用可灵4.0做多镜头一致短片：首尾帧接续与角色沿用

这篇能做出什么

照着做一遍，你会得到一条 6～10 个镜头的短片：同一个角色从头演到尾，脸型、发型、服装在不同镜头里对得上；镜头之间用「上一镜的尾帧 = 下一镜的首帧」硬接，或者用跨镜动作自然过渡；最后用 ffmpeg 拼成一条画幅、帧率统一的成片，可以直接发到短视频平台或放进提案里。

下面用一条 30 秒、6 个镜头的示例短片串起来讲：雨天傍晚，角色在巷口等人 → 抬头看天 → 转身 → 走进便利店 → 从货架上拿起一把伞 → 推门走进雨里。

每个镜头 5 秒上下，全程大约需要 15～25 次生成（含废片重试）。角色只有一个，场景只有两个（巷口、便利店），这样能把「一致性」的变量压到最少。

需要提前说清楚：可灵的入口名称、单镜可用时长、分辨率档位、消耗规则都会随版本调整，动手前以官方页面当前版本为准。下面的流程是通用的，换任何一版界面都能套。

前置条件清单

账号与额度

• 可灵账号，积分或会员额度够跑 20 次以上生成。建议先用最低档分辨率和最短时长试片，定稿后再用高规格重跑。

素材

• 角色定妆图 1～3 张：正面为主，光线均匀，背景干净，全身或大半身。如果能出侧面和背面各一张，跨镜时更稳。
• 场景参考图 2 张：巷口、便利店各一张。风格、色调、时间段要统一。
• 可选：关键道具图（比如那把伞），道具颜色一旦定下来就别改。

本地工具

• 一个能跑命令行的地方，装好 ffmpeg 和 ffprobe（打包版本即可）。
• 一个文本编辑器，用来维护角色卡和分镜表。
• 一个文件夹结构，建议长这样：

```text

project/

├── refs/ # 角色与场景参考图

├── frames/ # 生成的首帧、尾帧静帧

├── shots/ # 每个镜头的原始视频

├── norm/ # 统一规格后的视频

└── out/ # 最终成片

```

一次性定下来的规格

• 画幅：16:9 或 9:16，全片不许中途换。
• 分辨率：先按 1280×720 跑通，定稿再上更高档。
• 帧率：24 或 25，全片统一。
• 单镜时长：5 秒起步。时长越长越容易崩，尤其是人物转身、走动这类动作。

分步骤

第 1 步：写分镜表，把「一致性」变成能核对的数据

一致性不是靠感觉，是靠一张能逐行对照的表。先在编辑器里把它写出来，后面每一步都对着这张表干活。

关键点：除了 S01，每个镜头都不需要凭空造首帧，直接用上一个镜头的尾帧。 这是整条流程里一致性收益最大的一个动作。只有当上一镜的尾帧实在不能用（糊了、人物崩了、动作停死）时，才退回第 2 步重新生成静帧。

第 2 步：做角色卡，把描述文字冻结下来

角色卡是一份你每次生成都要原样复制的文本。很多人一致性做不好，不是模型不行，是每镜都换了说法——这一镜写「深灰色外套」，下一镜写「灰夹克」，模型自然当成两个人。

新建 refs/hero_a.json：

```json

{

"character_id": "hero_a",

"固定描述": "二十七八岁的亚洲男性，黑色短发，下颌线清晰，穿深灰色立领外套，内搭白色圆领衫，左眉尾有一道浅疤",

"禁用描述": ["胡子", "长发", "眼镜", "领带", "帽子"],

"参考图": "refs/hero_a_front.png",

"备选参考图": ["refs/hero_a_side.png", "refs/hero_a_back.png"],

"固定色调": "阴天散射光，低饱和，青蓝为主色，暖黄仅作点缀"

}

```

三条纪律：

1. 「固定描述」在每一个镜头的提示词里逐字出现，一个字都不改，包括标点。

2. 「禁用描述」写进负面提示里。角色没有胡子，但模型爱加，就明确禁掉。

3. 参考图全片只用这几张，不要中途换新的定妆图。换了图，脸就换了。

第 3 步：先出静帧，再出视频

图生视频的一致性明显好于文生视频，原因很直白：起点被锁死了。所以每一镜都走「静帧 → 视频」两段路。

静帧阶段要做的事：用可灵的图像生成，输入角色卡里的固定描述 + 当前镜头的场景与机位描述，一次出 4 张，挑一张脸正、手没崩、构图留了运动空间的。

挑选标准（按优先级）：

• 脸部清晰，五官和参考图对得上；
• 人物在画面里没有贴边，前方留出至少一个身位；
• 姿势是「动作的起点」而不是「动作的高潮」，比如要拍走路，就选抬脚前的那一帧；
• 背景干净，没有莫名其妙的路人或文字。

挑好的静帧按 frames/S01_start.png 这样的规则命名，尾帧同理。

第 4 步：用首尾帧接续，把镜头缝起来

在图生视频里选择首尾帧模式，上传起始图和结束图。两种用法：

用法一：单镜内部的运镜。 首帧和尾帧是同一场景的两个不同状态，比如 S01 首帧是「站在原地」，尾帧是「头微微转向左侧」。模型负责中间那段过渡。

用法二：跨镜接续。 把 S01 生成的视频最后一帧截出来，作为 S02 的首帧。可灵生成的视频一般能在结果页直接取到视频，用 ffmpeg 截最后一帧：

```bash

取视频最后一帧，作为下一镜的首帧

ffmpeg -sseof -0.1 -i shots/s01.mp4 -vframes 1 -q:v 2 frames/S02_start.png -y

```

sseof -0.1 表示从结尾往前 0.1 秒开始取，比取绝对最后一帧更稳，能避开某些编码下的空白帧。

拿到 S02_start.png 后，它同时是 S02 的首帧来源。S02 的尾帧则重新生成一张静帧（抬头看天的状态），保证动作有推进。

跨镜接续有个容易忽略的细节：上一镜的尾帧不要停在完全静止的姿势上。 人站得笔直、手垂着，下一镜从这个状态起步，会显得两段视频之间「顿」了一下。让尾帧停在动作中段——手抬到一半、身体刚转过四分之一——接起来才顺。

第 5 步：角色沿用，靠模板而不是靠记忆

每一镜的提示词按同一个模板填，不要自由发挥：

```text

【镜头 S03】

画面主体：{角色固定描述}，站在雨后的老城区巷口

景别与机位：中景，略低角度，机位固定在人物右前方

动作：从静止起步，向右前方走两步后停下

环境：青灰砖墙，地面有积水反光，远处有暖色路灯

光线与色调：阴天散射光，低饱和，青蓝为主色，暖黄仅作点缀

镜头运动：轻微手持跟随，幅度小

时长：5 秒

负面提示：不要换脸，不要改变服装颜色，不要出现第二个人物，不要字幕，不要水印

```

其中「画面主体」和「光线与色调」两行，全片逐字复用。变的是景别、动作、镜头运动。

参考图的做法：如果当前版本支持上传参考图并指定人物一致性，就把 hero_a_front.png 传上去，权重调高；如果支持多图参考，可以把正面和侧面一起传，模型对侧面和背面镜头的还原会好一些。具体入口和参数名以官方页面当前版本为准。

还有一个省事的技巧：把全部 6 个镜头的提示词先写成文件再粘贴。 用一段小脚本从角色卡里批量填模板，避免手抄出错：

```python

import json, pathlib

card = json.loads(pathlib.Path("refs/hero_a.json").read_text(encoding="utf-8"))

shots = [

("S01", "中景，略低角度", "站在巷口，左右张望"),

("S02", "近景，仰拍", "抬头看天"),

("S03", "中景，侧后方", "转身面向巷内"),

("S04", "全景，固定机位", "推门走进便利店"),

("S05", "特写，手持微晃", "从货架上拿起一把伞"),

("S06", "中景，逆光", "撑伞走进雨里"),

]

tpl = """【镜头 {sid}】

画面主体：{who}，{act}

景别与机位：{size}

光线与色调：{tone}

负面提示：{neg}

"""

for sid, size, act in shots:

print(tpl.format(sid=sid, who=card["固定描述"], act=act,

size=size, tone=card["固定色调"],

neg="、".join(card["禁用描述"])))

```

生成好之后逐条复制到网页里，比一镜一镜现想文案可靠得多。

第 6 步：镜头接续的三种方式，按场景挑

硬接。 上一镜结束、下一镜开始，中间不重叠。适合场景切换（巷口 → 便利店）。做法是把上一镜尾帧当下一镜首帧，然后让下一镜的首帧稍微往前跑一点，形成「同一时刻、不同角度」的感觉。

动作跨镜。 一个动作被切成两镜。比如「拿起伞」拆成 S05 的手部特写 + S06 的起身中景。这就要求 S05 的尾帧停在「手握伞柄、还没拿起来」的位置，S06 的首帧就是这一帧。

空镜过渡。 动作接不上时，插一个 2～3 秒的环境空镜（雨滴打在积水上、便利店门口的灯牌）。空镜不涉及角色，也不怕不一致，是修补接缝的常用手段。

三种方式可以混用。越是想显得「连续」，越要靠前两种；空镜是兜底。

第 7 步：统一规格并导出成片

不管前面生成时选了什么参数，导出前全部归一化。先把每一条镜头转成相同分辨率、相同帧率、相同像素格式：

```bash

mkdir -p norm out

for f in shots/*.mp4; do

name=$(basename "$f")

ffmpeg -i "$f" \

-vf "scale=1280:720:force_original_aspect_ratio=decrease,pad=1280:720:(ow-iw)/2:(oh-ih)/2,fps=24,setsar=1" \

-c:v libx264 -crf 18 -preset medium -pix_fmt yuv420p \

-c:a aac -ar 48000 -ac 2 \

"norm/$name" -y

done

```

几个参数的含义：

• scale 加 pad：不拉伸画面，按比例缩放后补黑边，避免人物被压扁。
• fps=24：统一帧率，拼接时不会出现忽快忽慢。
• crf 18：接近视觉无损，文件又不会太夸张。数值越小越清晰、文件越大。
• pix_fmt yuv420p：播放器兼容性好的像素格式，很多平台只认这个。

再按顺序拼成一条：

```bash

: > list.txt

for f in norm/s01.mp4 norm/s02.mp4 norm/s03.mp4 norm/s04.mp4 norm/s05.mp4 norm/s06.mp4; do

echo "file '$PWD/$f'" >> list.txt

done

ffmpeg -f concat -safe 0 -i list.txt \

-c:v libx264 -crf 18 -pix_fmt yuv420p -r 24 \

-c:a aac -b:a 192k \

out/final.mp4 -y

```

这里重编码一次而不是用 -c copy，是因为各段视频的编码参数即使看起来一样，也可能有细微差别，直接复制拼接容易在接缝处黑屏或花屏。

最后检查一遍：

```bash

ffprobe -v error -select_streams v:0 \

-show_entries stream=width,height,r_frame_rate,duration \

-of default=nw=1 out/final.mp4

```

输出的宽高、帧率、时长和你设定的一致，就说明成片没问题。

导出参数怎么选：

音频如果只是配乐，导出时保持 AAC、48kHz、双声道即可。需要配音或对口型的话，建议先导出无声成片，再单独做音轨后合成，改动成本低。

常见坑与排错

排错顺序建议：先看静帧对不对（脸、服装、构图），再看单镜视频对不对（动作、有没有崩），最后才看接缝。前两步不对，接缝再怎么调也救不回来。

下一步建议

跑通一条 6 镜短片之后，可以往这几个方向加东西：

加声音。 用无声成片做底，单独铺环境音（雨声、门铃）和对白。声音能大幅掩盖接缝处的小瑕疵，性价比很高。

做对口型。 如果有正面或四分之三侧面的近景镜头，可以用对口型功能生成说话画面。前提是那一镜的人物脸要足够清晰，模糊的镜头做出来会很怪。

固化模板。 把角色卡、分镜表、提示词模板、ffmpeg 命令整理成一个项目文件夹，下次换故事只改分镜表和角色卡。第二部片子的一致性成本会低很多。

批量跑镜头。 如果当前版本开放了 API，可以用脚本把分镜表读进去、按顺序提交任务、轮询结果、下载视频，再串上本文的归一化与拼接命令，一条流水线跑完。接口形态、鉴权方式和并发限制以官方文档当前版本为准。

做长镜头。 单镜时长受限时，用「尾帧续接」把同一镜拆成多段生成，再用第 7 步的方法拼起来，能做出超过单次生成上限的长镜头。代价是每一段都要单独检查一致性，工作量会成倍增加，建议只在关键镜头用。

最后提醒一句：一致性的本质是减少变量。角色只有一个、场景只有两个、参考图只有一组、描述只有一套，剩下的交给模型。变量越少，可控性越高，出片速度也越快。