AI视频生成总像PPT？不是模型差是分镜描述少了这2个细节

上个月在杭州见了个做短视频的朋友，他跟我吐槽说用AI生成的视频怎么看都像公司年会PPT。

身边5个朋友都大意了这个坑，耽误了好几天（捂脸） 我让他把提示词发来一看……好家伙。

“一只猫在草地上跑，阳光明媚，画面精美”——这种描述AI能给你动起来就见鬼了。

问题真不在模型。

现在这些AI视频工具底子都不差，有些都支持1080P、24帧了。

但大多数人卡在同一个地方：写分镜的时候少了两个要命细节。

核心结论

AI视频像PPT，原因就一个：你的描述里没有“时间流动感”和“物理反馈”。

哈哈我管这俩叫视频的“呼吸感”。

静态图片描述和视频描述完全是两码事。你那句“一只猫在跑”，AI只能给你生成一张猫在跑的图，然后硬让它动起来。

不僵才怪。

我去年十一月用某款AI视频工具做测试……同一段素材，加了这两个细节之后，废片率从七成降到了不到两成。

（这个数据我真记在小本本上了）

具体方法

先说第一个细节：时间流动词。

什么叫时间流动词？就是让AI知道画面里的事情正在“发生中”。

你对比一下。

“一个女孩站在窗边看外面” vs “一个女孩正缓慢转头看向窗外，窗帘被风吹得轻轻摆动”。

后者AI就知道要给转头动作分配时间，要给窗帘加飘动轨迹。

我常用的时间流动词就那几个：缓慢、逐渐、突然、持续、来回、反复。

听起来简单吧？哈哈但十个人里有八个写分镜的时候想不起来加。

还有个更隐蔽的——动作起始状态。

比如“他把杯子拿起来”，不如写成“他的手从画面底部伸入，手指触到杯壁，然后杯子被缓缓举出画面”。

多了什么？多了手从哪来、往哪去。AI拿到这种描述就不懵了。

第二个细节：物理反馈。

这是区分PPT和视频的生死线。

你描述一个物体动起来，必须给它一个“动了之后世界会怎样”的反馈。

举个例子。

我前几天帮同事调一个AI广告片，提示词写的是“一辆车在公路上行驶”。

生成出来……车像贴图一样平移。

后来我改成“一辆车在公路上行驶，轮胎带起路面上的落叶向后方飞散，车身驶过积水洼时溅起水花”。

绝绝子，那感觉一下就对了。

轮胎带落叶——这是旋转反馈。溅水花——这是重量反馈。

再比如“人坐在沙发上”。

加上“沙发坐垫微微下陷，靠背的布面被压出褶皱”。

AI就知道这个人有重量，沙发是软的。

物理反馈的清单不长，但覆盖了绝大多数场景：

• 光影反馈——影子随物体移动而变化，光线被遮挡时地面出现动态阴影
• 材质反馈——布料被拉动时的褶皱走向，金属被碰撞后的轻微震颤
• 粒子反馈——扬尘、水花、火星、碎屑这些细微颗粒的飘散轨迹
• 液体反馈——水面波纹的扩散、液体在容器里晃动的幅度
• 形变反馈——被按压物体的回弹、被拉伸物体的形变方向

这几条你随便挑一两个塞进分镜描述里，效果立竿见影。

我整理过一个对比表格……同一段“倒咖啡”的描述，没加物理反馈的版本，AI生成的咖啡液像一根柱子直直插进杯子。

加了“液体沿杯壁旋转下落、液面逐渐上升、杯口有细微热气飘散”之后，像那么回事了。

（那热气飘散五个字我都感觉是神来之笔哈哈）

还有个坑得提一嘴。

有些人写分镜喜欢把镜头运动也写进去，比如“镜头从人物左侧缓慢推向面部特写”。

这个本身没错。但如果你同时写了画面里三四个物体的运动，再加镜头运动，AI会疯。

它不知道该优先呈现哪个。

我的经验是：一个镜头里，主运动元素别超过两个。

你要么让人物动，要么让环境动。

硬要都写，就明确主次——比如“人物为主要动态，背景树叶仅轻微晃动作为氛围”。

说到氛围……我发现不少人忽略了音频提示。

现在不少AI视频工具支持声音描述了啦。你在分镜里加一句“背景有风穿过树叶的沙沙声”或者“远处有模糊的城市交通噪音”，生成出来的画面质感会莫名其妙提升。

我也没完全搞懂原理，可能是模型把音频特征关联到了画面动态上。

反正试过四五次，每次加了音频描述的片段，画面都更“活”。

上周在小区楼下碰见邻居王哥，他也在折腾AI视频。

他问我为什么他的AI视频人物嘴型对不上。

我看了一眼他的分镜……他写的是“一个人说话”。

我说你得写“一个人嘴唇微张，下巴轻微上下移动，面部肌肉随发音有细微牵动”。

他试完回来跟我说，嘴总算不是贴上去的了。

总之就这两件事。

写分镜的时候，把时间流动词和物理反馈当成必填项。

别怕描述得啰嗦。

AI视频生成最怕的不是描述多，是描述空。

你给的信息越具体，它越知道该动什么、怎么动、动了之后周围会怎样。

下次写分镜的时候试试，把“猫在跑”改成“猫的四肢交替蹬地，毛发随奔跑方向向后飘，爪子落地时带起细小的草屑”。

你会发现那个PPT感……突然就没了。