本文由 莫潇羽@源码七号站（www.fuyuan7.com） 撰写，转载请注明出处。

快速摘要

这篇文章把我自己折腾 AI 动画短视频这段时间趟过的坑，整理成了一套可直接照着干的工作流。核心结论先放在最前面：

• 三大工具固定搭配：即梦做图像和说话类视频，可灵补充非对话动作镜头，剪映完成串联、字幕和成片导出，豆包用来薅免费图像生成额度。
• 模型按"任务难度"分级使用：动作类用便宜模型（即梦 1.0 Fast、可灵 2.1）；对话类强制用即梦 Seedance 2.0 或可灵 3.0；高一致性长片段才考虑全能参考建模，新手不建议一上来就碰。
• 提示词遵循"场景→主体→动作→镜头→台词"的五段式，对话一律用中文双引号包裹，并在角色前标注性别、年龄、声线，能显著降低声音错乱概率。
• 多镜头串联靠"导出尾帧"：上一段视频的最后一帧导出成图，作为下一段的首帧图，故事线立刻就接上了。
• 合规这一关比技术更重要：人物服装、场景、对话只要稍作改写，就能避开同质化；同时坚守不夸大、不引导承诺、不出现敏感行业关键词的底线。

想看完整拆解、提示词模板、踩坑清单和剪辑节奏的全套打法，往下翻。

一、为什么动画短视频是 AI 视频里最容易出片的赛道

我自己在莫潇羽@源码七号站折腾 AI 视频的过程中，发现了一个挺反常识的事：真人风格的 AI 视频对模型要求极高，反倒是动画风格、卡通角色的短剧，是当前 AI 视频里最容易出片、也最容易跑出流量的方向。

原因不复杂。AI 视频模型在生成"真人"的时候，观众的容忍度极低——脸型变化、手指畸形、眼神不连贯，任何一个穿帮都会立刻被注意到。但换成 3D 渲染的卡通熊猫、橘猫、老虎，观众对"细节真实"的预期天然就低，AI 偶尔抖一下脸、嘴型偏一帧，根本不影响观感。

所以你刷短视频平台时会发现一个规律：橘猫开车、熊猫摆摊、动物角色围坐烧烤摊唠嗑这一类的小短剧，剧情很简单，但播放量普遍都不差。原因就是——门槛低、容错高、共情强。

也正因如此，这个赛道适合新手第一站练手。把工作流跑顺，后面再升级到更复杂的真人风格或写实短剧，会自然很多。

1.1 这条工作流要解决的核心问题

整条工作流要做的事，说穿了就三件：

• 稳定地生成"我想要的画面"——图像生成。
• 让画面里的角色按我设计的剧本动起来、说出对应的台词——视频生成。
• 把多段视频无缝拼成一个能完整讲故事的成片——剪辑串联。

每一步都有自己的坑。下面一步一步拆。

二、工具栈：三大核心平台的定位差异

写在前面：工具不是越多越好，固定就用三个，工作流才稳定。

我自己常驻用的就是即梦、可灵、剪映三个，外加豆包当免费薅图额度的备用方案。手机端和电脑端的能力略有差异，但整体逻辑完全一致。

2.1 即梦：图像生成 + 说话类视频的主力

即梦（Dreamina）是字节系的 AI 创作平台，剪映团队和醒图团队合作出的产品。它在我的工作流里承担两个角色：

• 图像生成的首选。即梦的图像生成对中文提示词理解明显更友好，3D 渲染、卡通风格、动物拟人这一类的风格几乎是"开箱即用"。
• 说话类视频的首选。对话场景对模型理解力要求非常高，需要模型既能听懂提示词里的台词，又能控制嘴型和声线。即梦的 Seedance 2.0 系列在中文对话视频上目前确实是国内第一梯队。

电脑端走网页版（dreamina.capcut.com / jimeng.jianying.com），手机端要在应用市场下载即梦 App。两端登录态保持一致，账号互通。

2.2 可灵：动作类视频的性价比补充

可灵（Kling）是快手系的视频生成模型。它的强项在于：

• 动作类、运镜类视频的画面质感非常稳，物理引擎对手部、转头、走动等动作的还原度高。
• 2.1 版本的性价比比较合适，相比早期 2.0 价格下降明显，适合做大量动作类小镜头。
• 3.0 模型可以生成对话视频，但目前我的体感是，对话场景下即梦 Seedance 2.0 仍然更稳，所以可灵主要用来做不说话、纯动作的镜头补片。

2.3 剪映：所有素材的最终归宿

剪映（CapCut 国内版）承担"把所有素材拼成一条完整视频"的工作。我用它做四件事：

• 串联多段 AI 视频片段，做删减、调速、转场。
• 用智能字幕给整段对话自动打字幕，再统一调字体、字号、位置。
• 添加音效库的开门、关门、敲门、哭声等环境音，让画面更有真实感。
• 通过"导出当前画面"抽尾帧，作为下一段视频的首帧图。

2.4 豆包：薅免费额度的备用方案

豆包是字节系的另一款产品，自带 AI 图像生成功能，新用户每天有免费额度。我把它当成"图像生成的备用渠道"——主图用即梦生成，但有时候即梦风格不太对，会丢到豆包再试一次找灵感。

豆包的视频生成功能也开放了一部分免费额度，但我个人不太用，因为风格控制不如即梦稳。

2.5 工具搭配总结

flowchart LR
    A[剧本/分镜] --> B[即梦/豆包<br/>图像生成]
    B --> C{是否需要对话?}
    C -->|需要对话| D[即梦 Seedance 2.0<br/>说话视频]
    C -->|纯动作| E[可灵 2.1<br/>或即梦 1.0 Fast]
    D --> F[剪映<br/>串联/字幕/音效]
    E --> F
    F --> G[导出尾帧]
    G --> B
    F --> H[成片]

整条流是个闭环：剧本拆分镜，分镜出图，出图变视频，视频在剪映里拼，需要新镜头时通过"导出尾帧"反哺到图像生成那一步，循环往复直到成片。

三、模型选型：在不同任务里挑对模型

工具选完，下一个关键决策是——任务进来，到底用哪个模型？

模型选错的代价是直接花钱，而且越贵的模型生成时间反而越长（因为算力排队）。下面是我整理的一张选型对照表，照着挑就行。

3.1 即梦视频模型对照表

注：模型代号和定价会随平台版本更新而变化，以官方实时显示为准。莫潇羽这里只总结相对档位，不写死价格。

3.2 可灵视频模型对照表

3.3 模型选型的三条原则

第一条：说话用顶配，动作用平价。对话类强制走即梦 Seedance 2.0 或可灵 3.0，因为对话错一个字、声音变性别就是废片，省那点钱不划算。动作类用 1.0 Fast 或 2.1 标准就行。

第二条：重要镜头用 VIP/画质，过渡镜头用 Fast。比如剧情高潮的一个特写镜头，宁可贵一些也要用顶配；中间走路、转身、看手机这种过场镜头，用便宜版本就够了。

第三条：4 秒能搞定的别用 6 秒，6 秒能搞定的别用 8 秒。生成时长直接乘进总成本里，多一秒就是多一份费用。每次发起生成前，认真估算一下这段台词加动作到底需要几秒，预留 1 秒缓冲就好，不要无脑选最大值。

3.4 一个真实的成本对比

举个我自己跑过的对比账：同一段 7 秒的对话镜头，分别用即梦 1.5 Pro、2.0 Fast、Seedance 2.0 跑一遍。

• 1.5 Pro：嘴型基本不动，声音偏机械，对话识别度大概 60%。
• 2.0 Fast：嘴型有动，但偶尔会冒出来奇怪的声线，需要重抽几次。
• Seedance 2.0：一遍过的概率显著高，嘴型、语速、断句都比较自然。

结论很简单：关键对话直接用顶配，比抽卡省钱。

四、图像提示词：一套可复用的写作公式

图像是所有视频镜头的起点，图错了，后面所有镜头都白做。所以图像提示词是整条工作流里最值得花时间打磨的部分。

4.1 公式：场景 → 主体 → 服装 → 动作 → 道具 → 镜头

我自己用得最熟的公式是这五段式，按顺序往下写，基本不会出错：

3D 渲染，[时间/天气/地点的场景]，
[主体 1：物种 + 性别 + 体型 + 服装 + 姿态]，
[主体 2：物种 + 性别 + 体型 + 服装 + 姿态]，
[道具 + 摆放位置]，
[镜头景别 + 视角]

第一行的"3D 渲染"几乎是必加项，相当于给整张图定一个动画风格的基调。没有这一句，模型