AI 视频分镜:先定三件事,再拆镜头
一句「拍个 30 秒宣传片」不会得到 30 秒成片。本文对照三家模型的时长限制,讲清分镜表每一行填什么、每镜提示词怎么写、人物一致性怎么保。

结论先行
写一句「拍一个 30 秒的产品宣传片」,工具不会给你 30 秒。片子的长度得先拆好,拆的方式就是分镜。
分镜表之前有三个数字必须先定下来:片子总长多少、每镜多长、宽高比。这三个定不下来,分镜表里一定有镜头做不出来。
一、三个数字先定下来
片子总长多少。 这是你的需求,不是模型的限制。
每镜多长。 由这个模型支持什么决定。Kling 4.0 的 Omni 接口文档写明:duration 接受 3 到 30 秒任意整数;不传时,模型先从提示词里找时长意图,找不到就沿用 base_video 的时长,都没有就默认 10 秒。
Google 的 Veo 3.1 模型规格写得很死:视频长度只有 4、6、8 秒三个档,用参考图生成视频时只支持 8 秒。
输出分辨率 720p、1080p、4K 都支持,但一次最多出 4 条。Gemini Omni Flash 是另一套:输出视频 3 到 15 秒,逐秒可选。Kling 4.0 又不一样:duration 接受 3 到 30 秒之间的任意整数。
宽高比。 同一条片子可能要同时出横屏和竖屏。Veo 3.1 支持 16:9 和 9:16;Kling 4.0 的 Omni 接口支持 21:9、16:9、9:16、1:1 和 adaptive,adaptive 是让模型自己从提示词里读宽高比意图。
Veo 最佳实践讲了这件事:不同平台适配不同宽高比,为提升多平台表现应该分别生成,16:9 适合 YouTube 和演示,9:16 是 TikTok、Reels、Shorts 这类移动端平台必需的。
可操作判断:这三个数字定不下来,就先别写提示词。
二、拆镜头的依据是「一镜一件事」
依据不是「画面好看」,是每个镜头只做一件事。Veo 最佳实践给了一个明确的反例:
不推荐:「侦探在图书馆发现线索,然后夜里开车穿过城市,然后在仓库对峙嫌疑人」
推荐拆成三段单独生成:特写,侦探戴手套的手拂去旧书上的灰,露出隐藏符号;一辆车在霓虹灯笼罩的夜晚城市里行驶,雨水划过挡风玻璃,黑色电影风格;昏暗的仓库里,侦探站在一个剪影人物对面。
官方的理由是:短视频里每个提示词应该对应一个聚焦的瞬间,把多个事件串在一条提示词里,往往产出含混或残缺的视频。
| 检验 | 怎么判断 | 不通过怎么办 |
|---|---|---|
| 一镜一动作 | 主体做了几件事?超过一件就拆 | 拆成两镜 |
| 一镜一机位 | 镜头动了几次?换机位就拆 | 拆成两镜 |
| 一镜一场景 | 地点变了吗?变了就拆 | 拆成两镜 |
三、分镜表:每一行对应一次生成
分镜表不是文档,是工作台。用这个虚构项目练手:「岭风」自行车品牌,一条 15 秒的竖屏短片,投短视频平台。
| 镜号 | 时长 | 景别与运镜 | 画面内容 | 光线与色调 | 生成方式 | 参考素材 |
|---|---|---|---|---|---|---|
| 1 | 3s | 低角度仰拍,缓慢上摇 | 自行车前轮压过碎石路,尘埃在光里扬起 | 清晨侧逆光,暖调 | 文生视频 | 无 |
| 2 | 4s | 中景跟随,轻微手持 | 骑行者的侧后方剪影在山脊线上 | 黄昏金色时刻 | 图生视频 | 骑行者参考图 |
| 3 | 4s | 特写固定 | 车把上的胶带缠绕,背景虚化成光斑 | 自然光 | 图生视频 | 车辆参考图 |
| 4 | 4s | 缓慢拉远 | 自行车停在山道观景台,远处云海 | 日落前蓝调时刻 | 图生视频 | 车辆参考图、骑行者参考图 |
四行加起来 15 秒,每行都有景别、运镜、内容、光线、生成方式、参考素材六个字段。
「生成方式」这一栏逼你在写提示词之前就想清楚这一镜走文生还是图生路,因为两者的提示词写法不一样。
「参考素材」这一栏直接就是素材准备清单。同一个参考素材出现在多行,说明它要做成「角色/产品元素」而不是随手找张图。Kling 的素材库提供了对应做法:把常用主体做成元素(element),一个多图元素至少 2 张参考图、最多 4 张,主图建议用正面照。
表尾加两栏:一栏记「总时长的第几段」,方便后期剪辑知道每镜接在哪;一栏记状态。这张表填不满,就是还没想清楚,别开始生成。
四、每一镜的提示词怎么填
有了表,提示词就变成填空。这里用 Veo 提示词指南给的要素清单,翻译成能填进表格的顺序。以第 2 镜为例:
| 要素 | 填什么 |
|---|---|
| 主体 | 戴米白色头盔的骑行者的侧后方剪影(沿用第 1 镜的设定) |
| 动作 | 匀速骑行,身体微微前倾 |
| 场景或上下文 | 山脊线上的碎石小路,远处是层叠的山影 |
| 机位角度 | 中景,略低于肩部 |
| 镜头运动 | 跟随,轻微手持感 |
| 镜头与光学效果 | 浅景深,远山虚化 |
| 音频 | 车轮压过碎石的连续沙沙声,风声,无音乐 |
| 负向提示词 | text, logo, watermark, subtitle |
Veo 的音频要素分三类:音效(场景中单个明确的声音)、环境噪音(地点的背景底噪)、台词。官方建议用单独的句子描述音频。
台词这格有个坑:Veo 最佳实践写了——为避免模型把文字渲染进画面,台词用冒号引出,不要用引号。
- 不推荐:
A woman says: "My name is Clara." - 推荐:
A woman says: My name is Clara.
负向提示词写成描述,不要写成命令。 官方不推荐用「no」「don't」这类词,推荐直接写你不想要的东西:wall, frame。
五、人物一致性:同一张脸不能变
同一张脸在四个镜头里长得不一样,整条片子就废了。Veo 最佳实践给了三步法。
第一步,写一份角色描述。 官方说这是保持一致性的基础:给角色起名字、定一种声音风格,然后写满一组不会变的特征——体型年龄、发色发型、面部结构、眼睛颜色和形状、有没有胎记或其他标记。
官方还提到,可以用 Gemini Omni 生成一份详尽的面部特征描述打底。
第二步,每次原样粘贴。 官方要求把整段角色描述不改一个字地复制进每个新场景的提示词里,只改新动作和新场景的部分。
第三步,用同一个 seed 参数。 官方说这是保证多个场景之间视觉、风格和声音一致的关键。
Kling 的做法是另一条路:把人物做成元素,多图元素可以用 1 张主图加 1 到 3 张不同角度的补充图,官方说这样能提升多视角一致性;视频角色元素还能绑定声音。
| 做法 | 适合谁 | 官方依据 |
|---|---|---|
| 固定文字描述 + 同一 seed | 纯文生视频 | Veo 最佳实践 |
| 做成元素/参考图 | 工具支持元素或参考图 | Kling 素材库指南 |
| 图生视频 + 只写运动 | 已有满意的角色图 | Veo 最佳实践 |
| 首帧/尾帧控制 | 构图必须精确 | Kling 4.0 关键帧功能 |
图生视频还有专门的提示词写法要记住:原图已经包含了角色、背景、光线,提示词里不要再重复描述,只写运动。官方给的例子是「慢速推近主体」「角色的头发和衣服在风中轻轻飘动」「雾气缓缓漫过地貌」。角色用泛称指代——the subject、the woman、he、she、they。
反过来,图生视频也有长处:官方说原图质量很重要,一张清晰锐利、构图良好的照片会产出更连贯更高质的视频,「把原图当成电影的第一帧,起步越强,收尾越好」。
六、先跑通一镜,再跑四镜
别一次跑完四镜。 先跑第 1 镜(文生视频,没有参考图,最简单),对照分镜表逐项打勾:景别对吗?运镜对吗?光线对吗?时长对吗?
不对就只改一格,改了景别就别同时改风格。第 1 镜定下来后,把它的角色设定搬到第 2 镜。四镜都过一遍,再考虑升分辨率或升时长。
Google 官方的工作流是三步:先以 360p 或 720p 出初稿,用对话式编辑修正细节,最后只对成片做升频。前提是每一步都可控——先定构图,再改细节,最后才花钱提分辨率。
资料来源与未核实项
核对日期:2026-11-10。以下均为当日实际打开过的官方页面。
未核实项:
- 本文没有实际调用任何模型生成过视频,分镜表里的四个镜头是虚构练习,没跑过效果验证,也没核对各模型对这些写法的实际响应。
- 各模型的时长、分辨率、宽高比上限来自官方文档,但同一功能在不同入口(API、应用界面、转售渠道)可能另有上限,本文按官方口径记录。
- Kling 4.0 用户手册里的多镜头格式说明写在 Kling 3.0 的接口页,4.0 接口文档本文未逐条核对是否沿用同一格式。
- 「旁白放到后期配音更稳」是本文的实操建议,官方文档没有关于旁白的专门章节,属未核实的经验判断。
- 声画同步、口型对齐的实际效果各家差异很大,本文没有涉及,也没查证。
- 成本部分不在本文范围内,见站内另一篇成本与工作流文。
用过至少一次视频生成工具
适用范围:视频分镜方法。具体生成工具的时长与配额以官方当前说明为准,本文没有实测成片质量。
以下来源方便你逐项对照;引用文档不代表已经完成实际操作测试。 本文标注为 AI 辅助起草。
- 正文引用的官方页面已逐条打开核对;文中数字均来自这些页面,未实测的部分已在「资料来源与未核实项」写明
- 核对了什么:本次只做表达层改写(拆长段落、结论前置、删重复与填充句),数字、型号、版本、日期、URL、官方表述、否定表述(没有/不支持/不含)以及限制条件全部保留;改写前后用脚本抽取正文里的数字、英文专名与 URL 做集合比对,差集为空,说明没有丢事实。没做什么:没有新增任何事实,没有重新实测文中提到的产品,没有改动正文里已有的表格、清单、代码块与图。
- 核对了什么:这条只说明本文的适用范围与方法边界,不是对某个产品版本的实测结论 —— 写法与站内其它方法类文章一致(明确说明依赖不依赖某个客户端版本、哪些具体环节没有实测)。核的时候逐句确认了正文与这条说明一致:正文里讲的步骤不依赖特定按钮或菜单,涉及具体工具的部分都写了「以官方当前说明为准」。没做什么:没有实测任何一个产品的当前版本、菜单路径、价格或套餐;凡涉及具体价格、额度、地区可用性的表述,正文里都保留为未核实项,没有在这里被当作已核实。
- 2026-11-10 补配图后重新核对:正文文字与事实未改,仅在对应小节末尾插入示意图;正文引用的官方来源链接均已实际打开确认可达,插图文件已核对存在并上传到站内静态资源
- | 分层工作流三步 | 未核实项: - 本文没有实际调用任何模型生成过视频,分镜表里的四个镜头是虚构练习,没跑过效果验证,也没核对各模型对这些写法的实际响应。 - 各模型的时长、分辨率、宽高比上限来自官方文档,但同一功能在不同入口(API、应用界面、转售渠道)可能另有上限,
- | 多图元素 2–4 张参考图;推荐正面主图;补充图提升多视角一致性 | | https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/
- | Kling 3.0 多镜头格式「shot n, m, words;」:1–6 镜、每镜至少 1 秒、单镜最多 512 字符 | | https://kling.ai/quickstart/klingai-element-library-3-user-guide | 多图元素
- | 元素用三视图创建;多角色替换的写法 | | https://kling.ai/document-api/apiReference/model/textToVideo | Kling 3.0 多镜头格式「shot n, m, words;」:1–6 镜、每镜至少 1 秒、单镜
- | Kling 4.0 duration 3–30 秒整数、默认 10 秒;宽高比含 adaptive;关键帧最多 10 张 | | https://kling.ai/document-api/api/usage-guide/kling-4-0-prompt-guide | 元
相关工具
发现内容与当前界面不一致?
提交内容纠错金额随意,多少都帮得上忙。AITime 的资料整理、事实核对和每日更新由个人完成, 没有付费墙,所有内容都可以免费读。
扫码使用微信支付,备注可以留空。
哪个工具卡在哪一步、想给文章补一个真实案例、都可以加我。 留言时写清来源和具体问题,我看到会回。
扫一扫添加好友,备注写「AITime」我更容易认出来。
讨论与使用经验
正在加载讨论…