AI 文生视频：用提示词制作短片

AI 视频生成器能把文字提示词、静态图片或参考片段变成一段新的短视频。在 Pipe2 中打开 Video Generator，清楚描述一个镜头，选择画幅与时长，只添加确有作用的参考素材，即可生成用于检查或继续剪辑的 MP4。

五步生成 AI 视频

1. 限定为一个镜头。 先决定观众看到什么、什么会发生变化，以及动作如何结束。一个可信的动作比塞进一次生成的完整故事更容易控制。
2. 写清动作设计。 说明主体、动作、场景、镜头运动、光线、视觉风格和必要声音。
3. 让每个参考素材都有用途。 起始帧用于固定构图，结束帧用于指定目标；其他素材可用于约束主体、动作、节奏或声音。
4. 设置输出。 选择宽高比、时长、分辨率和音频。使用 Auto 时，Pipe2 会根据这些输入选择兼容模型。
5. 检查完整片段。 先按正常速度观看，再逐帧查看复杂动作。不要围绕有问题的镜头继续剪辑，应先重新生成。

输入可以包含文字、精确的起始或结束帧、参考图片、参考视频与参考音频。可用组合和限制因模型而异，运行前请查看当前控件和信用点预估。

把提示词写成镜头，而不是剧情梗概

有效的提示词会描述随时间发生的可见变化。先写景别和构图，再写主体与动作，然后说明镜头和环境如何变化。最后给出一个稳定的结束状态，让画面自然收束。

例如：

蓝调时刻的咖啡馆内，中远景拍摄柜台上的钴蓝色陶瓷茶壶。蒸汽上升，形成一道松散的螺旋后散去，摄影机同时非常缓慢地向前推进。室内暖光，窗外冷雨。声音：轻柔雨声和陶瓷壶盖的细微碰响。

这段描述只有一个场景、一个主要动作、克制的镜头运动、稳定的光线和简短的声音设计。“制作一段惊艳而有电影感的咖啡馆视频”则没有解决这些具体问题。堆叠形容词不能替代明确动作。

如果节奏很重要，请按开始、动作、结束停留的顺序写。若创意需要多个地点、换装、对话和剪切，应拆成多个镜头。

选择文生视频、起始帧或参考素材

当创意比精确主体和布局更重要时，使用文生视频从零探索。需要固定构图和主体一致性时，使用起始帧：图片定义已有内容，提示词重点描述动作、摄影机以及必须保持稳定的部分。图生视频指南进一步介绍了这一方法。

兼容模型的结束帧可以规定最终构图。两个相关画面之间的直接变化，通常比几何结构完全不同的变形更可靠。

参考图片、视频和音频可以指导主体、物体、视觉方向、镜头运动、节奏、语音、音乐或音效。请明确每份素材负责什么。参考素材的使用方式取决于所选模型。需要指定开头或结尾的构图时，请使用专门的起始帧和结束帧设置。

设置画幅、时长、分辨率和声音

生成前就按发布渠道选择比例：横屏用 16:9，竖屏用 9:16，方形用 1:1，经典横幅用 4:3，竖向人像用 3:4，超宽银幕用 21:9。后期裁切可能移除主体或破坏已经生成的动作。

时长和分辨率会根据模型处理。较长片段、特殊画幅或某些参考组合可能需要另一种兼容模型。Auto 根据提交的控件选择；只有确实需要某项已公开能力时，才固定具体模型。

声音同样取决于模型。启用音频且模型支持时，应写清需要的环境声、对白或效果。若结果无声，可在组装视频时加入旁白或音乐。

生成前检查提示词增强和信用点预估

文生视频只需要场景描述，不必上传拍摄素材。使用上面的咖啡馆示例时，粘贴提示词，横屏镜头选择16:9，竖屏内容选择9:16，再选择模型支持的较短时长。首次尝试先不添加参考素材，以便判断仅凭文字能生成怎样的动作。

Enhance prompt默认开启，会根据所选模型优化场景描述。如果希望原样发送自己的文字，请关闭此选项。画幅和时长有明确要求时，应直接指定；保持Auto则允许Pipe2推断这些设置。提示词增强并不保证每个细节都能准确呈现。

选好模型和设置后，查看信用点预估；添加参考素材或修改时长、分辨率后，再检查一次。Auto选择兼容模型，并不保证结果最便宜。保存每次尝试的提示词和设置，方便比较修改效果。先用短片测试并确认动作，再花费信用点生成更多镜头或更高分辨率的版本。

用 Grok Imagine 根据提示词生成视频

在 Pipe2 的 Video Generator 中，明确选择 Grok Imagine Video。Auto 可能会选择其他模型。粘贴上面的咖啡馆提示词，设置为 16:9、4 秒和 480p，首次短片测试先不添加参考素材。查看信用点预估后运行，并在增加时长或分辨率前检查返回的视频。如果想原样测试自己的文字，请关闭 Enhance prompt。

Grok 接受文字提示词，可生成 4–15 秒、480p 或 720p 的片段。固定宽高比包括 16:9、9:16、1:1、4:3 和 3:4。音频生成默认开启；请描述需要的声音，若希望结果无声，则通过音频设置关闭。片段越长、分辨率越高，费用也越高，因此修改设置后应重新查看预估。

如果已有构图，可以添加一张起始图片并描述动作。也可以改用最多七张参考图片，说明每张图片要指导哪些元素。这是两种独立模式，起始图片不能与普通参考图片同时使用。Grok 的这一视频生成模式不接受结束帧、参考视频或上传的音频。如果必须使用这些输入，请选择其他兼容模型。检查茶壶形状、蒸汽、镜头运动和声音；结果偏离意图时，每次只修改一条指令。

检查动作与连续性

先判断动作是否一眼就能读懂、结尾是否干净。如果不是，就简化镜头。随后检查脸和手、物体数量与形状、物体接触、反射、背景结构和摄影机方向。主体转身、被遮挡或离开画面时最容易暴露错误。

每次重试只改一个变量：收紧动作、减小镜头运动、强化起始帧约束，或删除冲突的参考素材。这样才能判断哪项修改真正带来改善。

用通过检查的镜头完成视频

把每次生成都当作一个镜头。按故事顺序排列最好的版本，并用 Video Reel 添加转场，按需保留原声或加入旁白、音乐。AI 视频制作指南介绍了从策划、生成、组装到字幕与品牌元素的完整流程。

如果主要难点是选择模型，请阅读 AI 视频生成器比较，对照支持的输入和设置。第一次尝试时，清楚的单镜头描述、正确画幅和少量有效参考，通常比复杂设置更重要。

将生成的片段整理成可发布的视频

以咖啡馆镜头为例，先决定茶壶片段本身就是成品，还是要放进更长的视频。测试不同模型时，保持提示词和构图一致，比较动作是否可用、声音效果以及显示的积分预估。支持所需输入只是起点，最终应选择适合实际剪辑的版本。

如果成片中有人声，请等剪辑和旁白定稿后再添加字幕。打开 Captions，提供完成的视频，不附加可选的 SRT，即可自动转写语音。也可以附上修正过的 SRT，使用已核对的文字和时间。选择字幕样式和位置后，检查输出的 MP4 是否有识别错误，以及文字是否遮挡主体。字幕指南介绍了使用 SRT 的方法。只有雨声和陶器声的片段无需添加语音字幕。