从喂鸭子到成片：AI视频生成的完整技术与提示词实战指南

我最近刷到 fofr 分享的那段“去公园喂鸭子”的生成视频，第一反应不是“这画面真好看”，而是“这活儿到底怎么干出来的”。做过 AI 视频生成的人应该都有同感，这类看似平常的生活场景，恰恰是最难用模型生成的那一类——它没有宏大的奇幻场面可以掩盖细节瑕疵，也没有固定套路可以参考，全靠提示词功底和后期补救。这篇文章就以这个“喂鸭子”的案例为引子，把 AI 视频生成从思路到落地的完整链路拆开讲一遍，包含工具选型、提示词设计、分镜思路和翻车复盘，适合刚接触文生视频、图生视频，或者已经玩过一阵子但总觉得“差点意思”的朋友参考。

1. 一个日常场景背后的技术考量

1.1 为什么“喂鸭子”是一个高难度的测试题

很多人会觉得“去公园喂鸭子”这种场景，随便写一句提示词丢给模型就能出片。实际上完全相反，这类生活化场景对 AI 视频生成模型来说，是标准的“地狱难度”。原因有三：

一是动作的不可预测性。鸭子的运动轨迹没有规律，无人机视角下的水面波纹、鸭子脚蹼划水的节奏、面包屑落入水中产生的涟漪，这些细节的物理规律模型很难天然掌握，稍有不慎就会出现“鸭子原地漂移”“水面像果冻”的诡异画面。

二是交互关系复杂。人伸手喂食、鸭子低头啄食、人与鸭子之间的距离感，这里面涉及人与动物、手与食物、食物与水面的多重交互。目前大多数视频生成模型对“手”的处理已经好很多了，但一旦涉及“手拿着东西给另一个生物吃”这种跨主体交互，出错的概率会直线上升。

三是观众有既定的现实认知。奇幻场景出了问题，观众看不出来；但“喂鸭子”是大部分人真实的童年记忆，画面里任何不符合现实直觉的地方，都会被瞬间捕捉到。这就导致生成结果必须无限贴近真实物理世界的表现，模型几乎没有“糊弄过关”的空间。

1.2 图生视频、文生视频与首尾帧的路线抉择

在动手之前，先得确定用哪种生成路线。目前主流的方式有三种：文生视频、图生视频、首尾帧控制。fofr 这类创作者在制作类似项目时，通常不会只依赖单一方式，而是搭配着用。

文生视频的操作门槛最低，输入一段提示词就能出片，但控制力最差。适合用来“找感觉”——先在模型里跑几个不同版本，看看模型对这个场景的理解倾向是什么，比如它倾向于生成黄昏色调还是白天色调，更擅长正面视角还是俯拍视角。这个阶段的产出不需要很精细，目的是摸清模型的“脾气”。

图生视频的控制力强很多，做法是先借助 AI 绘画工具生成一张满意的关键帧，再把它作为起始画面交给视频模型去“动起来”。对于“喂鸭子”这个场景，提升效果最明显的地方在于构图和光影——你可以在静帧阶段就定好是逆光还是顺光，人物在画面左侧还是右侧，鸭子在近景还是远景，静帧确定后再动起来，整体画面的稳定性就有了基础保障。

首尾帧控制是更进阶的玩法，它不仅指定起始画面，还指定结尾画面，让模型在这两个画面之间自动生成过渡动画。比如起始帧是人物捏着面包屑，结尾帧是鸭子正在啄食，模型会自动补全“伸手、丢下、鸭子靠近、低头叼走”的全过程。这种方式对物理逻辑的呈现最友好，但对首尾帧的构图一致性要求非常高——如果你两张图的光线方向或者镜头焦距不一致，生成出来的过渡动画大概率会“变形”。

综合来看，“静帧先行”是我个人最推荐的路线。先确定关键画面，再让画面动起来，相比直接文生视频，成功率至少翻一倍。

1.3 现役工具的选型逻辑

工具选型这件事，网上争论很多，我的建议是不要迷信某一个，而是看你的核心需求侧重点在哪里。针对“去公园喂鸭子”这类生活化场景，我实际用下来觉得可以从几个维度去做选型对比：

注意：以上选型不是绝对的，模型更新迭代非常快，今天好用的工具三个月后可能就被超越。我的建议是“一个主力，两个备用”——主力工具跑整个流程，备用工具用来补特定短板。比如我在做“喂鸭子”这个项目时，主力用的是可灵，因为它在“鸭子游动”这类非刚体运动上表现最好；如果是拍水面波纹的特写，我会切到 Luma，因为它的光影过渡更细腻。

2. 提示词里的门道：把“日常生活”翻译给模型

2.1 写实系提示词的结构拆解

提示词是 AI 视频生成的核心，它决定了模型“看到”什么。很多人写提示词喜欢堆砌形容词——阳光明媚、岁月静好、春意盎然——这些词模型确实能识别，但“情绪感”不是模型优先执行的指令，它优先执行的是明确的实体、动作、空间关系和镜头语言。

一个好用的提示词结构可以拆成五个部分：主体 + 动作 + 环境 + 镜头 + 氛围。拿“去公园喂鸭子”举例，一个合格的提法是这样拆解的：

• 主体：一位穿米色毛衣的年轻女性（不要笼统写“一个人”，“一个人”模型不知道是谁，细节越具体人物形象越稳定）
• 动作：蹲在湖边，右手捏着面包屑，向水面伸去
• 环境：城市公园，秋天的下午，湖面有落叶，远处有几棵银杏树
• 镜头：中景，镜头缓慢从人物侧面推向水面上的鸭子
• 氛围：金色逆光，轻微雾霭，空气中有细小的尘埃颗粒

合在一起，可以写成这样的英文提示词，英文效果通常比中文稳定：

A young woman in a beige sweater squats by a lake in a city park, pinching breadcrumbs in her right hand and reaching toward the water. A few ducks swim closer, ripples spreading around them. Autumn afternoon, ginkgo trees in the background, golden backlight with a slight haze. Medium shot, camera slowly pushes from the woman's profile toward the ducks. Dust particles visible in the warm air.

这里有个非常关键的点：动词必须精确。“蹲”和“站”是不同的动作，“捏着面包屑”和“手里拿着面包”也是不同的状态。模型对动作类关键词的敏感度很高，动词越精确，生成出来的肢体动作越自然。相反，如果你只写“喂鸭子”，模型大概率会生成一個“把整块面包扔下去”的粗暴画面，因为“喂”这个动作本身包含的细节太多了，模型无法判断你想表达的是哪种子动作。

2.2 镜头语言：决定了“看”的方式

提示词里镜头语言的重要性，我在实际使用中感觉被严重低估了。同一个场景，“固定机位 + 人物侧面中景”和“缓慢推近 + 鸭子特写”完全是两个质感的东西。视频生成模型的底层逻辑是“预测下一帧”，如果你不给它明确的镜头方向指令，它倾向于生成一个相对稳定的机位画面，所有运动都体现在主体动作上。可一旦你把镜头运动写进提示词，模型就会尝试在画面中“移动摄影机”，这个过程的成功率感人——有经验的创作者都知道，模型做推拉镜头容易产生光影突变和背景畸变。

所以我的建议是：在提示词阶段就要想清楚镜头运动方式。两三秒以内的短视频，能用固定机位解决的，不要用运动镜头；需要运镜的时候，优先选择“缓慢推近”这个方向，因为它最贴近人的自然观察习惯，出错率相对低。类似“环绕镜头”“快速甩镜”这类酷炫的运镜方式，建议直接放弃——模型目前的理解能力和执行能力都跟不上，强行生成的结果多半是灾难。

2.3 负向提示词：给模型划一条红线

负向提示词的作用是告诉模型“不要出现什么”。很多人忽略这一步，导致成片里出现变形的鸭嘴、多余的手指、路人乱入等低级问题。针对生活场景，我的常用负向提示词固定清单是：

blurry face, extra fingers, deformed hands, mutated animals, duplicated ducks, low quality, watermark, distorted legs, unnatural lighting

这里值得展开说一下“duplicated ducks”这个负向提示词——你会发现模型特别喜欢在一个画面里自动复制鸭子数量。如果你提示词里只写了“a duck”，模型可能给你生成五只；如果你写了“several ducks”，它可能给你生成三十只。对此我的经验是：如果你想精确控制数量，必须在正向提示词里写清具体数字，并同时加入“exactly"或"only”之类的限定词，同时用负向提示词排除“duplicated”和“extra”的情况。这种“正反双夹”的做法，能把数量的出错率大幅降低。

3. 从提示词到成片：完整复刻一次“喂鸭子”

3.1 第一步：建立分镜脚本

不管你是要生成 3 秒的短片还是 30 秒的叙事段落，建议先把整条视频拆成分镜。拿“去公园喂鸭子”这个主题来说，可以拆成四到五个分镜：

1. 开场全景：公园湖边的全景，人物从远处走来，秋叶飘落，镜头固定
2. 人物近景：蹲下，手伸向水面，手上的面包屑清晰可见
3. 鸭子游近：两三只鸭子从画面右侧入画，向手的方向游动，水面波纹自然扩散
4. 喂食瞬间：面包屑落下，鸭子低头啄食，人物脸上有笑意
5. 结尾空镜：水面波纹逐渐平复，鸭子游着离开，画面淡出

这里我强烈建议不要把“人”和“鸭子的动作”放在一个长镜头里让模型一口气生成，复杂度越高，出错的概率呈指数级上升。把它们拆开，每个分镜单独生成，后期再剪辑拼接，实际效果更可控，后续如果哪个分镜失败了，单独重生成这一个片段就可以。

3.2 第二步：逐镜头生成关键帧

进入实操环节，我按照分镜先用 AI 绘画工具生成每个镜头的关键帧。为什么不用文生视频？因为在做分镜的过程中，先有四张构图稳定的静帧做底子，后续视频生成时每一段画面的风格一致性会好很多。

生成关键帧时，不同镜头的提示词重点也不同：

• 开场全景的重点是“环境信息”——湖面、落叶、远处的树、人物在画面中的比例。建议用“wide establishing shot”开头，人物占比不超过画面三分之一。
• 人物近景的重点是“手部细节”和“面光”——手的姿态要自然，面部的光线方向要与整个场景的光线方向一致。这里建议用“close-up shot, shallow depth of field"来引导模型虚化背景，弱化背景细节的压力。
• 鸭子游近的重点是“水面质感”——鸭子的倒影、水面波纹、鸭体和水面交界处的细节，是判断这类镜头成败的核心。
• 喂食瞬间是情绪价值最高的镜头，但也是最容易翻车的。我的做法是用“freeze frame”式的静帧：人物动作定格在“手刚松开、面包屑正在下落”的瞬间，把这个瞬间作为关键帧，之后让视频模型从这个帧继续生成为 2 到 3 秒的短片段，成功率能明显提高。

提示：生成静帧时建议统一风格标签，比如都加上“cinematic lighting, natural colors, 35mm lens”，这样可以保证几个分镜的画面质感接近，后期拼接时不至于“一镜一个调性”。

3.3 第三步：参数设置与生成策略

不同工具的参数设置选项不一样，但有几个共性参数是需要注意的，直接决定成片质量：

时长。建议单次生成控制在 4 到 6 秒之间。超过 6 秒，模型对运动连续性的维持能力会大幅下降，画面容易出现跳变或者主体漂移。最终成片如果需要更长的时长，后期剪辑拼接就好，不要硬让模型一口气生成长视频。

分辨率与运动幅度。可灵、Runway 等工具里通常有 motion 或 movement 的强度选项。很多人喜欢把这个参数拉满，觉得动得越猛越有视觉冲击力。实际在生活化场景中，运动幅度调小一档，画面会稳很多，也更符合现实生活的质感。鸭子的动作本来就是慢而碎的，硬要大幅运动反而失真。

Seed 值。这是最容易被忽视却极其关键的参数。同一个提示词，换了 Seed 值，生成结果可能天差地别——人物的长相、动作的幅度、鸭子的位置都会变。我的建议是：一旦某个分镜生成出满意的画面，立刻锁定 Seed 值，后续微调提示词时保持 Seed 不变，这样可以逐步逼近理想效果，而不是每次都在“拆盲盒”。大部分主流工具目前都支持设置固定 Seed，如果你用的工具不支持，也可以通过“延续上一次生成”或者“在结果基础上微调提示词再生成”的方式达到类似效果。

循环生成与筛选。一个分镜别指望一次成功，我的常规操作是每个分镜生成 4 到 6 个版本，然后从中筛选 1 个最贴近预期的。这不是“抽卡”，而是 AI 生成的工作方式决定的——模型对“真实感”的理解存在概率分布，多次生成才能捕捉到最自然的那个瞬间。各个工具的批量生成或参考视频功能，可以同时输出多个候选，集中筛选效率更高。

3.4 第四步：后期拼接与增强

分镜都生成好之后，后期虽然是将它们串联起来，但这一步直接决定观感。我个人的剪辑流程通常分三步：

第一步是调色。AI 生成的视频素材之间会有轻微色差，即使提示词里统一了风格，实际生成时也会因为模型随机性导致明暗不一致。导入剪辑软件后，先统一套一层电影感 LUT，再手动调整白平衡和曝光，让分镜之间看起来像是同一时刻同一场景拍摄的。

第二步是补声音。AI 视频生成工具只出画面，没有声音。而“喂鸭子”这个题材，声音占的权重大到惊人——水面细碎的波纹声、鸭子短促的叫声、面包屑落入水中的轻微“噗”声、远处公园里的儿童笑声。这些环境音如果缺失，视频的沉浸感会大打折扣。可以在音效库中搜索公园环境音、水面音效、鸭子叫声来分层铺叠，再根据画面里动作的位置调整声像和音量。

第三步是加过渡。分镜之间不要用硬切，建议使用叠化过渡，时长控制在 0.3 到 0.5 秒之间。尤其是在“人物近景 → 鸭子游近”这两个分镜之间，叠化不仅能让时间节奏自然衔接，还能给观众一个视觉缓冲，有效掩盖两个分镜之间细微的画面差异。

4. 我踩过的坑：AI 生成“喂鸭子”时的翻车现场

4.1 翻车实录一：手与面包屑的“穿帮”

第一次跑这个项目时，我在提示词里写了“pinching breadcrumbs”，生成的静帧画面还算正常，但一旦让画面动起来，问题就立刻暴露——人物的手在伸向水面的过程中发生了严重扭曲，手指数量忽多忽少，面包屑像是从手指尖“发射”出去的，完全没有从手中滑落的物理过程。

后来我排查下来的原因是：模型对“手部动作 + 微小物体位移”的组合理解能力不足。手本身已经是容易变形的部位，还要叠加“手指捏着东西”“东西在运动过程中脱落”两个高难度动作，模型就开始“乱编”了。解决办法有两个方向：一是把动作拆细，第一帧人手捏着面包屑不动，后续镜头直接切到鸭子在水中啄食面包屑的画面，中间的过程让观众自己脑补；二是用首尾帧控制，把“人手捏着面包屑”作为首帧，“面包屑漂浮在水面上”作为尾帧，中间让模型自己生成过渡，成功率更高。

4.2 翻车实录二：鸭子“瞬移”和“溶化”

另一个高频翻车是鸭子本身的运动逻辑问题。画面里两只鸭子明明离人物还有一段距离，下一秒就瞬移到手边；再下一秒，鸭子的身体像融化了一样和湖面糊在一起。

这个问题的根源在于模型对“鸟类的腿部运动”和“身体漂浮状态”的认知是割裂的。水里的鸭子和陆地上的鸡不同，它的大部分身体沉在水下，观众看不到腿，只能看到身体在水面上漂浮移动。模型的训练数据里水鸟素材相对少，就容易把“鸭子”和“漂浮物”混淆，生成出水波掩盖鸭身的效果。

我的解决思路是：在提示词里强化鸭子与水面的位置关系，明确写上“the duck's body floats on the surface of the water, clearly separated from the ripples”这类描述，同时适当增加鸭子身体的解剖学细节描述，让模型“意识到”这是一只完整的活物，而不是一个漂浮的物体。另外，在筛选生成结果时，优先选择那些鸭子与水面接触线清晰、身体轮廓完整的画面，这个标准要高于“氛围感”标准。

4.3 翻车实录三：光影一致性断裂

这个坑最隐蔽，甚至有时候成片初看觉得挺美，细看才发现问题。具体表现是：人物脸部的光是从左边来的，但水面上鸭子的高光却在右边；或者人物近景是逆光剪影，切到全景时却变成了顺光。AI 生成视频时，每一个镜头都是独立计算的，短视频模型缺乏对三维场景光照一致性的全局理解能力。

解决思路分两层。提示词层面：在每一个分镜描述中都强制加入同一组光源方向关键词，比如“light from the left, low golden sun”，用文本抓手约束方向。后期层面：如果实在约束不住，可以在剪辑软件里对每个素材单独打关键帧做匹配调色，把高光位置和阴影方向尽量向同一个方向拉。这个做法不是完美解决，但能显著降低观众对光影不一的察觉。

4.4 常见问题速查表

针对“去公园喂鸭子”这类生活场景，我把踩过的所有坑汇总成一张速查表，方便大家生成时对照排查：

5. 最后再分享一个小技巧

关于“去公园喂鸭子”这类项目，我还想补充一个容易被忽略的细节：先想清楚这个视频要放在哪里用。如果只是发朋友圈和短视频平台，那 15 秒左右的节奏比较合适——一个 4 秒的空镜开场带情绪，一个 5 秒的喂食过程当高光，最后一个 3 到 5 秒的结尾画面收住，配一段舒缓的音乐，就很有感染力。如果是放在纪录片风格的内容里，就需要更长更稳的镜头，每个分镜的时长都要延长到 6 秒以上，剪辑速率也要更克制。

我个人在实际操作中还有一个习惯——保留每一次生成失败的素材。很多人失败了就删掉重跑，但当我们用 AI 做创作时，“失败”的素材往往包含有趣的意外，某个动作的扭曲、某个光影的异常、某只鸭子的奇怪姿态，这些不可复现的随机产物，本身就是独特的视觉语言素材。我早期做“喂鸭子”时有一版素材因为鸭子回头时脖子拉长成了螺旋形，看起来完全不符合物理规律，但那个动感反而有种超现实的美感，后来我把这段素材单独剪出来，配了一首轻松的爵士乐，反而成了当周互动最好的一条动态。

AI 视频生成这个行业变化太快了，今天分享的这些工具和参数，可能三个月后就会被更新的模型取代。但像“拆解场景 - 设计分镜 - 控制过程 - 留好退路”这套思路和流程，我觉得不管工具怎么迭代都不会过时，做 AI 生成内容，思考方式的稳定性比工具的先进性更值钱。这套“喂鸭子”的方法论，换个主题一样能用。