浪费积分的10个AI说唱视频错误

大多数糟糕的 AI 说唱视频并不是模型失败，而是输入失败、提示词失败或审片失败，而每一种都有成本很低的解决办法。下面这十个问题，涵盖了我们在这个工作流中看到的大部分被浪费的额度，按发生频率从高到低排列。

1. 使用柔化或加了滤镜的照片

会发生什么： 人脸漂移，眼睛发生变化，相似度在两秒后减弱。

原因： 模型只能保留照片里已有的内容。一张经过压缩的聊天软件图片、一个美颜滤镜，或者一张截图的截图，细节早已丢失。

解决办法： 使用原始相机文件，正面朝向，光线均匀，眼睛和发际线清晰可见。这是整个工作流中收益最大的一处改动。

2. 写情绪，而不是写镜头

会发生什么： 表演者站着不动，镜头却在漂移；片段看起来像素材库里的循环片段。

原因： “电影感”“酷”“爆款”都不是指令。模型没有任何具体的动作可以驱动。

解决办法： 明确一个动作和一个运镜。“身体前倾靠近麦克风，面向镜头表演，镜头从中景缓慢推近到特写。”

3. 想在一次渲染里得到分镜表

会发生什么： 片段随机切换、场景跳变，或者中间出现拖影。

原因： 一次渲染就是一个镜头。一次剪辑、一次换装和一次换景，是三个镜头。

解决办法： 每个镜头单独生成，再剪辑到一起。这样也更省钱，因为你可以丢弃一个糟糕的镜头，而不用把好的镜头重新渲染一遍。

4. 让手空着留在画面里

会发生什么： 多出手指、手部融化、拇指时隐时现。

原因： 手是最难保持连贯的小型物体，尤其是在运动中。

解决办法： 让手里拿着麦克风、插进口袋，或者做一个手势。让手有事可做，或者干脆不入画。绝不要以手部特写开场。

5. 背景里塞满人

会发生什么： 冒出第三个表演者，或者人群中的某张脸逐渐变成主角。

原因： 每一张脸都是模型必须追踪的另一个身份。

解决办法： 要求剪影、后脑勺或留出空白。如果场景需要人群，让人群处于失焦状态，并保持在表演者肩膀以下。

6. 还没测试五秒就先渲染十二秒

会发生什么： 你花掉全部额度成本，才发现照片和场景根本不搭。

原因： 前两秒就已经包含了答案。

解决办法： 先用 480p 或 720p 渲染五秒做测试。只重新渲染通过测试的设定。然后再把额度花在时长和分辨率上。

7. 每次渲染后都重写整段提示词

会发生什么： 下一次渲染在五个方面都变了，你根本分不清是哪一处改动起了作用。

原因： 提示词是一组变量；把它们全部改掉，算不上一次实验。

解决办法： 一次只改一个模块，按这个顺序：镜头、动作、场景、照片。把有效的改动记下来。

8. 直到剪辑时才考虑画幅比例

会发生什么： 表演者在竖屏画面里显得很小，或者在宽屏画面里头顶被裁掉。

原因： 构图是在渲染时决定的，不是在剪辑器里决定的。

解决办法： 社交媒体用 9:16 渲染，YouTube 和网页用 16:9 渲染。如果两者都需要，就分别渲染。裁剪不等于改变画幅。

9. 指望口型同步

会发生什么： 客户盯着嘴看，发现和歌声对不上。

原因： 这个工作室生成的是表演，不是配音表演。它根本收不到音频。

解决办法： 把表演片段用作 B-roll 和预告片素材，对于嘴部是主体的特写，使用专门的口型同步工具。参见AI 音乐视频与口型同步。

10. 不标注合成媒体

会发生什么： 帖子下面出现“这是假的”的评论串，或者平台替你打上标签。

原因： 观众在被明确告知时会原谅 AI；在被欺骗时会惩罚它。

解决办法： 在画面上加一个简短标签，或者使用平台的 AI 披露功能。把原始照片和提示词作为第二条帖子发出来。透明比危机公关更便宜。

渲染前检查清单

在你按下生成之前：

• [ ] 照片清晰、正面朝向、光线均匀。
• [ ] 有一个明确命名的动作和一个运镜。
• [ ] 手有事可做，或者不在画面里。
• [ ] 背景里没有多余的脸。
• [ ] 画幅比例与发布平台匹配。
• [ ] 时长是能讲清这个节拍的最短长度。
• [ ] 提示词在结尾重复了身份保护约束。
• [ ] 你知道这次渲染的“好”是什么样子。

如果这八条都成立，那么一次失败的渲染就是模型本身的局限，而不是流程上的失误——这值得反馈，而不是盲目重试。

如何在三十秒内审一个渲染片段

不停顿地把片段完整播放一遍，然后按顺序问三个问题。表演者在表演吗？ 如果身体是静止的，说明动作那句话失败了；停止观看，重写动作。脸在第一帧和最后一帧都撑住了吗？ 拖到结尾，和开头对比。如果下颌、发际线或肤色发生了变化，问题出在照片或镜头上。有没有什么会让观众盯着看的东西？ 手、第三个人影、晃动的耳环、写着假字母的招牌。遮住那个元素，或者把它从场景里去掉。

只有通过这三关之后，你才应该判断这个片段好不好。大多数重试之所以发生，是因为审片的人直接跳到了品味判断，从来没有诊断出真正的失败原因。

批量审片，而不是一次审一个渲染

把一周的片段一次性渲染完，并在同一时间审完。把片段并排放在一起，静音，每个看两遍。批量审片会让不一致变得一目了然：同一个场景的两个片段光线不同，同一个表演者的脸在不同渲染之间发生变化，因为提示词从没改过而重复出现的运镜。先解决批次层面的问题，再渲染下一批。一次只审一个片段会掩盖这些规律，让每一次渲染都像是一次孤立的判断。

渲染仍然失败时该怎么办

先换照片。然后放慢镜头。然后简化场景。然后缩短片段。只有到那时，才从头重写提示词。大多数失败都发生在文字的上游，而文字是最容易被怪罪的东西。

想要一套围绕这些规则构建的提示词库，请阅读12 个 AI 说唱视频提示词。完整工作流请参见如何制作 AI 说唱视频。