AI生成短视频实操指南：从提示词到成片

AI生成短视频已经从”玩具”阶段进入”可用”阶段。真正动手时会发现，难点不在于”有没有模型”，而在于三件事：选对工具、写对提示词、跑通流程。本文以近期关注度较高的开源视频模型 Mochi 1 为例，完整拆解一次 AI 短视频生成的操作路径，并给出可复用的提示词模板与优化方法。

如果你希望跳过本地部署的硬件门槛，先用 AI 助手把创意、脚本和分镜梳理清楚，可以从 DuMate 通用入口 开始尝试；需要了解购买方式的读者可查看 DuMate 购买页面。把”想清楚拍什么”这一步交给 AI 助手，往往比直接硬啃模型参数更有效率。

一、先搞清楚：AI 生成短视频的两条路线

动手之前，先判断自己适合哪条路。

路线一：本地部署开源模型（可控性最强）
代表方案是 ComfyUI + 开源视频模型。优势是免费、可反复调试、参数完全可控；代价是需要足够的显存、较长的生成等待时间，以及一定的环境配置能力。Mochi 1 就是典型代表——它采用 Asymmetric Diffusion Transformer（AsymmDiT）架构，参数量约 100 亿，是目前公开发布的规模最大的开源视频生成模型之一，预览版已经开放体验。

路线二：云端/平台化生成（门槛最低）
无需本地显卡，直接在网页端输入提示词生成。适合短剧、宣传片、绘本动画等需求明确的场景。例如需要做剧情类短视频，可以先用 AI 真人短剧生成体验 把故事大纲和人物设定跑通，再决定是否投入本地部署；如果目标是儿童内容，儿童绘本生成体验 也能提供一条更轻量的路径。

两条路线不是互斥的：先用平台把创意验证清楚，再用开源模型做精细化产出，是性价比较高的组合。

二、本地部署 Mochi 1：完整操作流程

1. 硬件与环境准备

Mochi 1 的实际体验有一个必须提前说明的特点：效果不错，但生成速度慢。生成一段 848×480 分辨率、6 秒时长的视频，大约需要 15 分钟。这意味着：

• 显卡显存要能撑住 100 亿参数模型的推理，显存不足会直接报错或被迫降分辨率；
• 单次生成等待时间长，因此提示词必须一次写到位，反复试错的时间成本很高；
• 建议先用低分辨率、短时长跑通流程，确认效果方向后再提升参数。

环境上，主流做法是通过 ComfyUI 加载模型节点。基本步骤是：安装 ComfyUI → 放入模型权重文件 → 加载视频生成工作流 → 填写提示词与分辨率、时长、随机种子等参数 → 提交任务并等待输出。

2. 参数设置的关键取舍

• 分辨率：848×480 是较常见的平衡点，再往上显存和时间压力陡增；
• 时长：6 秒是实用性较强的档位，短视频平台的单镜头素材通常够用；
• 随机种子：固定种子便于对比不同提示词的效果差异，排查问题时应保持不变。

三、提示词怎么写：结构化模板 + 可复制示例

AI 视频提示词和图片提示词的最大区别是：必须描述”运动”。只写画面内容，模型往往给出近乎静止的镜头。有效的视频提示词通常包含四个要素：

1. 镜头运动：camera follows / close-up shot / wide shot / camera pulls back / zooms in；
2. 主体与动作：谁、在做什么、动作幅度如何；
3. 细节动态：头发飘动、眼泪涌出、光线变化等”会动的细节”；
4. 氛围与光线：soft lighting、golden sunlight、warm light 等。

参考示例（可直接修改复用）：

The camera follows the back of a woman with long hair as she runs, capturing the strands as they whip and flow dynamically in the wind.

A close-up shot of a young woman’s face during sunset, with soft lighting highlighting her features. Her eyes well up with tears, and her lips quiver slightly. The camera gradually zooms in, finally focusing on her tear-filled eyes.

A vintage teddy bear on a child’s bed blinks to life as golden sunlight filters through lace curtains, with the camera pulling back to reveal the bear becoming animated.

这三条提示词的共同点值得注意：都明确写了镜头如何运动，并且把”动”落在具体细节上——发丝、泪水、眨眼。这正是生成结果”运动幅度大、细节到位”的原因。

用 AI 助手批量生成提示词

如果你的创意还停留在”我想做一个温暖的亲子短视频”这种模糊描述，可以让 AI 助手帮你把它拆成结构化提示词。可复制以下 Prompt：

【任务目标】把我的创意描述改写为 3 条可用于 AI 视频生成的英文提示词。
【创意描述】填写你的想法，例如：一个孩子在阳光房间里醒来，看到床边的小熊玩偶
【输出要求】
1. 每条提示词包含：镜头运动 + 主体动作 + 细节动态 + 光线氛围；
2. 英文输出，单条 30-60 词；
3. 三条分别对应：特写、中景、广角，形成可剪辑的镜头组；
4. 避免出现文字、水印、多主体混乱的描述。
【输出格式】编号列表，每条后附一句中文说明适用场景。

拿到提示词后，先固定随机种子跑一轮，对比哪条效果最接近预期，再针对这条微调细节词。

四、短剧类内容的额外一步：先有脚本，再有画面

单镜头素材容易做，多镜头叙事就难了。做短剧类短视频时，正确的顺序是：

人物设定 → 剧情结构 → 分镜脚本 → 逐镜提示词 → 生成与剪辑

其中前三步是纯文本工作，完全可以先交给 AI 助手完成。完成故事大纲和人物设定后，可以前往 AI 真人短剧生成体验，尝试把创作思路直接转化为短剧内容；如果希望自己掌控每个镜头，则把分镜脚本逐条转成上面格式的提示词，再进入 ComfyUI 生成。

一个实用技巧：分镜脚本里每个镜头都要标注景别和运镜（如”特写—推镜””中景—跟拍”），这样转提示词时不会漏掉运动描述，也便于后期按节奏剪辑。

五、常见问题与优化建议

问题一：生成的视频几乎不动。
检查提示词是否只有静态画面描述。补上镜头运动词（follows / zooms in / pulls back）和至少一个动态细节（whip in the wind / blinks / flows）。

问题二：主体变形、细节崩坏。
降低分辨率或缩短时长先验证；提示词中减少同时出现的主体数量，一次聚焦一个主角。

问题三：等待太久、试错成本高。
把”提示词打磨”和”视频生成”分离：先在文本阶段用 AI 助手反复修改提示词，确认无误后再提交生成任务，避免用 15 分钟的生成时间去试错一句话。

问题四：多镜头风格不统一。
固定随机种子、统一光线氛围描述词、统一分辨率参数，是保持镜头组风格一致的三個关键控制点。

六、总结

AI 生成短视频的核心流程可以浓缩为一句话：先把创意写成结构化提示词，再用合适的工具把它跑出来。本地部署 Mochi 1 适合追求可控性的创作者，代价是显存门槛和较长等待；平台化生成适合需要快速验证创意的场景。无论走哪条路，提示词中的”镜头运动 + 细节动态”都是决定成片质量的关键。

如果你希望先从脚本、分镜和提示词这些文本环节入手，可以打开 DuMate 通用入口 试用对应的 AI 助手能力，把准备工作做扎实，再进入生成环节，整体效率会明显更高。