模型选型与常见陷阱：vox-director中真人、品牌与9:16竖屏该选哪个视频模型

模型选型与常见陷阱：vox-director中真人、品牌与9:16竖屏该选哪个视频模型

【免费下载链接】vox-directorTurn one topic into a finished Vox-style paper-collage explainer/ad video — automated end to end on Atlas Cloud + ffmpeg. An agent skill.项目地址: https://gitcode.com/gh_mirrors/vo/vox-director

vox-director 是一个开源 Agent Skill，能把一个一句话话题自动变成成品 Vox 风格纸质拼贴解说视频：分镜脚本、拼贴关键帧、动效、配音、音乐和字幕全流程自动化。跑通它的过程中，最影响成片质量的决定只有一个——为每一类内容选对 AI 视频模型：真人出镜选谁？品牌广告选谁？9:16 竖屏短剧/口播选谁？本文用项目内置的真实样例，把默认模型选择逻辑和最容易踩的坑一次性讲清楚，帮你少走弯路。

一、先看全貌：一条视频背后的 3 条生成路径

vox-director 支持三种输入模式，模型需求各不相同：

上图：30 秒「中国文明演变」影片，B-roll 默认路径（Omni Flash 动画化）的成片效果

其中B-roll 是默认路径，也是新手最常用的：给一个话题，模型自动生成每一帧拼贴海报再让它"活"起来。这条路径下，绝大多数内容都应该用默认动画模型——除非内容涉及真人或品牌。

二、核心结论：真人、品牌必须切到 Kling

这是整个选型里最重要的一条规则：

对非真实内容的动画化，用google/gemini-omni-flash/image-to-video；一旦涉及真人或品牌 Logo，Omni 和 Seedance 会直接拒绝生成，必须改用kwaivgi/kling-video-o3-pro/image-to-video。

两个模型的定位差异：

为什么默认模型会"拒绝"真人？这是内容安全过滤机制，不是你 prompt 写错——无论措辞多委婉，让 Omni 或 Seedance 动画化一张真人照片基本都会被拦截。

项目内置了一个可直接运行的样例 examples/ronaldo-9x16-kling.beats.json，它就是"9:16 竖屏 + 真人 + Kling"三件套的组合拳，打开就能看到关键写法："aspect": "9:16"配"video_model": "kwaivgi/kling-video-o3-pro/image-to-video"。

上图：足球题材 60 秒影片——人物类题材建议参考同目录的 ronaldo 样例切换到 Kling

三、品牌广告的两个隐藏陷阱

品牌片比真人片更"刁钻"，除了换模型，还有两个容易翻车的细节：

1. 产品标签会被"重新拼字"

动画模型在 C-roll 路径中可能把产品上的文字改写——项目验证时实际观察到过香水标签 "PARFUM" 变成 "PAREUM"。解法：croll_keyframes.py会往 beats.json 写入anchor_freeze保护句，scripts/clips.py 在生成运动 prompt 时把它注入每个镜头。不要跳过 keyframe 阶段直接生成动画，否则保护句不存在。

2. 别要求模型"重画"人脸

A-roll 模式下，无论 prompt 怎么写（强措辞或弱化措辞），让模型对真人面部做重绘/网点化纹理都会被拒绝——项目两种写法都实测失败。正确姿势是：保持真人面部、口型、手势逐帧跟随原素材，只把人物剪影边缘和背景换成纸拼贴。相关规则见 SKILL.md 的 A-roll 章节。

四、9:16 竖屏：比例路由与"确认门"机制

很多人把竖屏 9:16 视频做废，不是模型不行，而是比例没对齐。vox-director 在 scripts/styles.py 的resolve_video_aspect里内置了一套比例路由规则：

1. 精确匹配优先：项目目标比例（如 9:16）若被所选模型原生支持，直接用；
2. 近似回退必须人工确认：若模型没有精确匹配项（比如某些模型只认 16:9/9:16/1:1），脚本会取最近比例，但停下来要求你确认——在 beats.json 里设置"aspect_approx_confirmed": true才会继续，绝不静默重裁画面；
3. 全片统一：同一次运行的所有镜头共享同一个解析后的比例，成片不会出现横竖混剪。

上图：60 秒「金钱简史」竖屏成片，对应样例 examples/money-60s-9x16-english.beats.json

竖屏还有一个与模型无关但影响巨大的节奏规则：9:16 社交场景下，单个镜头别超过 7 秒，建议 4–6 秒一切、每个 beat 给 2 个镜头（带标题的全景 + 不带标题的细节特写）。这是 SKILL.md 中总结的"最大节奏收益点"——模型再强，一个 10 秒静止镜头在竖屏里也像死画面。

五、常见陷阱速查清单

🔍 把项目已验证的坑整理成清单，遇到问题先对一遍：

• 内容涉及真人/名人/品牌→ 忘了切 Kling，Omni 直接拒单
• A-roll 想重绘人脸→ 必被拒；保持面部原样、只重做背景风格
• C-roll 产品文字漂移→ 漏跑 keyframe 阶段，anchor_freeze没注入
• 竖屏用了不支持的比例→ 没看确认门提示就强跑，画面被静默改框
• 镜头太长→ 9:16 下单镜头超过 7 秒，成片像 PPT
• 模型 ID 失效→ 模型编号会漂移，项目运行前会自动拉取在线模型列表，以实时列表为准
• Omni 想要 1080p→ 它只有 720p；要更高分辨率换 Seedance（支持 480p/1080p）

所有 API 调用统一经过 scripts/provider.py，内置失败/卡死任务自动重提交机制，单个镜头卡住不会拖垮整条流水线。

六、总结：一张表记住选型逻辑

模型选型定对，vox-director 的其余环节——拼贴风格、配音、配乐、剪辑——都会按 SKILL.md 定义的流水线自动完成。新手最省力的起步方式：直接复制 examples/ 里的 beats.json 改一改，跑通一条自己的成片。

【免费下载链接】vox-directorTurn one topic into a finished Vox-style paper-collage explainer/ad video — automated end to end on Atlas Cloud + ffmpeg. An agent skill.项目地址: https://gitcode.com/gh_mirrors/vo/vox-director