AI 生成视频的单次上限大约是 15 秒。想做完整的长视频只能拼接，一拼就出问题：人脸漂移、动作跳帧、前后场景对不上。本文分享一套经过实战验证的方法论，用 Image2 + Seedance 2.0 成功制作了一条 115 秒的全 AI 品牌广告（Laura Geller 口红），四个年龄段女性，没有一帧真实拍摄。

核心问题与解决思路

AI 长视频的一致性问题，根源出在四个地方：

1. 人物设定不统一 -- 每段单独出图，长相、光线、风格各不相同
2. 场景设定不统一 -- 同一场景在不同镜头中表现不一致
3. 拼接生硬 -- 转场方式选择错误
4. 音频不连贯 -- 拆段生成导致语速情绪前后不一致

解决思路是 资产前置 + 分镜规划 + 按镜头类型选生成方式 + 规范化剪辑。

第一步：资产前置准备

所有一致性问题都在这一步解决。分四类准备：

人物设定

出一张包含正面、侧面、背面的人物全身三视图。正面额外出一张半身版供近景用。表情至少准备 3 种（自然闭嘴、微笑、专注皱眉）。服装和配饰单独出细节图，模型在不同段之间容易漂移，有参考图才能锁住。

场景设定

先出无人的空景，固定光线和色调。同一场景按景别分别出三张：全景（交代空间）、中景（人物与环境关系）、近景（人物或物品细节）。

进阶做法：先生成一段 360 度场景环视视频，生成人物镜头时附上这段视频并在提示词里写明站位。

产品设定

• 正面图（包装完整、无遮挡）
• 侧面图（能看清色柱或材质）
• 45 度斜侧图（最常用角度）
• 产品被使用中的状态图
• Logo 和品牌字体特写（结尾打品牌名用）

音色设定

旁白音色和人物对白音色分开定，不能混用。选好后出一段 30 秒样本试听确认，全片统一用同一声音。

工具推荐： 出图用豆包（低成本大量试错）或 Image2（追求质量），音色用 ElevenLabs 或 MiniMax。

第二步：脚本规划与分镜

叙事结构先定。跨境电商广告通用逻辑：痛点 --> 产品出现 --> 效果证明 --> 行动号召。

每个镜头要标清六件事：

1. 景别（全/中/近/特写）
2. 主体行为
3. 运镜方式（固定/推进/拉远/跟拍）
4. 情绪氛围
5. 预计时长
6. 有没有人物说话

时长标准：特写或静态镜头 5 秒，有人物动作的中景 5-10 秒，需要完整交代信息的 10-15 秒。能拆就拆，时长越短利用率越高。

分镜脚本可以用 DeepSeek 或 Gemini 生成初稿，再手动调整。

第三步：分镜生视频 -- 三种方式按镜头类型选

不要所有镜头都用同一种生成方式。

方式一：纯提示词

适合开场、全新场景切入、不需要从前一段画面连过来的镜头。参考图照常用，但这段独立生成，不依赖上一段尾帧。

提示词结构： 主体 + 行为 + 景别 + 运镜 + 风格约束 + 禁止项。禁止项必须写，比如"禁止迁移参考图的画面风格"。

方式二：分镜模式（Storyboard）

一个提示词描述多个画面，一次生成六宫格或九宫格，每格是一个关键帧。适合多镜头快切、产品多角度展示等不需要强连续的段落。

方式三：尾帧衔接

适合剧情连续、人物动作延续的镜头。操作流程：

1. 生成上一段
2. 导入剪辑软件导出一次（统一编码）
3. 截最后一帧
4. 用这帧 + 新提示词生成下一段
5. 拼接时删掉下一段开头 1-2 帧防止卡顿

踩坑提醒： 不能直接截尾帧就去做下一段首帧，衔接处会有明显色差和跳变。必须把上一段导入剪映/PR 导出一次，用导出后的尾帧做下一段首帧。

工具推荐： 视频生成用 Seedance 2.0 或 Veo 3.1 图生视频效果较好。

第四步：剪辑拼接

转场选择逻辑：

剪辑顺序： 按分镜顺序拼素材 --> 逐个检查衔接点 --> 加字幕 --> 最后配音频。不要提前配音，剪辑过程中时长会变。

第五步：音频处理

音频分三类，逻辑完全不同，分开处理：

旁白： 必须整段一次生成，不能按镜头拆成一句一句。拆段会导致语速、情绪、语气前后不一致。正确操作是选好音色后完整文案一次性生成，再在剪辑软件里按画面时长逐句对准时间点。注意是剪音频对画面，不是剪画面对音频。

环境音： 优先在生成视频时同步生成。单独补的话按每个镜头逐段匹配，不能全程循环同一段背景音。

背景音乐： 压到最低，只做氛围托底。混音层级：旁白 > 对白 > 环境音 > 背景音乐，背景音乐不超过旁白音量的 30%。

工具清单

常见问题

• 人脸漂移怎么解决？ 资产前置阶段出好三视图和细节参考图，生成时附上参考图锁定外观
• 拼接处色差明显怎么办？ 上一段先导入剪辑软件导出一次，用导出后的尾帧做下一段首帧
• 15 秒限制怎么突破？ 拆成多个 5-15 秒的短片段，用尾帧衔接方式保持连续性