图生视频的八个脾气

这篇只记结论，全部来自《天下不降》场一的返工记录。按被坑的次数排序：

1. 灰底平光的定妆照，只能当参考图

灰底、平光、正面站姿的「标准定妆照」不要直接当首帧——模型会把它当一张平面图， 生成出来就是一张立起来的纸板。首帧要有环境、有光、有动作趋势。

2. 戴帽子的镜头，一个字都别提头发

项目里在「网巾」上栽过：提示词写了头发，AI 给戴网巾的孩子画了顶泳帽。 从此规则是——人物穿什么、戴什么，逐项定义；没定义的，模型自己发挥。

3. 首帧站着 = 纸板平移，迈步 = 会走

「站着」这个状态给模型的运动信息太少，它只会让画面平移。 想要人动起来，首帧就要有迈步、转身这类「未完成的动作」。

4. 人脸动超 3 秒开始崩，5 秒必崩

近景人脸是模型最不擅长的部分。需要长时间情绪镜头时，拆成多个短镜头接， 或者把脸放在景别更远的地方。

5. 想改构图，就别垫参考图

参考图会把构图和光线一起带进来。你要的是「这个人的样子」，不是「这个人的站位」—— 那就要在提示词里重新描述构图，而不是指望参考图听话。

6. 一条素材剪三个镜头

同一个 5 秒素材，可以原速用一次、裁切用一次、倒放慢放再用一次。 静镜用 0.7–0.8 倍速补时长，几乎看不出破绽——这是最省钱的素材复用方式。

7. 合成音效只能「填」，不能「演」

旗布、甲片、脚步、泥水，这些必须有真实采样。合成音效负责的是空气感和底噪， 让它去演具体动作，一听就假。

8. 混音先合一条 WAV，量完峰值再归一

直接把多轨塞进成片，响度会被限制器偷偷压扁。正确做法：先合成一条 WAV， 用脚本量峰值和 RMS，再统一归一化，最后才封装进视频。

---

这些不是「模型不行」，而是模型的默认行为。知道它默认怎么偷懒，就能提前绕开。