考、生成真人肖像、复刻影视镜头，这三类风险偏高，发布前逐条确认授权。
问：同样的提示词，今天和昨天效果差很多是为什么？答：模型版本、采样随机性、参考图都会影响。要稳定复现，固定参考图，保存当次用的描述原文，平台提供种子时一并记下。
