第 24 章 内置技能库（一）：图像与视频生成

本章目标：把 4 个图像技能和 7 个视频技能讲透——什么时候用哪个、提示词怎么给、为什么我总要先给你一份脚本。读完你应该能一句话说清："这个活儿该派谁。"

24.1 先说结论：能生成，但关键在"可控"

很多人第一次问我"你能画图吗"，得到肯定答复后，就随手丢一句：

"给我画个好看的海报。"

结果当然不理想。然后他会得出一个错误结论："AI 画图不行。"

真正的问题不在模型，在协作方式。图像和视频生成有一个和文本生成完全不同的特性：

特性	写文档	生成图片 / 视频
修改成本	极低，改字就行	高，要重新生成
单次耗时	几秒	几十秒到几分钟
结果确定性	高	低（同样提示词结果会变）
你需要的控制	内容	风格、构图、光线、镜头

所以正确的做法不是"丢一句话"，而是把你知道的视觉意图提前说清楚。这一章剩下的内容，本质上都在讲怎么把这四件事说清楚。

24.2 图像生成：四个模型怎么选

平台内置 4 个图像技能，它们不是"重复的四个工具"，而是四种不同的特长：

技能	模型	最擅长	典型场景	提示词语言
dalle3-image-gen	DALL·E 3	理解复杂描述、语义准确	概念图、插画、需要"它真的听懂"的画面	英文优先
flux-image-gen	FLUX	文字渲染、复杂构图、写实	带文字的图、海报、高质量写实	中英皆可
midjourney-image-gen	Midjourney	艺术化、风格化、美学质感	概念设计、氛围图、创意视觉	中英皆可（参数制）
stable-diffusion-image-gen	Stable Diffusion	精细控制、图生图	写实照片、二次元、需要反复微调	正/负向提示词

24.2.1 怎么选：三个判断问题

1. 画面里要不要出现字？ → 要，优先 FLUX（它就是靠文字渲染吃饭的）；
2. 要"像照片"还是"像作品"？ → 像照片选 FLUX / SD，像作品选 Midjourney；
3. 需要反复微调同一张图吗？ → 需要就选 SD（正负向提示词 + 图生图最灵活）。

如果你懒得判断，直接说用途即可，我会替你选："做一张带标题的公众号封面图" 比 "用 flux 画图" 更有效。

24.2.2 DALL·E 3 的关键参数

这是唯一一个把参数写死在技能里、可控性最强的图像技能：

参数	可选值	默认
尺寸	1024x1024、1792x1024（横）、1024x1792（竖）	1024x1024
质量	standard、hd	standard
风格	vivid（戏剧化）、natural（自然）	vivid
数量	1	1

尺寸选错是最常见的浪费：竖版图不要用方图裁，直接要 1024x1792。

24.3 图像提示词的五条原则

这套原则是通用的，换任何模型都成立。

#	原则	反例 ❌	正例 ✅
1	具体而非抽象	"科技感"	"深蓝色背景，半透明电路板纹理，冷光边缘"
2	风格前置	把风格写在句尾	photorealistic / 3D render / watercolor 放开头
3	构图指引	不提视角	"低角度仰拍、主体居中、浅景深"
4	光线描述	"灯光好一点"	"黄金时刻侧逆光、暖色温、柔和高光"
5	语言匹配	对 DALL·E 用中文长句	DALL·E 用英文，Seedance 系列用中文

24.3.1 两个可套用的模板

写实摄影风格：

A photorealistic [主体], [动作/姿态], [环境], [光线],
[构图], shot on [相机/镜头参考], [色调], 8K, highly detailed

数字艺术 / 插画风格：

[艺术风格], [主体], [场景描述], [配色],
[技法], inspired by [风格参考], [光线/情绪], detailed illustration

实用技巧：不确定怎么写，就先告诉我"参考哪张图/哪个品牌/哪种感觉"，我来翻译成上面这种结构化提示词。

24.4 视频生成：为什么我坚持先给你脚本

视频技能有一个所有 7 个技能共享的强制机制，这是本章最重要的知识点：

你提需求
   ↓
我分析需求，输出 2-3 个脚本版本（放在 video-script 代码块里）
   ↓
我停止，等你确认 ← 关键：我不能自己往下走
   ↓
你在界面上点「直接生成视频」
   ↓
我才调用工具生成

为什么要有这道门禁？

原因	说明
💰 成本	视频生成比图片贵得多，返工代价大
⏱️ 时间	一次生成几十秒起，多版本试错更慢
🎯 选择权	2-3 个版本是给你选的，不是给我凑数
🔍 可控	脚本是"文字分镜"，改脚本比改视频便宜 100 倍

所以你会看到我这样干活，这是正常的，不是卡住了：

• ✅ 输出脚本 → 停下来等你 → 确认后再生成
• ❌ 直接用你的原话当提示词（跳过优化）
• ❌ 只给 1 个版本（你没得选）
• ❌ 不等确认就自己开跑（剥夺你的选择权）

如果哪天我一上来就"嗖"地开始生成视频，那不是效率高，那是坏了规矩。

24.5 视频脚本的六要素

不管是豆包、可灵、海螺还是 Sora，一条合格的脚本必须包含 6 个要素，缺一不可：

要素	说明	示例
🎯 主体	画面里是谁/是什么	一位穿米色风衣的女性
🏃 动作	在做什么	推开旋转门走进咖啡馆
🏞️ 场景	环境与氛围	雨天午后，玻璃上的水珠
🎥 镜头	机位与运动	跟随镜头，手持轻微晃动
💡 光影	光源与色调	窗边自然光，暖调，逆光轮廓
✨ 画质	质感与风格	电影感，35mm 胶片颗粒，4K

注意第 4 项（镜头）和第 5 项（光影）——这两项是业余和专业的最大分界。写成"灯光亮一点"会被判定为不合格；必须写成"侧逆光、暖色温、柔和高光"。

24.5.1 七个视频技能怎么选

技能	模型	语言	特点
doubao-seedance-video-gen	豆包 Seedance 2.0	中文	综合能力强，2-3 版脚本可选
doubao-seedance-fast-video-gen	Seedance 2.0 Fast	中文	快速出片，适合试想法
doubao-seedance-mini-video-gen	Seedance 2.0 Mini	中文	轻量短视频
kling-video-gen	可灵 1.6	中文	中文语义与人物表现好
minimax-hailuo-video-gen	海螺 2.3	中文	画面质感与动态自然
runway-video-gen	Runway Gen-3/Gen-4	英文	电影级镜头控制、运动笔刷
sora-video-gen	Sora	英文	写实与物理一致性

选择口诀：中文场景首选豆包/可灵/海螺；要电影感和镜头调度选 Runway；要极致写实选 Sora。 拿不准就让三个中文模型各出一版脚本对比。

24.6 三个真实工作流

24.6.1 工作流 A：一张品牌海报

① 你说：产品是什么 + 主色调 + 要不要留文字区 + 用在哪（公众号/电商/线下）
② 我出：2-3 条结构化英文提示词，标注风格差异
③ 你选：挑一条，或说"第 2 条但换成竖版"
④ 我生成：DALL·E 3（1024x1792）或 FLUX（带文字）

关键点：把"要放标题的位置"提前说，我会在构图里留白。

24.6.2 工作流 B：一条产品短片的脚本

① 你说：产品 + 平台（抖音/视频号）+ 时长 + 想传递的情绪
② 我出：2-3 个分镜脚本（每版都含六要素），并标注差异
③ 你选：定版本 → 我再按镜头逐个生成
④ 后期：把生成的片段按分镜顺序拼接

24.6.3 工作流 C：批量出图（电商/内容团队）

① 定模板：先跑通 1 张，锁定提示词结构 + 尺寸 + 风格
② 变量化：把"产品名/卖点/背景色"抽成变量
③ 批量跑：按清单循环生成，统一命名归档
④ 抽检：按比例抽查，不合格的单独重跑

批量场景的核心不是"生成得快"，而是先把模板固化下来——这正好和第 17 章"把流程蒸馏成 Skill"是一个思路。

24.7 四个常见坑

坑	现象	解法
用中文长句喂 DALL·E	画面偏题、细节丢失	换成英文结构化提示词
视频不等脚本直接生成	结果不可控、浪费额度	坚持走"脚本 → 确认"流程
只用一句话描述风格	每次结果差异巨大	把风格、构图、光线写全
竖版需求用方图生成再裁	构图被裁坏	直接指定竖版尺寸

24.8 本章练习

1. 做一次对照实验：同一个需求，分别用"一句话"和"结构化提示词"各生成一次，对比差异。
2. 写一份六要素脚本：随便挑一个你熟悉的产品，用 24.5 的六要素表格写一条 15 秒视频脚本。
3. 锁定一个模板：把你工作里最高频的出图需求，固化成一条可复用的提示词模板。

---

小结：图像和视频生成，考的从来不是模型，是你能不能把"想要的画面"翻译成结构化的描述。四个图像模型各有特长，七个视频模型共享同一道确认门禁——理解这两点，你就已经超过 90% 的使用者了。