淘房记FOREVER :EXE 这个标题本身就带着一种冷峻的张力：如果把一段文明压缩成一个可执行文件，它到底算不算还活着。围绕人工智能与文明永生主题AI短片做创作，真正卡人的地方往往不是画面生成不出来，而是你很难把“永生”这种抽象命题，落到一个具体的、能在三分钟里成立的场景上。这篇内容适合两类人看：一类是想用 AI 工具做叙事短片、但每次做到一半就散架的创作者；另一类是有技术背景、想把整条流程跑顺、能稳定交付一支成片的人。最值得关注的是流程顺序——先定主题载体，再锁视觉，再出图、出视频，最后才是声音和剪辑。顺序一乱，后面全是返工。
这类 AI 短片常见的翻车方式很一致：开头几秒很惊艳，中段开始飘，结尾收不住。原因不在模型能力，而在前期没有把“一致性”和“叙事节奏”这两件事当成工程问题来处理。角色脸变了、光线跳了、镜头语言乱了、配音和画面对不上，任何一个环节松一点，成片就会露出拼接感。下面按实际落地顺序拆一遍，从脚本怎么减、视觉怎么锁、图怎么批量出、视频怎么控时长，到声音和导出的自检。
1. 先把“文明永生”翻译成能拍的三分钟，而不是一句口号
主题越宏大，越容易写成旁白朗诵配空镜。人工智能与文明永生这个命题，如果只停留在“人类意识上传云端”这种概括句上，画面会非常空。脚本阶段要做的第一件事，是给“永生”找一个具体的载体，让观众能看见它、能判断它的状态。
1.1 主题越抽象，越要先定一个具体的“载体”
我一般会先问自己一个问题：这支短片里，“文明”是被放在什么东西里的？是一台还在运转的服务器机柜，是一段反复播放的录音，是一间无人值守的档案馆，还是一个每天按时醒来、执行同一套流程的程序。载体的选择直接决定了后面所有画面的质感。
以 FOREVER :EXE 这个方向为例，可执行文件这个隐喻天然适合做成“程序在跑、但人已经不在”的结构。那么载体就可以是：一块持续闪烁的状态灯、一行不断滚动的日志、一个每天定时执行的任务。画面不需要多复杂，但必须有可观察的变化，比如日志行数在增加、指示灯从绿变黄、风扇转速在下降。观众通过这些细节判断“它还在撑”。
反过来，如果载体是“云端”“数据海洋”这种没有边界的意象，出图时会得到大量类似的发光粒子、星云、蓝色光带，镜头之间没有区分度，剪辑时根本排不出节奏。这是我踩过好几次的坑：概念很美，素材一堆，无法成片。
所以脚本第一步不是写台词，是写清楚三件事：载体是什么、它的状态怎么变化、最后一个镜头停在哪个细节上。这三件事定了，后面分镜才有依据。
1.2 三幕结构压缩到 90 秒：脚本阶段必须做的减法
短片常见的时长区间是 60 到 180 秒。按 90 秒来算，能承载的信息量其实很小。我的经验是：90 秒最多容纳 3 个场景转变、12 到 18 个镜头、120 到 180 字旁白。超过这个量，观众会开始跟不上。
三幕可以这样切：
- 第一幕（0 到 25 秒）：建立载体。观众要知道自己在看什么，它为什么在运转。
- 第二幕（25 到 65 秒）：出现扰动。某个指标异常、某段记录缺失、某次执行失败。这是短片的“戏眼”。
- 第三幕（65 到 90 秒）：给出一个不解释的收束。灯灭、日志停在一行、镜头拉远。
减法主要砍在两处。第一处是砍人物。AI 短片里多一个人物，就多一套一致性维护成本，角色脸、服装、光线、角度都要对齐。能用环境叙事解决的，尽量不加人。第二处是砍台词。旁白每多一句，画面就多一次被台词牵着走的风险。我更建议旁白只承担“时间信息”和“状态判断”，比如“第 4,017 天，温度正常”，而不是去解释主题。
1.3 旁白字数与镜头数的换算关系
一个很实用的换算：中文旁白按每秒 4 到 5 个字读，比较适合这种偏冷静的科幻调性。90 秒全铺旁白大约 360 到 450 字，但全铺会显得吵。实际成片里，旁白覆盖率控制在 50% 到 60% 比较舒服，剩下留给环境音和配乐。
镜头数和旁白要对齐。一个镜头 4 到 6 秒，90 秒大约 15 到 22 个镜头。如果旁白一句话要 8 秒才读完，那这个镜头就得给足 8 秒，画面必须有足够的变化撑住，否则观众会觉得卡住。反过来，如果某个镜头只有 2 秒，旁白就不要压在这上面。
脚本阶段我习惯做一张简单的表，把“时间码、镜头内容、旁白、音效”四列写出来。这张表在后面出图、出视频、剪辑时都会反复用到，比在脑子里记靠谱得多。
注意：脚本没定稿之前不要开始批量出图。改一次结构，前面出的几十张图基本全废，这个返工成本比多花半天写脚本高得多。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 视觉设定先锁死，再谈出图：一致性是AI短片的第一道坎
真正让 AI 短片看起来“专业”的，不是单帧画质，而是镜头之间的连贯感。同一间屋子，第 3 个镜头是冷白光，第 9 个镜头变成暖黄光；同一个角色，正面是短发，侧面变成中长发——观众不一定说得出哪里不对，但会觉得“假”。一致性必须在上游解决。
2.1 建立“角色卡”和“场景卡”
我的做法是先做两份文字卡片，不着急出图。
角色卡写清楚：年龄段、体型、发型、发色、服装款式与颜色、常戴的配饰、默认表情倾向、默认姿态。场景卡写清楚：空间类型、主要材质、光源位置与色温、主色调、标志性物件、镜头常出现的位置。
以档案管理员这个角色为例，卡片可能是这样：五十岁上下、偏瘦、齐耳短发、深灰针织开衫、无框眼镜、习惯低头、肩线略微前倾。场景卡：狭长档案馆、金属货架、顶部冷白日光灯加桌上一盏暖色台灯、地面反光、尽头有一台老式机柜。
这两张卡片的作用是：每次写提示词时，都从卡片里取词，而不是临时想。临时想词是风格漂移的最大来源。今天写“冷色调”，明天写“幽蓝色”，后天写“青灰”，出来的东西根本不是一个世界。
2.2 风格锚定：把形容词换成可执行的画面元素
“电影感”“高级感”“赛博感”这类词在提示词里几乎不产生稳定作用。它们的解释空间太大，模型每次给你的答案都可能不一样。真正有效的是把形容词拆成画面元素。
| 想表达的感觉 | 不要只写 | 换成具体描述 |
|---|---|---|
| 电影感 | 电影感画面 | 中景、浅景深、背景虚化、柔和侧光、低对比 |
| 冷清 | 冷清氛围 | 单一冷白光源、大面积留白、无人物、地面反光 |
| 老旧 | 老旧质感 | 金属表面有细划痕、边角掉漆、灰尘颗粒可见 |
| 高科技 | 高科技感 | 细密指示灯阵列、线缆束整齐排列、无装饰面板 |
这张表不是标准答案，但它说明一个方法：先问自己“这个感觉对应什么可见的东西”，再写进提示词。拆得越具体，批量出图时的一致性越高。
2.3 色彩与画幅：为什么先定 LUT 和比例再出图
画幅要在一开始就定。16:9 适合横屏播放，9:16 适合竖屏，2.35:1 更接近宽银幕。三种比例对应的构图逻辑完全不同，中途换比例等于重做。
色彩同理。我建议先定一个整体的色彩方向，比如“冷白为主、暖色只出现在人物手部附近”。这句话看起来简单，但它约束了每一张图的光源关系。定完之后，所有提示词都围绕这个方向写，出图后再统一做一次调色，把偏差拉回来。
调色这一步不要省。AI 出图之间必然有色差，统一调色是成本最低的一致性手段。一段 90 秒的片子，哪怕只是把整体色温、对比度、饱和度对齐，观感提升都很明显。
3. 图像生成阶段：提示词结构、批量出图与筛选标准
到了这一步，目标不是“出一张好看的图”，而是“出一组能互相接上的图”。这两件事的评判标准完全不同。单张图看的是构图和质感，一组图看的是光线方向、景别变化、主体位置能不能连起来。
3.1 一套可复用的提示词骨架
我习惯用一个固定顺序的骨架，每次只换主体和动作，其他部分尽量复用：
text复制[主体与外观] + [动作或状态] + [环境与光源] + [景别与视角] + [材质与风格] + [画幅与画质]
套进档案馆场景，大概是这样：
text复制五十岁上下的档案管理员，齐耳短发，深灰针织开衫，无框眼镜，
低头看着掌心的一点微光，肩膀略微前倾，
狭长档案馆内，顶部冷白日光灯，桌面暖色台灯，
中景，正面偏侧，浅景深，
克制的写实电影质感，皮肤纹理清晰，金属货架有细划痕，
16:9，高细节
这套骨架的价值在于可替换。要出同一场景的另一个镜头，只改“景别与视角”和“动作”，其余保持不动，出来的图才有连贯性。如果每次都重写全部描述，风格一定漂。
景别要有意识地排开：远景建立空间、中景交代关系、近景给情绪、特写给细节。一个 90 秒短片，我一般会配 3 到 4 个远景、6 到 8 个中景、4 到 6 个近景特写。这个比例不是硬规定，但能避免全是中景导致的平。
3.2 批量出图的命名、目录与筛选
批量出图最容易乱的地方是文件管理。我的目录结构大致是这样：
bash复制project/
├── 00_script/ # 脚本、镜头表
├── 01_ref/ # 角色卡、场景卡、参考图
├── 02_still/ # 出图结果
│ ├── S01/ # 按镜头号分目录
│ ├── S02/
│ └── ...
├── 03_video/ # 图生视频结果
├── 04_audio/ # 配音、配乐、音效
└── 05_export/ # 成片与字幕
文件名带上镜头号和版本号，比如 S03_v02.png。不要用默认的时间戳文件名，剪辑时找素材会疯。
筛选标准要提前定，不要边看边改标准。我一般按四条过：
- 光线方向是否和相邻镜头一致。
- 主体位置是否留出了剪辑空间，比如人物不要正好卡在画面边缘。
- 景别是否符合镜头表的要求。
- 有没有明显的手部、文字、边缘畸变。
一条不满足就重出，不要抱着“后期能修”的想法。AI 生成的细节问题，后期修的成本远高于重出一张。
3.3 出图失败的排查顺序
出图效果不对时，排查顺序建议固定下来，避免东改一下西改一下。
- 先看提示词有没有互相冲突。比如同时写了“强逆光”和“面部细节清晰”，模型很难同时满足。
- 再看主体描述是否过长。描述堆到十几个短句，模型会丢信息。我一般控制在 6 到 8 个描述单元。
- 再看参考图是否过硬。参考图权重太高会锁死构图，太低又不起作用，需要试。
- 最后才怀疑工具本身。大部分问题出在描述和参考图，不在模型。
还有一个容易被忽略的点：出图的分辨率要和后续视频生成匹配。如果视频环节对输入尺寸有要求，出图阶段就要按目标比例出，不要出完再裁。
4. 图生视频：运镜、时长和“崩坏”的真实边界
图生视频是把静态画面变成动态片段。这一步的期望要放平：它擅长做“轻微的、连续的、单一的”运动，不擅长做“复杂的、多主体的、快速变化”的运动。理解这个边界，比调参数重要。
4.1 单镜头 4 到 6 秒是稳妥区间
我实测下来，单条片段控制在 4 到 6 秒，成功率最高。超过 8 秒，画面开始出现结构漂移：人脸变形、物体融合、背景乱变。低于 3 秒，运动还没展开就结束，观感像卡顿。
按 90 秒成片算，如果平均每个镜头 5 秒，需要 18 条片段。这个数量是可控的。如果靠单条长片段硬凑，反而会因为崩坏率高而返工更多。
运动幅度也要克制。轻微的镜头推进、缓慢的横移、主体的呼吸起伏，这类动作稳定性最好。让人物走起来、转身、做手势，崩坏率明显上升。如果脚本里确实需要人物动作，建议拆成更短的片段，用剪辑衔接，而不是让一条片段承担完整动作。
4.2 首尾帧、运镜词和主体的取舍
很多图生视频工具支持指定首帧，部分支持首尾帧。首帧控制很关键：首帧的画面就是视频的起点，所以出图阶段选的图，最好是构图干净、主体明确的那一张。
运镜描述尽量用单一方向。写“缓慢向前推进”比写“镜头环绕并推进再拉远”稳定得多。一次只给一个运动意图，模型更容易执行。
主体数量也要控制。一个画面里出现两个人，模型经常把他们的肢体混在一起。如果剧情需要双人镜头，建议用静态构图加轻微环境运动，比如灯光闪烁、尘埃飘动，而不是让人物互相互动。
4.3 视频崩坏的判断与补救
崩坏有几种典型表现：
- 面部漂移：前两秒正常，后面五官开始错位。
- 结构融合：主体和背景糊在一起，边缘消失。
- 纹理抖动：金属、文字、网格类表面持续闪烁。
- 运动断裂：动作做到一半突然跳到另一个姿态。
对应的补救思路：
面部漂移优先缩短时长，或者换一张正面、清晰、光线均匀的首帧。结构融合通常是首帧本身层次不清，回去重新出图。纹理抖动很难彻底解决，实际处理时我会回避大面积细密纹理，改用更简洁的表面。运动断裂只能靠缩短片段和剪辑掩盖。
注意：不要为了救一条崩坏的片段反复抽卡。设一个上限，比如同一条重试 5 次还不行就换构图。时间和额度都有限。
5. 声音决定短片成不成：配音、配乐与字幕的时序
画面做到八成，很多人就急着导出，结果成片差一口气。问题往往在声音。AI 短片的声音部分，决定了它是“素材拼贴”还是“一支片子”。
5.1 配音先出，画面后配
更稳的顺序是：脚本定稿后先做配音，拿到音频的总时长和每句的起止时间，再按这个时间去卡镜头。这样做的原因是，画面可以微调，语速不好硬改。先出画面再配音，经常出现某句话塞不进镜头的情况。
配音的语速、停顿、情绪要统一。这类科幻题材，我倾向于偏慢、偏平、少起伏的处理，因为主题本身是冷的。如果配音太用力，反而显得煽情。
拿到配音后，把每句的时间码标出来，回填到镜头表里。哪一句压在第几个镜头，一目了然。这一步做完，剪辑会顺很多。
5.2 配乐与音效的层次
声音一般分三层：配音、配乐、音效。三层要有主次，不能都抢。
配音是主线，配乐要压在下面。音量关系上，配音清晰可辨是底线，配乐在配音出现时适当降低。音效负责空间感，比如机柜风扇的低频嗡鸣、灯管的电流声、脚步在空旷地面的回响。这类环境音不需要很响，但缺了会显得干。
一个实用做法：先铺环境音，再加配乐，最后放配音。每加一层都听一遍，确保上一层还清楚。如果一次全堆上去再调，很难判断是哪一层出了问题。
5.3 字幕与节奏
字幕不只是翻译，它是节奏的一部分。字幕出现和消失的时间点，最好和画面切换对齐，不要一句话跨三个镜头还没结束。
字号和位置要固定，不要一会儿在下面一会儿在中间。中文字幕一行控制在 15 到 18 个字比较舒服，超过就拆行。科幻题材里如果出现日志、编号、时间戳这类文字，建议做成画面内的元素，而不是压在字幕层，观感更统一。
6. 剪辑、导出与交付前的自检清单
最后一步是把所有素材收拢成一支能交付的片子。这一步的工程量不小，尤其是当素材分散在多个目录、命名不统一的时候。
6.1 时间线与转场
剪辑时先按镜头表把片段排好，不要一开始就精修。粗剪看整体节奏，哪里拖、哪里赶，一目了然。粗剪通过后再处理单个镜头的入点出点。
转场要克制。这类题材，硬切比花哨转场更合适。确实需要过渡时，用同一场景内的光线变化、焦点转移来连接，比叠化自然。叠化用多了会让片子显得软。
节奏上，我一般会在第二幕中段放一个“静”的镜头，比如三秒没有任何运动，只有环境音。这个停顿会让后面的收束更有力。短片太满，观众会疲劳。
6.2 导出参数
导出参数要按发布平台来定。通用的一套：
bash复制ffmpeg -i timeline.mov \
-c:v libx264 -preset slow -crf 18 \
-pix_fmt yuv420p \
-c:a aac -b:a 192k \
-movflags +faststart \
final_1080p.mp4
几个参数的含义：crf 控制画质和体积的平衡，数值越小画质越高、文件越大，18 到 20 是常用区间；pix_fmt yuv420p 保证兼容性，很多平台不接受其他色彩采样；+faststart 让文件头前置，网页播放时不用等整个文件下载完。
如果素材是多个片段拼接，可以先用列表文件合并，再统一转码：
bash复制ffmpeg -f concat -safe 0 -i list.txt -c copy merged.mp4
list.txt 里按顺序写每段素材的路径。注意路径要和列表文件的位置对应，否则会报找不到文件。
6.3 交付前逐项自检
导出后不要立刻交付，过一遍清单：
| 检查项 | 判断标准 |
|---|---|
| 音画同步 | 旁白和对应画面偏差不超过一帧的观感 |
| 音量 | 全片响度基本一致，没有突然变大的段落 |
| 黑边 | 画面没有意外黑边，比例统一 |
| 字幕 | 无错字、无溢出、时间点对齐 |
| 色彩 | 镜头之间色温没有明显跳动 |
| 文件 | 能正常播放，拖动进度条不卡 |
这套清单听起来基础，但每次赶工都有人在这里翻车。尤其是音画同步和色彩跳动，自己剪的时候容易看麻木，建议隔一天再看一遍，问题会明显很多。
7. 这类短片真正拉不开差距的地方
工具人人可用，参数大同小异，最后拉开差距的是两件事：一是前期把主题压到了一个足够具体的载体上，二是把一致性当工程问题而不是审美问题来处理。
如果只是想做一支练习片，按上面的流程走一遍，两三天能出一版。如果要长期做这个方向，建议把角色卡、场景卡、提示词骨架、镜头表、导出脚本都沉淀成自己的模板。下一次换主题，改的是内容，不是流程。
还有一个真实的边界要认清：AI 短片目前最擅长的是氛围和状态，不擅长复杂叙事和人物表演。FOREVER :EXE 这类偏概念、偏氛围的题材，正好落在它的能力区间里。但如果你要讲一个有转折、有对话、有情绪弧线的故事，就要做好用剪辑、声音和文字去补的准备，不要指望画面自己把故事讲完。
踩过几次之后会发现，很多问题不是工具不够强，而是脚本没减干净、视觉没锁死、素材没管好。把这三件事提前处理掉，剩下的就是耐心。