不会写分镜，也能用 Codex + MiniMax H3 / Seedance 2.5 做出第一条 AI 视频

AI 时代，每个人似乎都可以成为“导演”，做出过去需要专业团队才能完成的画面。真正的问题是，一般人不知道第一步该做什么。

我也是一个艺术盲。最近用 AI 做了两条视频，谈不上多好，但至少把流程完整跑通了。我把自己的经验整理出来，算是抛砖引玉。也希望你读完以后，能勇敢迈出第一步：别只临渊羡鱼，先下水捞第一条鱼。

本文的例子都使用我本地的 MiniMax H3。如果你用的是 Seedance 或其它多模态视频模型，具体按钮和能力限制可能不同，但整体制作步骤基本相通。

这篇不要求你会导演、画画或者写专业提示词。你只需要会做选择。视频分析、文案、参考图、提示词和失败检查，都可以交给 Codex 或 ChatGPT 帮你完成。

下面我用“做一条 15 秒左右的穿搭变装视频”作为完整例子。你也可以把题材替换成产品广告、人物短剧、宠物故事或者电影感片段。

一、开始前准备四样东西

第一条视频不用 API，也不用先学剪辑。准备：

第一次建议控制在 10–15 秒、一个主角、一个场景。先把流程跑通，再做 30 秒、多人物和复杂对白。

MiniMax H3 和 Seedance 2.5 不是同一个模型。H3 官方支持最多 15 秒，以及首帧、尾帧和多模态参考；Seedance 2.5 官方支持单次最长 30 秒，并支持更多图片、视频和音频参考。不同产品界面开放的功能可能不完全一样。

二、把参考视频或想法交给 Codex，先不要急着生图

打开一个新任务，把链接和下面这段话一起发给 Codex：

我想学习这条视频的创作结构：
<粘贴视频链接>
目标：做一条原创的 9:16、约 15 秒视频，使用 MiniMax H3 或 Seedance 2.5 生成。
请先不要生成图片和视频提示词。先帮我分析：
1. 这条视频最值得学习的核心玩法是什么；
2. 开始画面是什么，结束时发生了什么变化；
3. 主角、场景、镜头和动作分别需要保持什么；
4. 我需要准备哪些参考图片；
5. 哪三个地方最容易生成失败。

不要复制原视频人物、Logo、文字或音乐。看完后给我一个简单方案，等我确认再继续。

如果你没有参考视频，可以这样写：

我想做一条 15 秒的竖屏视频：同一位成年女性在房间里跳一段轻松的小舞，周围有五个不同穿搭的小人。鼠标每点击一个小人，主角就快速换成对应衣服。最后五个小人全部消失，主角穿最后一套继续跳舞。

请先帮我补全人物、五套穿搭、场景和节奏，给我两个简单方案。我选择以后再生成图片。

这一轮你只需要判断：这个玩法是不是你想做的，人物和场景是否合适，视频有没有塞太多事情。

三、让 Codex 列一张普通人看得懂的“制作单”

方案确认后，继续问 Codex：

请把它整理成一张制作单。不要使用导演术语，用普通人能看懂的方式列出：
- 要生成几张图；
- 每张图负责什么；
- 图里必须出现什么；
- 什么东西必须保持不变；
- 最后要把哪些素材上传到视频模型。

这一轮仍然不要开始生图，先让我确认制作单。

穿搭例子的制作单其实很简单：

只有结尾必须落在一个精确画面时，才需要第二张尾帧。普通的连续舞蹈先用一张首帧，更容易保持自然动作。

多人物短剧会需要更多素材。例如我在复制Cuimao“牛来”视频时，使用了主角设定、配角阵容、人物站位、场景空镜、道具和四格分镜，后面第九章会具体讲到。第一条视频先不要把这一套全部搬过来。

四、先生成一张测试图，不要一次生成整套素材

制作单确认后，让 Codex 或 ChatGPT 生成首帧：

现在开始生成首帧测试图，一次只生成一张。

要求：
- 9:16；
- 原创中国成年女性，视觉年龄 24–28 岁；
- 房间内固定机位，主角从头到大腿中部，占画面主要位置；
- 周围正好五个较小的完整人物剪影，代表五套穿搭；
- 五个小人的手臂、肩膀和重心略有不同，像连续的舞蹈动作；
- 所有人必须是同一张脸、同一发型和同一身材比例；
- 小人不能挡住主角，头、手、腿和鞋必须完整；
- 不要文字、Logo、水印和鼠标。

先生成，我看完再决定是否修改。

生成后先数人数，再看脸和手脚。不要因为画面第一眼漂亮就直接进入视频。

如果只有一处不对，就告诉模型只改这一处：

右下角穿牛仔裤的小人被底边裁掉了。
只把这个小人缩小约 20%，向上移动，完整露出鞋子和白色轮廓。
人物身份、其它五个人、服装、房间、构图和光线全部保持不变。

如果人物数量、脸和构图同时出错，重新生成通常比连续修补更省时间。

五、让 Codex 根据已经确认的图片写视频提示词

首帧通过以后，把图片交给 Codex，发：

这张首帧已经确认。请为 MiniMax H3 写一段可以直接复制的视频提示词。

视频 14 秒，9:16，固定机位，一个连续镜头。主角从第一秒就开始轻松跳舞。
五次换装分别使用周围五个小人，顺序由你根据位置安排。

每次换装要求：
1. 小鼠标快速点击目标；
2. 小人用约 0.3 秒飞向主角并立刻消失；
3. 接触身体时衣服已经换好；
4. 不要让放大的小人停在主角前面；
5. 主角的手臂、肩膀和重心继续运动；
6. 两次换装之间留出约 1.5–2 秒展示新衣服和跳舞。

请写清：首帧职责、完整时间轴、每段具体动作、声音和针对性禁止项。不要为了显得专业堆砌镜头术语。

六、把素材放进 H3 或 Seedance，先生成一个测试版

使用 H3 做这个穿搭例子时：

七、把生成的视频交回 Codex，让它帮你找具体错误

视频出来以后，先自己正常看一遍。只记录让你明显出戏的地方和大概时间，例如：

2 秒：粉色小人挡住主角太久。
5 秒：脸好像换了。
9 秒：衣服换了，但手突然回到初始位置。

然后把 MP4 发给 Codex：

这是刚生成的视频。请自己读取视频并抽帧检查。

先告诉我它和目标视频最明显的差别，再检查：
1. 人物脸、发型和身材有没有变化；
2. 每次转场实际持续多久；
3. 转场有没有遮住主角；
4. 手臂、重心和视线有没有突然重置；
5. 背景和镜头有没有无故变化；
6. 哪三个问题最影响观感。

区分你直接看到的问题、合理推测的原因和暂时无法确认的原因。先诊断，不要立刻重做全部素材。

这正是我们检查第一次穿搭结果时看到的情况：小人放大得太大，白色描边停留太久，画面里经常同时存在两个完整人物。

八、一次只修一个主要问题

如果最影响观感的是转场太慢，就先只改转场：

根据刚才的诊断，修改视频提示词。

只修复这三个问题：
- 每次飞入控制在约 0.3 秒；
- 小人接触主角身体时立刻消失；
- 换装前后的跳舞动作连续，不停下来等待对齐。

保留人物、五套服装、场景、镜头、换装顺序和总时长。
请输出一份完整的新提示词，并用三句话说明改了什么。

重新生成后，把两个版本放在一起比较。不要同时更换人物图、动作、镜头、音乐和时长，否则即使变好，也不知道是哪项修改起作用。

如果同一个错误连续出现两次，就回到上游检查首帧和动作设计。不要一直往提示词后面追加“更自然、更稳定、更高质量”。

九、多分镜怎么做

穿搭视频只有一个场景和一个连续镜头。遇到多人物、有对白、需要切换景别的剧情视频，难点会变成：人物换了镜头以后还是不是同一个，手里的东西有没有跳走，前一个镜头的动作能不能接到下一个镜头。下面用 [cuimao_reverse](https://github.com/michaelpersonal/cuimao_reverse) 做完整例子。这个项目拆解的是 @cuimao “牛来”视频开头约 15 秒：一群动物外卖员吃饭，熊猫不断调侃牛，周围角色逐渐笑起来，牛从假装没听见变成准备回应。

这不是Cuimao的原始工程或原始提示词，而是根据公开视频做的教育性重建。项目里的参考图、分镜和提示词都是重新制作的。

9.1 把参考视频交给 Codex，先拆故事变化

普通用户可以先把视频链接和下面这段话交给 Codex：

请分析下面视频的开头 15 秒：
https://x.com/CuiMao/status/2088622639313191396

我想用原创角色学习它的多人物喜剧结构，不复制原角色设计和原始画面。

先不要生成素材。请告诉我：
1. 这 15 秒的故事变化；
2. 有几个主要角色，每个人在做什么；
3. 每次切镜头的原因；
4. 哪些人物、场景、道具和左右关系必须保持一致；
5. 如果用 Seedance 生成，需要哪些参考图片和几个关键分镜。

把结果写成普通人能确认的制作单，等我确认后再继续。

Codex 最后把这段剧情压缩成：

牛低头吃饭、看手机，假装没听见
→ 熊猫进入画面并接管对话
→ 熊猫说完笑话，熊和狐狸延迟加入笑声
→ 牛的身体变紧，准备抬头回应

这条变化比“先中景、再双人镜头、最后特写”更重要。镜头要服务谁正在掌控对话，以及喜剧压力如何升级。

9.2 让 Codex 设计参考素材包

制作单确认后，我们让 Codex 把需要的图片拆成五类：

给 Codex 的请求是：

按照确认后的制作单，为这个 15 秒多人物视频设计参考素材包。

请依次输出：
1. 牛主角角色设定图的生图提示词；
2. 熊猫、狐狸、棕熊和猴子的配角阵容提示词；
3. 所有人物在夜间外卖员休息区的群体站位图提示词；
4. 不含人物的环境空镜提示词；
5. 饭盒、面杯、两双筷子、手机、头盔、背包和外卖车的道具图提示词。

每条提示词都写清它负责锁定什么。角色使用原创设计，不要品牌文字。先生成主角和配角测试图，等我确认身份以后再生成站位图和分镜。

其中牛主角的实际提示词是：

创建一张原创拟人牛外卖员的制作设定图。

同一个角色以正面、四分之三侧面、侧面和背面全身出现，比例和服装完全一致；另外显示平静、压住不耐烦、惊讶和准备反驳四种面部表情。

固定身份：体格宽大的棕色公牛，宽阔口鼻，深色眼睛，稳定的弯角轮廓；黄色外卖头盔和透明面罩，黄色保温外卖夹克，深色裤子，黄色外卖背包。增加拿饭盒、筷子和手机的小动作参考。

中性纯净背景，均匀参考光，不要电影景深，不要姿势互相遮挡，不要改变角的形状、服装或身体比例，不要图片内文字。

所有图片确认后，我们把五类素材排成一张参考素材表。这样在 Seedance 里只需要上传一个 `@Image 1`，但提示词仍然可以按区域说明每种素材的职责。

完整的六组生图提示词在 (https://github.com/michaelpersonal/cuimao_reverse/blob/main/prompts/reference-image-prompts.md)。

9.3 用确认后的素材生成四格分镜

人物身份和场景没有确认以前，不要做分镜。否则分镜很漂亮，但里面的角色可能已经变成另一版。

我们使用四个检查点：

给 Codex 的分镜任务可以直接这样写：

人物参考素材包已经确认。请基于同一套人物、服装、场景、道具和灯光，设计一张 2×2 四格分镜。

Panel 1：中景群像。牛在食物柜台前低头吃饭、看手机；狐狸在左侧，猴子和外卖车在后方。
Panel 2：熊猫从右侧接管画面，形成熊猫/牛双人镜头；牛始终在熊猫左边，棕熊在两人后方。
Panel 3：熊猫中近景笑着说完笑话，熊和狐狸在后方稍晚才开始笑；牛大部分离开左侧画面。
Panel 4：反打牛。牛停下吃饭，抬起视线，身体转向熊猫，准备回应。

四格必须使用已经确认的角色身份。保持牛在熊猫左侧的关系、道具归属、夜间外卖员休息区、柜台和外卖车位置。不要加入分镜文字、箭头或编号。

关键是顺序生成：Panel 2 继承 Panel 1，Panel 3 继承 Panel 2。不要让模型从文字独立生成四张毫无关系的漂亮图。

9.4 让 Codex 为每个镜头写开始和结束状态

分镜通过后，把它交回 Codex：

请根据确认后的四格分镜，为 15 秒视频建立 shot state map。

每个镜头写清：
- 时间范围和目的；
- 开始时每个角色的姿势、视线和道具；
- 什么动作触发这一段；
- 眼睛、头、手、身体和表情的动作顺序；
- 镜头结束时的准确状态；
- 下一镜头必须继承的重心、视线、道具位置和情绪；
- 这一个镜头最需要禁止的三项错误。

不要只写“自然地说话”或“保持一致”，要写可以在画面中检查的状态。

第一个镜头实际被写成：

00:00–00:04.4｜群体建立

开始：牛坐在柜台前，肩膀收拢，低头看手机；左手拿饭盒，右手拿筷子。熊猫还没有占据前景。

动作链：
稳住饭盒
→ 筷子夹饭
→ 送到嘴边
→ 咀嚼
→ 眼睛回到手机
→ 听到调侃后只出现很小的眼神反应

结束：牛仍然低头，身体略微变紧；熊猫准备从右侧进入前景。

禁止：牛过早抬头、饭盒或手机换手、牛和熊猫左右位置翻转。

完整状态图在 (https://github.com/michaelpersonal/cuimao_reverse/blob/main/templates/shot-state-map.yaml)。

9.5 让 Codex 编译 Seedance 多参考提示词

参考素材和状态图都通过以后，再生成最终提示词：

现在请把已经确认的参考素材包、四格分镜和 shot state map 编译成一段 Seedance 多参考提示词。

输入：
@Image 1：参考素材包，负责人物身份、服装、相对身高、场景、站位和道具。
@Image 2：四格分镜，负责镜头顺序、构图、姿势检查点、视线和每个镜头的结束状态。

视频：15 秒，16:9，三个连续镜头。
镜头边界：约 4.4 秒和 11.2 秒。
对白使用原项目中已经确认的中文对白。
写清每个镜头的动作链、说话者、延迟反应、道具归属、镜头方向、开始状态和结束状态。

不要把四格边框、箭头或标签生成进视频。牛始终位于熊猫左侧，不得越过对话轴线。最后停在熊猫笑完、牛准备回应的状态，以便下一段继续。

最终提示词首先明确两张图的职责：

@Image 1 是权威参考素材包：
上左定义牛的脸、毛色、角、体型、头盔、面罩、夹克和背包；
上右定义熊猫、狐狸、棕熊和猴子的身份；
中左定义人物站位、相对身高、视线和道具归属；
中右定义店面、柜台、外卖车、雨棚、湿地和灯光；
底部定义饭盒、面杯、筷子、手机、头盔、背包和外卖车。

@Image 2 是四格分镜：
按左到右、上到下读取，只负责镜头顺序、构图、站位、动作检查点、视线、道具位置和每个镜头的结束状态。
不要生成分镜边框、编号、标签或箭头。

然后才写三段时间轴。比如第二段：

00:04.4–00:11.2｜熊猫/牛双人镜头

牛保持在左侧，继续吃饭和看手机。熊猫从右侧接管前景，筷子停在面杯上方。

熊猫动作：
筷子停住
→ 眼睛先看向牛
→ 头跟随视线
→ 眉毛抬起
→ 开口调侃
→ 筷子做一个很小的指向动作
→ 手回到面杯附近
→ 说完后开始笑

棕熊在后方慢半拍才靠近。牛没有抬头，只让下巴和肩膀逐渐变紧。

结束：熊猫的问题说完并开始笑；棕熊刚开始反应；牛仍低头，但已经压住怒气。

完整 15 秒提示词在 (https://github.com/michaelpersonal/cuimao_reverse/blob/main/prompts/seedance-15s.md)。

9.6 实际上传到Seedance的顺序

这个项目的快速路径只上传两张图：

@Image 1：reference-pack-contact-sheet.png
@Image 2：storyboard-contact-sheet.png
Prompt：seedance-15s.md 中的完整提示词
时长：15 秒
画幅：16:9

上传后先确认图片编号。提示词把人物身份交给 `@Image 1`，把镜头结构交给 `@Image 2`；编号错了，后面写得再仔细也没有用。

如果使用的平台无法在 15 秒内稳定执行三个镜头，可以只在 4.4 秒或 11.2 秒这种有明确结束状态的边界拆分。下一段需要同时上传上一段成片、最后一帧、人物参考和后续分镜。

9.7 用实际时间点检查成片

生成完成后，把视频交回 Codex：

请读取生成的 15 秒视频，正常播放一次，再在 4.4 秒、11.2 秒和 15 秒附近逐帧检查。

检查：
1. 牛是否始终在熊猫左侧；
2. 牛的饭盒、筷子和手机有没有换手、消失或重置；
3. 熊猫的面杯和筷子是否延续；
4. 谁说话时由谁动嘴；
5. 熊和狐狸是否在熊猫之后才笑；
6. 牛有没有在笑话落地前过早生气；
7. 柜台、外卖车、雨棚和夜景灯光是否保持；
8. 15 秒结束状态能否直接接到牛抬头回应。

列出具体时间和具体错误。区分直接观察、合理推测和未知。先诊断，不要用“更一致”这种泛化建议。

这三个时间点不是随便选的：

9.8 失败以后怎样局部修

如果第二个镜头里牛的头盔和角发生变化，不需要推翻全部素材。可以这样要求：

只修复 00:04.4–00:11.2 的第二个镜头。

保持已经确认的熊猫、牛、背景、构图、对白、时间和道具位置。
牛仍在画面左侧，拿同一个饭盒和手机。
只修复牛的头盔、透明面罩和弯角轮廓，使它们与 @Image 1 完全一致。
不要改变熊猫的动作、镜头位置或场景。

如果多个镜头都出现同一张脸或同一个场景错误，就回到参考素材包修。只有一个边界坏了，才修对应镜头。问题出在哪一层，就回哪一层，不要让模型围着一条坏视频反复“提高质量”。

多分镜视频的核心仍然是这一条：前一个镜头的结束状态 = 后一个镜头的开始状态

人物身份、重心、视线、道具位置、左右关系、光线和残余动作都要一起继承。这样 Codex 才能把复杂剧情拆成普通用户可以逐步确认的几个小决定。

十、第一条视频的完成标准

第一条视频不需要证明你掌握了所有模型。满足下面几项，就算流程跑通：

连续做完两三条以后，再让 Codex 把你已经验证过的流程整理成 Skill。不要第一天就试图自动化一套还没有跑通的方法。