v0.5.70 视频制作智能体:不必全 Scene 都做视频生成,制作方式中途分流
个人开发记录 v0.5.70 的视频制作智能体不再对全部 Scene 统一做视频生成,而是按 Scene 分流:可独立生成、从上一段视频末帧续接,或用 FFmpeg 让静止画动起来、仅对必要镜头调用视频生成 AI。该版本引入 Canonical Shot Brief 统一 Scene 设计,再分别转换为图像与视频输入,并在素材生成前设确认边界。
个人开发记录 v0.5.70 的视频制作智能体不再对全部 Scene 统一做视频生成,而是按 Scene 分流:可独立生成、从上一段视频末帧续接,或用 FFmpeg 让静止画动起来、仅对必要镜头调用视频生成 AI。该版本引入 Canonical Shot Brief 统一 Scene 设计,再分别转换为图像与视频输入,并在素材生成前设确认边界。
一位从 A1111 起步的本地图像生成用户建议,在 A1111 学会基础后若想进一步提速和做工作流编排,应迁移到 ComfyUI。作者称 A1111 不适合大批量生成,曾出现 200 张生成到早上仍未完成、单张耗时约 20s 的情况,而 ComfyUI 按队列逐张处理,速度更快。ComfyUI 还能把生成到超分、保存的整条流程保存复用,作者截至 2026/10/13 已积累 510 个自建工作流。
日本创作者 kawakijourney_ai 公开了"大学生的一天"系列第 2 弹,用 ChatGPT 生成从下课、社团活动、酒会到酒店连贯的 AI 照片,模拟男友或学长 iPhone 随手拍的效果。教程按 STEP1 至 STEP5 分场景给出日英双语提示词,共塑造 3 位不同长相与发型的人物,每人 28 张、合计 84 张,并强调固定桌椅朝向、笔记本位置及全画面轻微手抖以保留真实感。
一份面向独立护肤品牌的 AI 视频广告接单指南,教你把客户的产品照片做成 15 秒竖屏广告:$500 一个套餐,含 1 个产品 1 个创意、3 个不同开场钩子的版本、字幕与 CTA、1 轮修改和 3 个 MP4 成片,示例目标为 10 个套餐 × $500 = 月入 $5,000。
PixAI、SeaArt AI、NovelAI 三家图像生成服务实测均能画出露肩礼服与深V开衩旗袍等成熟风格插画,但「无限制」并不等于无规则。PixAI 的敏感内容仅本人可见、积分可结转,SeaArt AI 每日体力当日清零且部分模型支持无限生成,NovelAI 的 Explore 需人工审核且禁止 NSFW 投稿。选服务时应分别核对可生成内容、可公开范围、生成额度与注册条件。
软件工程师 Brandon Thomas 用 Anthropic 的 Claude Opus 5.5 以 Rust 语言 vibe-code 出 ArtCraft 套件,免费提供 LightCraft、PhotoCraft、FilmCraft 等 Adobe 全家桶替代品,目前处于早期 alpha,支持 PC、Mac 和 Linux。
作者在 M5 Pro、24GB 内存的 Mac 上本地运行 MiniMax H3 做视频生成,通过三项调整把单条生成时间从约 14 分钟缩短到约 4 分 40 秒:单条长度从 192 帧(约 8 秒)改为 124 帧(约 5.2 秒),加入 Turbo LoRA 并设为 6 步,启用 8bit 计算与高速注意力。
在 ComfyUI 里可搭建"文本输入→本地 LLM→文本编码器"链路,让 LLM 把日语自然文转成 anima 用的英文提示词并自动选择 LoRA,无需付费 API。
SenseNova-U1.5 是一款把图像理解与生成合二为一的多模态模型,支持原生 4096 × 4096 输出,理解与生成分支各约 8B 参数。作者实测其排版与局部编辑能力,在 CVTG-2K 上得分 0.948,高于报告中的 Seedream 4.5(0.899),并与 FLUX.2-dev 32B、Qwen-Image 20B 做了同题对比。
一份对比表梳理了 Midjourney、DALL-E 3、Stable Diffusion、Adobe Firefly、Ideogram 五款 AI 图像生成工具在画风、文本精度、日语支持、商用许可、价格与生成速度六个维度的差异。
作者用开源项目 REA(Reverse Engineer Anything)拆解了 Mac 录屏软件 Screen Studio,101 秒生成 3695 个文件的证据地图,再让 claude code 写脚本解开 6 万多处加密字符串,读取出自动缩放背后的 6 条规则。
推荐理由:作者用 REA 拆解 Screen Studio 并让 claude code 复刻,展示了逆向工具与 agent 配合的完整工作流。
一份面向日语用户的 Seedance 与可灵(Kling)速习指南,按注册、价格、提示词写法、商用确认的顺序整理了官网、官方博客与使用条款的公开信息,确认日期为 2026 年 10 月 13 日。文中包含中日英提示词对照表 40 词、目的别提示词示例 8 条(日英),以及带条款出处的商用利用检查清单。作者说明画质、等待时间、日语语音等实测比较尚未进行,实机测试结果将在测试后追记。
超小型图像生成模型 AuroraIMG-6M 已可通过 ComfyUI 在 AMD XDNA 2 NPU 上运行,但该混合实现比 CPU FP32 慢约 11 倍。
一篇面向40至50岁AI初学者的实操指南,介绍如何用手机完成AI视频生成并发布为Instagram Reels。文中以Higgsfield、Google Gemini和CapCut为例,演示地球拉远、烟雾变身、墙壁崩塌三类视频效果,并给出提示词修正、30秒Reels剪辑、旁白与标题模板及7天发布路线图,付费部分定价500日元。
Kling Motion Control 是随 Kling Video 2.6 推出、在 Kling 3.0 升级的参考驱动视频生成功能,可将参考视频中的动作、表情与时机迁移到参考图像中的主体上。
Higgsfield 给出在同一 AI 视频场景中保持两个角色身份不混淆的完整流程:先用 Soul 2.0 为每个角色各生成一张 16:9 三视图角色设定表,再作为参考图一并传入 Cinema Studio 4.0。
网友 cellinlab 提出用 AI 模型输出 Three.js 前端代码,在浏览器中实时渲染几何方块与摄像机移动轨迹,录制成参考视频后导入视频生成模型。作者龙爪槐守望者称,AI 视频直接输入提示词容易产生镜头漂移和肢体扭曲,引入 3D 白模可作姿态与空间参考,而用 Blender 有学习成本、让 AI 操作 3D 工具又消耗积分,浏览器方案零门槛、更快、成本更低,不用装插件就能跑。
AITuber 整理出 25 条可直接复制的 AI 说唱视频提示词,按街头 Cypher、动画角色、婴儿与动物等五种风格分组。每条提示词固定包含角色、场景、情绪、镜头四要素,并给出配套的 BPM 与伴奏描述,如 boom-bap、80 BPM。提示词刻意避开真实艺人、真实人脸和品牌名。
AITuber 发布 Lumen5 替代品指南,按离开原因推荐工具:想要 AI 生成画面选 AITuber,需要出镜数字人选 Synthesia,想保留素材库风格但更便宜选 Pictory,需要团队席位则看 Kapwing 和 InVideo AI。
作者在本地 RTX 5070 12GB 上用 Wan 2.2 的 First → Last Frame 模式做了实验,首帧是手绘斑点骆驼状生物,尾帧是写实苹果,同一提示词跑三次得到三种不同过渡:把绘画角色放进尾帧的城堡场景、留在绘画世界后快切、以及两个世界缓慢溶解。
Cursor 可以制作视频:它在视频项目文件夹中编辑工程并调用外部视频工具,CoAnimator 负责预览场景并导出 MP4。使用前需安装 CoAnimator、coa 命令、FFmpeg/FFprobe 和项目 skill,主工作流基于文件与命令,可选的 ACP 连接需单独做兼容性测试。
建筑师在使用 ComfyUI 前应优先导出渲染器原生深度图,而非依赖深度估算模型。原生深度图直接记录场景相机与表面几何信息,而估算深度会引入额外解读误差,导致竖框消失、平面被压平等问题。ControlNet 1.1 文档确认其深度模型可直接使用渲染引擎输出的真实深度图,ComfyUI 官方示例也警告 ControlNet 不会自动将普通图像转为深度图。
ArchiGen 提出把 AI 植被当作独立的遮罩局部 pass,而不是用全局增强提示词一并处理,以保护建筑、路径与关键视线不被改动。做法是只对种植区域做遮罩重绘,把立面、屋檐、门洞、坡道等排除在可编辑遮罩外,必要时拆分前景植被与建筑边缘两个遮罩。生成后需核对物种特征、成年尺度、轮廓、通行与阴影,并借助差异叠加检查树枝与屋檐、幕墙的接触处。
Synthesia 被评为 2026 年企业培训与入职场景的首选 AI 视频工具,Colossyan、HeyGen、Elai、Vyond 分列其后。Synthesia 企业版提供不限时长,但 SCORM 与术语表功能需企业版;HeyGen 适合翻译已有真人出镜素材,Creator 版 $29/月,Business 版 $149/月另加 $20/席位。
作者在 RTX 4070 12GB 上用 ComfyUI 测试 Qwen Image 2.1 Turbo 的 i2i 图像编辑,832×1248 图像按官方 8 步设置平均总时间 12.87 秒,常规模型 25 步为 27.26 秒,约 2.12 倍提速。
Higgsfield 提供两种无代码自动化 AI 视频创作方式:在 ChatGPT 中通过 Higgsfield Extension、在 Claude 中通过 Higgsfield MCP 批量生成视频,或用 Supercomputer 按计划运行重复任务,两者均消耗常规套餐积分且无需 API key。
用 ChatGPT 把运镜意图整理成英文提示词,再手动粘贴到 Runway Gen-4.5 生成 5 秒 Image to Video 视频,对比"固定机位"与"缓慢推近"两案。
研究者提出一种可扩展的在线熵最优传输近似方法,使流匹配训练中源样本与数据的配对批量显著增大,同时保留最优传输的收益。理论证明该方法在无正则与熵正则情形下均严格降低全随机梯度方差与积分误差,且改善随在线耦合批量增大而增强。单细胞基因插值流与图像流训练实验验证了更大在线耦合能持续提升训练稳定性和最终生成性能。
针对平日只能挤出1至1.5小时的上班族,一种AI动画制作思路是把流程拆成每天一个工序:周一用15分钟定题材,周二30分钟生成一张角色图,周三30分钟给图片加3至5秒动作,周四30分钟叠加BGM或音效并保存,周五回看成品。首个作品以3秒能动、能完整播放为合格标准,不必追求完美,也不保证14天完成或产生收益。
这篇指南按十步工作流对比 Higgsfield、Runway、Kling AI、Dreamina CapCut 和 LTX Studio 五个一站式 AI 视频平台,依据各家公开套餐与文档页面。
用 DomoAI 从照片生成商品视频时,应先写光、影、汤气等周围元素的运动,再决定商品本身是否移动。DomoAI 官方博客建议文字标签细密的商品最好完全静止,需旋转时控制在 15 度以内并写明停止位置;人物场景则只保留一个动作,并写清速度与姿势。
MiniMax H3 是 MiniMax 于 2026 年 7 月发布的视频生成 AI 模型,可同时生成影像与音频(含日语台词),并支持 Turbo LoRA 降低生成步数。在 ComfyUI 0.30.0 及以上版本中,使用官方模板即可从一张图片生成短视频,只需放入图片(first frame)并用提示词描述运动方式,适合超初心者上手。
用生成式 AI 做视频生成应用有三条捷径:直接接入 Sora、Runway、Luma、Pika 等商用视频生成 API;用 Stable Video Diffusion 等开源模型配合云 GPU 自建;或用 iPaaS 与无代码工具串起文本生成、视频生成、语音合成 API 的自动化流水线。三者分别在开发速度、成本与可定制性上各有取舍,可先用 API 或无代码工具快速做原型,再按需迁移到自建管线。
作者在 ComfyUI 上对比了 44 种视频高画质化手法,全部本地免费运行,并区分修复与高解像化两类场景。修复针对小型相机、监控等低画质素材,高解像化针对 HD 提升到 FHD、4K、8K 并恢复肌理与睫毛细节。文章公开了可一次跑完 44 种方案的大规模比较工作流,方便按人物、风景或动画等不同内容挑选合适手法。
推荐理由:作者把修复与高解像化两类需求拆开,用同一段素材横向对比 44 种方案,并放出可一键跑完的 ComfyUI 工作流。
作者在 RunPod 的 A40 上用 ComfyUI 跑 MiniMax H3 视频生成时,10 秒视频连做 12 支没问题,改成 12 秒后第二支开始几十秒到几分钟内必崩,报错只有 Connection refused。
用 Hyperframes 开发 AI 视频生成应用时,可从五方面减少踩坑:初期用低分辨率、短帧数验证再逐步提升;固定种子值并配合控制网络保持帧间一致性;精简提示词并设置负面提示词;用异步处理、队列和重试应对 API 超时与调用限制;固定模型与依赖库版本并在测试环境验证更新。
在 M1 Max(64GB)Mac 上以 BF16、无量化方式运行 MiniMax H3 的 C 语言移植版 h3.c,成功生成 10 秒视频且未触发内存不足(swap),但耗时 43.2 小时。该模型完整版约 134GB,需约 150GB 可用存储,通过 SSD streaming 机制从 SSD 分块读取计算。
一位创作者用 ChatGPT 生成约 25 张分镜图、Irodori-TTS 免费配音、Runpod 租用 GPU 跑 miniMax H3 生成视频、capcut 剪辑,做出一分钟 AI 动画,成本约 ¥90-¥150,耗时两天。
一位 PC 新手用 ChatGPT 生成并修改 PixVerse 提示词,制作 5 秒玻璃南瓜切刀 ASMR 竖屏视频。最初 ChatGPT 给出的提示词过长,在 PixVerse 中不好用,作者直接反馈"提示词太长",ChatGPT 随即整理出含"木制砧板上的透明橙色玻璃南瓜、微距特写"等要点的短版本。
一位创作者分享用 AI 制作在线课程视频的真实经验:用自己声音的声音克隆配音,但录了 4 种带情感起伏的版本后听不出差别,最终沿用原声,改以问句结尾等方式通过文字写法营造明快感。