从剧本、人物设定、场景空镜、首尾关键帧，到 Seedance 2.0、FCP 和 Suno：这是《没迟到》的完整制作复盘。
最近，我完成了一支 49 秒的 AI 短片，名字叫《没迟到》。故事并不复杂：一个普通上班族醒来，发现自己快赶不上早上 9 点的会议。为了不迟到，他从卧室一路冲出去，滑楼梯扶手、爬上公交车顶、抓住直升机、掉进一个像 1980 年代迈阿密的世界，再跳进海里、抱着火箭升空，最后从写字楼外墙进入会议室，在 08:59:59 坐到自己的位置上，平静地说了一句：“没迟到。”
下一秒，闹钟再次响起。他从床上醒来，看见手机上的日期，才发现这一切只是一场被通勤支配的梦。
短片发到朋友圈后，反馈比我预想得更好。有人觉得好笑，有人注意到里面的游戏和动作电影梗，也有人问我：这样一支看起来像“一镜到底”的 AI 视频，到底是怎么做出来的？
这不是一篇“一句话生成大片”的爽文。这个项目反而让我更明确地意识到：AI 可以降低制作门槛，但它不会自动替你完成导演、美术、摄影和剪辑。真正决定成片质量的，是能不能把一个模糊的想法，拆成一套可检查、可返工、可复用的制作系统。
一、灵感：把最普通的焦虑，一路推到最荒诞
《没迟到》的起点，是一种很多上班族都熟悉的体验：明明是周末，却梦见自己要迟到了。你知道自己在拼命赶路，但目标不断后退；电梯不来、门打不开、时间却越来越少。醒来后发现今天根本不用上班，那种如释重负又有一点荒诞的感觉，很适合做成短片。
最初的想法只是“一个人疯狂赶去公司”。但如果只是从家跑到办公室，画面很快会重复。于是我和 ChatGPT 一起反复推演，把故事定成一条不断升级的动作链：
卧室 → 楼梯间 → 街道 → 公交车顶 → 直升机 → 迈阿密式游戏世界 → 深海 → 火箭 → 高空坠落 → 写字楼外墙 → 会议室 → 梦醒。
这里有一个重要原则：每一个奇观都不是为了展示奇观，而是为了“继续赶路”。直升机、潜水推进器和火箭，都只是主角赶去上班的交通工具。越离谱的世界，配上越平静、越日常的目标，喜剧感就越强。
另一个原则，是每 4 秒至少出现一个新的动作爆点：先建立“要迟到了”，再逐步扩大空间尺度，在火箭和高空坠落处达到顶点，回到会议室突然收住，最后用梦醒完成反转。
虽然场景从现实一路冲到高空，人物始终保持同一条向前的动作线。对我来说，这才是“一镜到底”成立的关键：不是镜头真的一次拍完，而是观众始终相信这个动作没有停下来。
二、先把剧本变成一条生产线
我一开始也很容易有一种冲动：有了点子，马上打开视频模型试一段。但如果人物、衣服、场景和动作都没有确定，视频模型就要在短短几秒里同时设计人物、设计场景、理解动作并完成运镜。只要一项漂移，整段就要重做。
所以我最后采用的工作流不是“剧本 → 视频”，而是：
故事剧本 → 镜头拆分 → 人物母版 → 服装与道具设定 → 场景空镜 → 边界关键帧 → 视频提示词 → 分段生成 → 检查与返工 → FCP 剪辑 → 音乐与声音。
中间最核心的一层，是“边界关键帧”。最终成片使用了 13 张边界图：K00 到 K11，中间增加了一张 K07.5。相邻两张图对应一段约 4 秒的视频。上一段的尾图，必须原封不动地成为下一段的首图，而不是重新生成一张“很像的”图片。
这件事看似机械，却解决了 AI 视频最常见的问题之一：接缝处人物突然换脸、衣服变形、场景跳动。它相当于给每段视频钉上两个固定锚点，视频模型只负责“怎么从这里运动到那里”。
项目最初计划做 11 段、44 秒。实际生成时发现，“抱住火箭升空、换上宇航服、再从高空返回楼顶”全部塞进 4 秒，动作密度实在太高，所以增加 K07.5，把这一段拆成 V08A 和 V08B。最终是 12 段视频，源素材合计约 48 秒；经过剪辑并加入片尾后，成片约 49 秒。
这也是整个项目中很典型的一次调整：不是继续往提示词里塞更多形容词，而是承认一个镜头装不下，重新划分生产边界。
三、图片不是插图，而是整部片子的美术设定
项目最终目录里保留了 28 张正式图片资产，主要分为人物身份母版、服装和载具设定图、没有人物的场景空镜，以及加入人物和动作后的边界关键帧。
先锁定“我是谁”
我先上传自己的正面和背面照片，让 ChatGPT 生成一张人物身份母版 ID-MASTER。这张图不是为了好看，而是为了固定脸型、发型、肩宽、身材比例和背面轮廓。
人物提示词节选： 正面照片用于锁定五官、肤色和正面发型；背面照片只用于后脑发型、肩宽和身体比例。保留真实脸型、眉眼距离、鼻梁、嘴唇、下颌线、发际线和年龄感。禁止瘦脸、大眼、磨皮、年轻化，也不要生成一个“长得很像”的新演员。
AI 默认倾向于把人物变得更标准、更精致，而短片需要的不是一个被美化的演员，而是同一个人在十二段画面里持续出现。
再锁定服装和道具
根据剧情，我一共做了七套服装状态：睡衣、匆忙穿了一半的通勤装、完整西装、迈阿密风格夏威夷装、潜水服、轻型宇航服，以及穿在西装外面的黑色特工服。每套衣服都先做三视图，再拿去生成关键帧。
三视图把“深色西装”这种模糊描述变成确定的结构：翻领有多宽、领带是什么颜色、鞋子是哪一双、背面有没有开衩。否则同一套衣服到了侧面和背面，很容易被模型重新设计。
片中直升机连续出现在多个镜头里。如果每张图都只写“一架武装直升机”，模型很可能每次生成不同型号。所以我单独做了一张 HELICOPTER-MASTER，固定四叶主旋翼、涵道尾桨、机身颜色、传感器、挂架和双滑橇。
人物要抓住直升机滑橇，所以滑橇必须完整、无遮挡，还要有足够的握持空间。道具设定不能只考虑“长什么样”，还要考虑“演员怎么用它”。
先生成空镜，再把人放进去
复杂场景我没有直接让模型一次性生成“人物 + 环境 + 动作”，而是先做没有人物的空镜，确认光线、机位、空间路线和落脚点，再把人物放入场景。
这样，发现问题时就能判断是哪一层出了错：场景方向错了就重做空镜；人物动作错了就重做关键帧；服装漂移了就回到服装参考；道具变形了就加强母版约束。如果所有东西都在一张图里临时生成，返工时只能整张推倒重来。
四、三个镜头，说明图片和视频怎么连起来
案例一：从公交车顶抓住直升机
这一段的首图 K03 让人物在公交车顶保持稳定跑步姿势，并在右前方清楚露出直升机滑橇；尾图 K04 则固定双手抓住同一根滑橇、身体悬空的状态。
K04 图片提示词节选： 机位位于直升机左前下方，与直升机同速。主角穿完整西装，双手分开约肩宽，明确抓住靠镜头一侧的同一根金属滑橇，手指完整环绕圆管；双臂因承重略微弯曲，身体悬挂在直升机下方并向后倾斜。滑橇、双手和身体之间无遮挡。
V04 视频提示词节选： 主角沿公交车顶冲刺，在车头边缘起跳。右手先抓住近侧滑橇，左手立即在肩宽位置抓稳同一根滑橇。直升机因新增重量克制下沉一次，再稳定抬升；镜头从公交车侧面平滑上升到直升机左前下方，不绕圈、不反转方向。
这个案例让我确认了一件事：首尾图负责定义世界，视频提示词负责定义变化。 已经在图片里确定的内容，不需要在视频提示词里重新设计一遍。
案例二：最容易忽略的不是脸，而是方向
从直升机进入迈阿密风格世界的镜头，是整个项目返工最典型的一段。最初画面看起来很炫，但仔细看会发现：车辆前后方向不对，方向盘像被放到了车尾；人物、汽车和直升机的运动轴线也没有统一。
这种错误在单张图里可能只是“小瑕疵”，进入视频后却会被放大。汽车要向前开，人物要落进副驾驶，直升机也要同向飞行。如果首图的空间关系含糊，视频模型只能猜。
所以我回到图片环节，把构图改成明确的“后方跟拍”：摄像机位于敞篷车后方；汽车背对镜头驶向道路远端；金发驾驶员坐在左侧，方向盘位于正前方；主角以背影朝向车辆前进方向；直升机位于人物和汽车正上方，同向飞行。
视频提示词也不再只写“落入汽车”，而是把过程拆成连续动作：穿过云门、完成换装、利用摆荡松手、调整为双腿朝下、落向右侧副驾驶。
这段给我的启发是：AI 生成里的“方向”是一等公民。 人物朝哪儿、车头朝哪儿、镜头从哪儿拍、物体往哪里离开画面，往往比“电影感”“大片感”更重要。
案例三：提示词救不了过载的镜头
原计划里，V08 要在 4 秒内完成：跑向火箭、抱住火箭、火箭升空、潜水服变成宇航服、离开火箭、穿云下降并落到楼顶。故事上很连贯，生成上却明显过载。
最终我增加 K07.5，把它拆成两段：V08A 负责升空和换装，V08B 负责离开火箭、下降并落地。
V08A 提示词节选： 主角放开两只水下推进器，向同一枚白色火箭冲去。双手抓住火箭外侧检修管和固定把手，始终位于火箭外部。火箭点火垂直上升，高空气流和隔热材料沿身体连续展开，把潜水服转换为轻型宇航服。到达高空后，一手仍抓住把手，身体开始向外倾斜，准备跳下。
这里最重要的不是“多生成了一段”，而是把分段当成导演工作的一部分：如果模型总是失败，先检查是不是一个镜头承担了太多任务。很多时候，减少动作比增加提示词更有效。
五、用定时任务循环生成，但不让 AI 自动通过
图片数量不少，如果一直守在电脑前手动生成，很容易疲劳，也容易忘记前面的标准。所以图片阶段我用了 ChatGPT 的定时任务：大约每半小时处理一张，按照预先排好的资产顺序循环执行。
它不是无脑批量出图，而是读取当前资产及参考图、生成候选图、对照验收清单检查身份与构图，通过后写入 accepted 状态再进入下一张；如果不通过，就修改提示词，继续重做当前这一张。
我最终锁定了七套服装和一整条关键帧链。这个 loop 的价值不只是节省等待时间，更重要的是把“我觉得这张还不错”变成明确标准：还是同一个人吗？衣服是否混入前一阶段？手脚有没有真实接触点？下一段动作的空间是否留够？车辆和人物方向是否一致？这张图能否同时作为上一段尾帧和下一段首帧？
AI 可以循环，但审美标准和验收规则仍然需要人来定义。
六、进入 LibTV，开始“开盲盒”
图片锁定后，我让 ChatGPT 为 12 段视频分别生成提示词，再把首图、尾图、参考图和提示词放进 LibTV，使用 Seedance 2.0 生成视频。
我选择的是 720P。项目里的最终分段素材都是 1280 × 720、约 4 秒一段。对这个项目来说，720P 更适合高频试错：先把动作、人物一致性和镜头衔接跑通，再在后期输出 1080P 成片。
不到一半的片段需要不同程度返工。有时是动作没有完成，有时不是视频提示词的问题，而是首尾图埋着错误：人物朝向不对、车辆前后含糊、方向盘位置错误、手没有真正抓住道具、换装出现第三种状态，或者 4 秒内塞了太多动作。
这时正确做法不是只在 LibTV 里继续抽卡，而是回到上游：
视频失败 → 判断是动作问题还是图片问题 → 修改提示词或重做边界图 → 重新生成 → 再次验收。
AI 视频制作不是一条从左到右的直线，更像不断回退和收敛的闭环。最终采用 12 段视频。按每次约 100 积分估算，如果全部一次成功，基础消耗约 1,200 积分；加上失败和重做，总消耗大约 2,000 积分，也就是约 20 次生成，折合人民币一百多元。这个数字是按当时消耗做的近似估算，不是精确账单。
生成成本并不夸张，真正昂贵的是筛选、判断和返工所花的时间。
七、为什么最后还是回到 FCP 和 Photoshop
视频段落生成完成后，我没有使用 LibTV 的在线剪辑工具，而是回到熟悉的 Final Cut Pro。到了成片阶段，我需要更精确地控制字幕、节奏、声音、转场和片尾。AI 适合解决“从无到有”，传统工具更适合解决“从有到准”。
整个后期最麻烦的细节，是画面里的钟表。故事悬念建立在 08:59:59 上，但 AI 很难生成数字准确、位置稳定、还能真正运行的电子时钟。手机锁屏也一样：数字可能变形，中文日期可能乱码，每帧还可能变化。
所以这些必须百分之百准确的内容，我没有继续交给生成模型，而是用 Photoshop 制作画面元素，再在 FCP 里完成合成和时间变化。
这次我得到一个很实用的判断：AI 负责复杂但允许少量随机性的部分；传统工具负责简单但必须完全准确的部分。 人物飞跃城市、抱着火箭升空，可以让 AI 做；08:59:59 这几个数字，反而更适合手动完成。
最后，我用 Suno 为短片生成背景音乐。提示词围绕“紧张追赶 → 荒诞升级 → 突然收住 → 梦醒反转”展开：从时钟滴答开始，进入电子与管弦结合的动作喜剧配乐；随着公交、直升机、海洋和火箭不断升级，保持同一个旋律动机，让它越来越英雄化、越来越荒诞；到会议室突然收住，再回到遥远的滴答声。最终片尾标注了 ChatGPT、LibTV、Seedance 2.0 和 Suno V4.5。
八、做完之后，我对 AI 视频有了三个新认识
1. 一致性不是靠一个神奇提示词，而是靠资产管理。 同一个人、同一套衣服、同一架直升机之所以能跨镜头保持一致，是因为我先做了母版、三视图、空镜和边界图，并让每个镜头引用同一套资产。
2. 提示词的核心不是文采，而是可执行性。 真正能减少返工的，是写清楚谁在做什么，手和脚接触什么，摄像机在哪里，人物和载具朝哪个方向，哪些东西不能变化，最后一帧必须落到哪里。
3. AI 没有消灭传统制作流程，而是重新分配了工作。 过去需要真人拍摄、服装、场景和特效才能实现的画面，现在一个人也有机会做出来。但导演思维、镜头拆分、资产命名、质量检查、剪辑和声音没有消失；因为 AI 带来更多随机性，这些工作反而更重要。
写在最后
《没迟到》不是一支完美的片子。仔细看，仍然能找到 AI 生成的痕迹，也有一些动作受限于 4 秒时长，不可能像真实拍摄那样完全符合物理规律。
但它对我来说是一次完整的实验：我第一次把一个来自日常生活的小念头，从一句话扩展成故事，再把故事拆成资产、镜头和提示词，经历多轮失败与返工，最终做成了一支真正可以分享的短片。
过去，一个人想拍出直升机、深海、火箭和高空坠落，几乎是不可能的。现在，问题已经从“我有没有这样的预算”，逐渐变成了“我能不能把它想清楚、拆清楚，并且耐心做到最后”。
AI 给了普通创作者一间越来越大的虚拟摄影棚。但开机之后，坐在导演椅上的，仍然得是你自己。
项目数据： 成片《没迟到 / On Time》，约 49 秒；28 张正式图片资产；13 张边界关键帧；12 段 720P 视频素材；后期输出 1920 × 1080；使用 ChatGPT、LibTV、Seedance 2.0、Final Cut Pro、Photoshop 和 Suno V4.5；视频生成约消耗 2,000 积分，折合人民币一百多元（估算）。