
AI视频里的人物动作与表情,靠两件事控制:一个明确动作,加一个幅度词。写「缓慢转头并轻轻微笑」,比写「自然地动起来」有效得多,10 秒画面也不容易崩,描述越具体,人物越听话。
描述里只写一个动作,是人物稳定的前提。转头、抬手、低头、起身、走近,任选一个即可。两个以上动作挤在 10 秒里,模型会自行分配时间,常见结果是动作做到一半就结束,或者前后衔接不上。
幅度词决定动作的快慢和大小。「缓慢」「轻轻」「小幅」让运动收敛;「快速」「大幅」会让关节承受更大的变形风险。人物类画面优先用小幅度,尤其是手部和肩部。
动作还要有起点和终点。「缓慢转头」不够,写「从看向窗外转到看向镜头」更明确,模型知道首尾状态,中间才不会乱飘。这类写法不需要复杂术语,只要把动作前后各说一句。
如果人物必须做两个动作,把它们排成先后关系,比如「先低头再缓慢抬头」,并在 15 秒里生成。写成「低头的同时抬头」这种互相冲突的句子,模型只能二选一,结果往往两个都不完整。
表情和视线要一起写,否则脸会「空」。写「嘴角轻微上扬」「眉头舒展」「眼神平静地看向镜头」,比单写「微笑」具体。15 秒可以容纳一次表情变化,比如从平静到微笑;10 秒建议全程保持一个表情,变化放在最后两秒也容易来不及。
视线方向要与动作一致。人物侧身时写「视线看向画面右侧」,正面时写「直视镜头」。视线在描述里缺席,模型可能让眼球左右游移,看起来像在发呆。
情绪词要落到可看见的细节。「开心」不如「嘴角上扬、眼睛微弯」;「紧张」不如「嘴唇轻抿、肩膀微收」。形容词越抽象,脸部越容易在运动中抖动。把情绪翻译成肌肉动作,是控制表情最直接的办法。
表情幅度也要收敛。写「明显大笑」「放声大哭」,10 秒里脸部肌肉变化太快,嘴角和眼角容易抖。改成「微微一笑」「眼眶微红」,情绪传达到了,画面也稳得住。
手是人物视频最容易出问题的地方。能不给手特写就不给;必须出现时,写清手的动作,比如「右手轻放在桌面上,手指自然弯曲」,并让它保持相对静止。挥手、比手势、递东西这类动作,在 10 秒里失败率较高,能省则省。
多人画面优先控制在两人,并写清各自位置:「左侧人物站立不动,右侧人物缓慢坐下」。两个人同时做动作,模型容易把肢体接错,出现多一只手或者手臂穿模。
参考图片里如果已经有手部动作,比如拿着杯子,描述就不要再让这只手做别的动作,否则手指会被重新生成,出现粘连。
一位穿灰色毛衣的女生坐在窗边,从看向窗外缓慢转头看向镜头,嘴角轻微上扬,双手自然放在桌面,暖色侧光,画面平稳。
如果成片仍然变形,回退一步:换一张面部更清晰、无遮挡的参考图片,把动作再缩小一档,并删掉所有情绪修饰词。多数问题在描述精简之后就消失了,不必反复堆词。
先选一张正面清晰的照片,写一句「一个人物 + 一个动作 + 一个幅度 + 视线 + 表情」,打开 极客空间站 AI 视频页面 的「视频生成」,上传参考图片后生成 10 秒版本验证。稳定之后再用 15 秒做正式素材,成功率高很多。
大连极客十一维科技有限公司