AI生成影片怎麼做：從分鏡到交片的 7 步與修法

作者 Nick TasiAds & Code 創辦人·發布 2026-10-23·約 17 分鐘讀完

AI生成影片有兩種基本做法：文字生成影片只給模型一段描述，圖片生成影片先給一張開場畫面，讓模型照著這張圖往下演。要做成能拿去投放的廣告片，比較穩的是圖片生成影片，把一支片拆成好幾段 15 秒以內的片段，用上一段的最後一格接下一段，每段審過、修過，再配上字幕與聲音。

按下生成只是 7 步裡的第 5 步，成片能不能用，多半在生成前的定調、分鏡，以及生成後的審片和重拍就決定了。文中的秒數、像素與時間，都來自我們自己的測試與研究：2026 年 9～10 月、本團隊一台 RTX 5090 32GB 實測，換顯卡或換軟體版本會不同；模型本身的檔案、步數與加速設定，另外寫在 海螺 AI 本地實測。

文字生成影片和圖片生成影片差在哪？

文字生成影片只給模型一段文字描述，畫面長什麼樣由模型決定；圖片生成影片先給一張開場畫面，模型照這張圖往下演。差別在多段接成一支片時最明顯：2026 年 9 月我們實測，只用文字描述承接上一段，上下段接縫的平均像素差是 67.0；改成把上一段最後一格當下一段的第 0 格，降到 4.4。角色、產品、場景都要前後一致的投放片，比較適合用圖片生成影片。

我們測試用的開源模型是 MiniMax H3（海螺 AI 3.0），ComfyUI 官方文件列出的工作流程包含文字生成影片、可以控制首格與尾格的圖片生成影片、參考圖生成，以及把參考畫面釘在時間軸指定位置的多格參考。影片編輯是把原片和新物件一起交給模型，動作跟原片逐格對齊：同一格比對的差異是 4.7，錯開一格就變成 6.6。

如何用AI生成影片：能投放的片要走 7 步

整理我們的測試流程，可以拆成 7 步：定調樣片、劇本與導演設計、參考照與分鏡、開場畫面審核、分段生成與接續、逐段審片與重拍、後製驗收與交片。每一步都有程式驗收，沒過就停在那一步，不把問題帶到下一步。生成影片排在第 5 步，前 4 步是為了減少重拍，後 2 步是為了抓出肉眼一掃容易漏掉的錯，例如對嘴對錯人。

第 1 步：先拍定調樣片，問題越早發現越便宜

定調樣片是用跟正式片一樣的設定先拍 1 段，看過確認方向，才產其他段。這一步是被浪費逼出來的：我們記過一晚的帳，顯卡約 2.4 小時花在重做，測試影片 6 段共 96 分鐘只用上 1 段，分鏡九宮格產了 41 張只用 16 張，參考照 24 張只用 8 張，局部修圖抽了 43 次。浪費幾乎都來自問題太晚才發現。

我們自己一部寵物短劇系列的頭一集就是反例：清晨 4 點多開工，頭一版被退，原因是段落不連貫、沒有運鏡、動物毛像塑膠，整集重拍到下午 5 點 38 分才完成。這三個問題後來各自找到修法：連貫靠尾格接首格，運鏡要寫清楚從哪個景別推到哪個景別停，毛的塑膠感靠改分鏡。

第 2 步：劇本與導演設計，模型不會補你沒寫的東西

劇本寫的是故事，導演設計寫的是每一顆鏡頭怎麼拍：景別、焦距、人站哪裡、眼睛看哪裡、道具和光線從哪來。我們規定導演設計自評 80 分以上才准開始畫分鏡，因為模型不會自己補沒寫的東西。一段七顆鏡頭的打戲分鏡，從頭到尾沒寫拳頭打中人，出來就是兩個人各自擺架式；分鏡至少要有撲上去、接觸、被推開、餘波四拍。

鏡頭長度也在這一步定。大動作要 1.5 秒以上獨佔一顆鏡頭：把「沿著門滑坐到地上」塞進 2 秒、還同時做四件事，模型生出的是站著原地抬腳，拆開給 1.6 秒就正常。0.9 秒的插入鏡也裝不下人被打飛這種大動作，模型會改成重複上一顆畫面，插入鏡只放拳頭、眼睛、腳下碎石這類細節。

剪接節奏可以拿真人短劇當參考。我們量過 5 部華語真人爆款短劇共 292 顆鏡頭，每顆鏡頭的中位數是 1.61 秒，開場 15 秒更快，中位數 1.46 秒。鏡頭排得比這長，就要確定有動作可演：台詞鏡頭寫了視線不動，出來是 2.9 秒完全靜止。

第 3 步：參考照與分鏡，先把每張臉釘死

每個臉會入鏡的角色，配角也一樣，都要先做一張參考照再畫分鏡，一張約 45 秒。只用文字描述的配角，在同一段影片裡長相會前後不一樣，衣服也會變。參考照不必多：同一個角色給 1 張和給 8 張，兩個種子看下來臉一樣穩，8 張只多補到參考圖上的衣服細節，生成卻慢約 8%（410 秒對 380 秒）。一段影片最多能放 9 張參考圖。

分鏡我們用九宮格畫，但九宮格直接當影片開頭時，每格只剩約 256×448 像素，模型自己補動物毛，會補出塑膠雕刻紋。改成四宮格（每格像素是九宮格的 2.25 倍），每格放大後釘在每顆鏡頭開頭，台詞 8 句全對，切點誤差 0.01 秒。

分鏡畫好，每一格先問五題：年代對不對、東西從哪來、前後接不接（日夜、晴雨、衣服、道具）、真貓真人會不會這樣做、情緒合不合劇情。判斷方向要放大單格看，我們看縮圖判斷，曾經差點把整段拍反。

第 4 步：開場畫面是最重要的一關

圖片生成影片是照開場畫面往下演，開場畫面錯了，後面多半只能重拍。開源導演工具 DirectorSKILL 的說明寫「Fixing the still is cheaper than retrying the video.」，修靜態圖比重拍影片便宜。我們踩過：開場畫面只審邏輯、沒量寫實度，清晰度 111（好的一集是 149）、亮度 174（好的一集是 155），拍出來整集看起來假，只能整集重做。

現在開場畫面要過三關才准拍：程式量清晰度與亮度、製作者逐張放大看、第二位審查者再看一次。九宮格當開場畫面時，影片開頭會停在九宮格上，最長停了 90 格（3.75 秒），交片前要剪掉。

第 5 步：一次生成幾秒？分段生成與接續

一次生成多長，先看模型規格。我們測試用的 MiniMax H3 開源權重，ComfyUI 官方文件寫的目標是短邊 768 像素、每秒 24 格、最長約 15 秒，超過訓練長度就用上一段的最後一格接續，所以 30 秒、60 秒的片都是好幾段接起來的。段越長越慢：我們用 124 格和 362 格兩個長度擬合，生成時間約等於格數的 1.43 次方，切短再剪比一次生長片省時間。

一段裡能放的鏡頭比想像中多：一次生成 8 秒可以塞進 7～8 個不同構圖，切點時間會有 0.375 秒以內的偏差，但鏡頭順序和顆數都可信。打鬥片我們從「每 4.5 秒一段、一段一鏡」改成「一張九宮格當第 0 格、一次生成 15 秒、讓模型自己切 4～6 鏡」，卡頓從 36 格降到 1 格，換鏡點跟提示詞寫的時間差在 0.35 秒以內。

要切點準，就把分鏡圖釘在時間軸上：9 張分鏡分別釘在各鏡切點，8 刀切點跟劇本 0 格誤差；只釘開場那張，實際切點會比劇本早 0.7～1 秒。釘也不能釘過頭，每顆鏡頭開頭都釘一張照片，畫面幾乎不動，看起來像圖片在說話。

表內數字都是我們自己的測試：2026 年 9～10 月、本團隊一台 RTX 5090 32GB，跑 ComfyUI 裡的 MiniMax H3。

接縫要順，關鍵在怎麼接。文字承接留得住道具：第 2 段起在場景描述尾端補一段「上一段結束時場上的樣子」，只多 82 個字，摔碎的杯子就留住了，但接縫還是會跳。把上一段最後一格當下一段第 0 格，接縫才順；這時要用能同時吃首格和角色參考圖的節點（MultiKeyframe），純圖生影片節點會把第二個角色弄丟。

接點要選在動作緩下來的那一格。接續功能（continue_from）的前 22 格是模型「重演」上一段尾巴，照官方剪掉 22 格再接還是跳 3 倍，在重演區逐格找最貼的那格接，才降到 1.05 倍。短片在顯存允許下盡量一整段生成，分段的接點在動作少的畫面裡看得出剪接感；768×1344、243 格的一段跑 8 步要 708 秒，顯存約 27GB。

開工前先實查顯卡使用率和各服務的佇列，有工作在跑就等它跑完。趕時間的段落用 992×544 小畫面生成，再用 RTX VSR 放大，一段 15 秒約 3 分鐘。

第 6 步：逐段審片與重拍

每段原片出來，先讓程式粗檢，再由製作者逐格審，另一個獨立的 AI 審查代理只看組好的成片。審查很花時間：分鏡審查代理跑過 35 分鐘以上、140 多次動作，所以我們不讓顯卡等審查，生成和審查並行。人審時先抓五種明顯壞法：穿模、方向轉錯、角色多一個或少一個、道具位置錯、該有的東西不見。

做法是把原片或劇本跟毛片放在同一個時間點並排抽格，長片分窗，每拍好一窗就審。對嘴要另外看：只聽聲音驗不出對嘴對錯人，所以每段多產一張「每句台詞講話當下抽 3 格」的對嘴表，逐句看。請大型語言模型幫忙看片時，OpenAI 的 API 不收 mp4 檔，我們把影片拆格、每格標上版本與秒數再送，70 格約 0.4 美元。

兩條停損規則參考自 DirectorSKILL 的三振規則，失敗到第三次就重新規劃鏡頭，不再改提示詞。只換一鏡的做法剪完要驗三件事：總格數不變、換到的鏡頭跟補拍版一樣、沒換的跟原片一樣。同設定同種子可以完全重現，裝過 4 種外掛都驗過，這是只重拍一鏡能成立的前提。

第 7 步：後製驗收與交片

後製是把審過的片段組起來，加上字幕、配樂與混音，組成每秒 24 格的成片，再看題材決定要不要補幀到每秒 48 格。每項都有程式驗收，每個檢查都用「一定該擋」和「一定該過」兩組對照驗過：換幕時音量凹陷不超過 6dB，台詞混音後的辨識命中率不比原聲低 0.25 以上，字幕晚出 0 句，成品格數與每秒格數正確，手機版小於 30MB。

補幀也有驗收：格數剛好是原本的 2 倍，補出來的畫面跟原畫面的比對分數（PSNR）高於 30，換鏡處全部是重複格，不讓補幀在兩個鏡頭之間補出疊影。字幕時間、配樂、響度與補幀模型怎麼選，細節寫在 AI 字幕與影片補幀實測。

要投 Meta 的直式版位，交片前再對一次官方規格。Meta 廣告指南列出 Instagram Reels 廣告建議比例 9:16、解析度 1440 x 2560 像素，畫面上方至少 14%、下方 35%、左右各 6% 不放文字與商標。Reels 與限時動態的完整規格、素材要準備什麼，寫在 廣告影片製作流程與費用。

交片後清中間檔之前，先確認正本已歸檔（逐檔比對 SHA-256），遠端主機上的檔案搬到待刪資料夾，不直接刪除。

AI影片常見破綻與修法

AI影片最常露餡的地方很固定：對嘴對到別的角色、動物毛在大動作時變得像塑膠、落下的顆粒被畫成細沙、畫面裡的字寫錯、換鏡頭前人物提早變形、播起來一頓一頓。這幾種我們都量過也修過，修法多半落在分鏡、開場畫面和接法上，改提示詞能救的不多。人臉大特寫的長鏡頭和精細的手部動作也容易露餡，我們接案時直接避開這兩種畫面。

1. 對嘴對到別的角色。 現象：狗和貓同框、台詞是貓的，張嘴的卻是狗，6 段 45 句逐句抽格都看得到；提示詞寫「狗嘴巴閉著」照樣出錯。原因：從修法回推，決定誰張嘴的是開場畫面，文字指定擋不住。修法：把開場畫面裡不講話的角色改成閉著嘴、轉頭看講話的那一位，再用對嘴表逐句驗。

2. 動物毛在大動作時像塑膠。 現象：全身中景加上大動作，毛變成塑膠質感，量到的細節量從約 125 掉到約 78。原因：塑膠感集中在全身中景的大動作，臉部特寫的毛都保得住；換參考照、換取樣器、加步數、精修，同畫面同種子 7 支對照都救不了。修法：改分鏡，動物的大動作改拍半身或特寫。

3. 落下的顆粒畫成細沙。 現象：倒砂、倒米、倒豆子這類畫面，不釘畫面一定畫成細沙；每 18 格釘一張圖，顆粒又卡在半空。原因：釘太少，模型照自己的習慣畫；釘太密，顆粒被定在釘住的位置。修法：改成顆粒稀疏的慢動作，只釘頭尾兩張。產品倒出來、撒出來的鏡頭在商品廣告裡很常見，這一條最常用得上。

4. 畫面裡的字寫錯。 現象：影片中間沒釘圖的地方寫了三個金額，每一階都長出多餘的數字、重複出現；長的英文產品名也會畫錯。原因：沒釘圖的段落，字是模型自己生出來的，要畫的字越多越容易錯。修法：要確定字對，就把字放在釘住的定版畫面上，或先把字畫在圖上、只釘第 0 格，讓影片自己把它帶出來。

5. 換鏡頭前人物提早變形。 現象：釘了下一顆鏡頭的開場畫面，模型會在換鏡前提早去湊它，1 格內人從坐著瞬移成站著。原因：模型往下一張釘住的畫面靠攏。修法：每個換鏡點前 12 格逐格看相鄰兩格的差異，大於 10 就換成定格，聲音和總格數不變。

6. 播起來一頓一頓。 現象：原片在部分鏡頭每 4 格出現 1 格重複。原因：原片本身就有重複格，補幀還會把它變成兩格。修法：先挑掉重複格再補幀。

7. 越接越亮、越接越藍。 現象：多段接力時光線一段一段漂，天空和背景的色調也跟著飄。原因：每段都從上一段的尾巴往下生，ComfyUI 官方文件也提醒接續越多，誤差會累積。修法：每 2～3 段比一次色調，交片前把原片顏色逐格套回（LAB 色彩空間的平均與標準差轉移，混合比例 0.85）。

8. 字幕晚出、蓋到下一鏡。 現象：只釘開場畫面時，實際切點比劇本早 0.7～1 秒，字幕照劇本時間上就會晚出。原因：模型切鏡的時間跟劇本對不上。修法：字幕照成片的實際切點對；要切點準，就把每顆鏡頭的分鏡圖都釘上。

做一支AI生成影片要多久？

做一支AI生成影片要多久，看劇本有沒有先定、做法是不是頭一次用。我們自己的測試與研究紀錄裡，一集約 90 秒的寵物短劇，劇本先寫好，從開拍到完成約 3 小時；同系列頭一集因為頭一版被退、整集重拍，前後約 13 小時。單段 15 秒用快速拍法，約 3 分鐘就能生完。

雲端AI影片生成工具和本地流程怎麼選

市面上的AI影片生成工具大致分三類：線上設計平台內建的影片功能、影像與剪輯軟體裡的生成功能、模型廠商自己的網頁或 App，開網頁就能用、不用顯卡，適合先試方向。本地流程是把開源模型裝在自己的主機上，要一張大顯存顯卡，換來的是能逐格審、指定首尾格、同設定完全重現，素材也不用上傳。

主機要多大的顯卡和記憶體，寫在 地端 AI 主機規格實測；ComfyUI 的安裝、佇列和爆顯存怎麼處理，寫在 ComfyUI 教學；分鏡與開場畫面用的本地產圖模型，實測寫在 Qwen Image 本地產圖實測。

我們的 AI 影片製作方案

碼上投提供 Meta 投放用的 AI 影片製作服務，腳本、生成、剪輯與合規審查由同一組人負責，每支含 2 輪修改。單支 15 秒 $100 USDT、30 秒 $180 USDT、60 秒 $300 USDT；需要每月固定輪替素材的帳戶，可以用月包 Starter $350 USDT。方案內容與交期寫在 AI 影片製作服務。

想把素材命名、批次檢查這類重複的工作寫成程式，看 自動化程式開發，依功能報價，評估不收費。

常見問題

如何用AI生成影片？ 先畫開場畫面，再讓模型照著往下演，這是圖片生成影片的做法。投放用的片每段控制在 15 秒以內，用上一段最後一格接下一段，生成前先定調、畫分鏡，生成後逐段審片再後製。

什麼AI可以生成影片？ 雲端工具和開源模型都可以。雲端工具開網頁就能用；開源模型裝在自己的主機上，我們測試用的是 MiniMax H3（海螺 AI 3.0），設定與速度寫在 海螺 AI 本地實測。

AI影片一段最長能生成幾秒？ 要看模型，MiniMax H3 開源權重的官方文件寫最長約 15 秒。更長的片是分段生成再接起來，我們自己測試把上一段最後一格當下一段第 0 格，接縫平均像素差從 67.0 降到 4.4。

做一支AI影片要多久？ 要看長度和劇本是否先定。我們的 15～30 秒標準件排五個工作天，60 秒順延 2 天；我們自己測試一集約 90 秒的短劇，劇本先寫好，從開拍到完成約 3 小時。

AI影片最容易露餡的是哪裡？ 對嘴、動物毛、落下的顆粒和畫面裡的字。人臉大特寫的長鏡頭與精細手部動作也容易被看出來，我們接案時直接避開。

AI生成影片投 Meta 廣告會被標示嗎？ 可能會。Meta 說明中心寫明，用第三方 AI 工具製作或編輯的廣告圖像，會在廣告的「About this ad」頁面顯示 AI info，調整尺寸、校色這類小修改則不會；投放前要準備的素材與規格，寫在 廣告影片製作實例。