一部制作成本约50万美元（超330万元RMB）的AI电影完整的制作资料免费公开了。

这部AI电影叫《Hell Grind》（暂译《地狱磨砺》），是一部时长超过95分钟的奇幻动作片，影片中的每一帧画面都是AI生成的。视频和角色对白用的是Seedance 2.0生成，角色和场景使用了Soul Cinema，图像编辑和修改使用了Nano Banana Pro、Seedream 4.5 和 GPT Image 2。团队一共15人，包含导演团队和提示词工程师，各自负责对应的场景部分，整部影片的创作周期为14天。

《地狱磨砺》预告片（给大家看看画面效果）

今年五月，这部AI电影在戛纳电影市场公开放映。最近，影片制作团队Higgsfield把完整的制作资料，包括十几万份图像、视频、音频、逐镜提示词等资产，和3份Skill全部免费公开。3份Skill分别覆盖参考图提示词、角色表演指导以及视频提示词。

玩过AI视频的朋友们都知道，Seedance 2.0发布后，AI视频往前迈了一大步，但还是会经常出现人物的脸、衣服和道具会突然变化、空间和位置关系乱跳、角色动作不自然、环境光线频繁变化、人物数量错误等情况，这也让很多AI视频被贴上「廉价」、「敷衍」的标签。

但《地狱磨砺》的呈现质感和这些标签完全不沾边，在制作资料中，我看到制作团队把大量时间都花在解决这些具体问题上。我也把这套工程、逐镜提示词和3份Skill都扒了一遍，按创作顺序做了梳理，最后整理了30条对大多数人创作AI视频都比较容易迁移的技巧。

我还把3份官方Skill都做了中文汉化，大家可以直接拿来辅助提示词撰写、设计角色表演和镜头运动，后台回复「AI电影」获取。

第一部分：资产与一致性

1在开始生成视频之前，先生成参考图，把会反复出现的人物、场景和关键道具做成固定资产，让后续的每一个镜头都能有精准指向。2一套资产由参考图+固定描述组成，参考图负责告诉视频模型「长什么样」，固定描述负责告诉视频模型「有哪些特征必须维持一致」，而且这段固定描述要逐字逐句放进每一段相关的视频提示词中。3角色图要由三部分构成，一张清晰脸部、一张正面全身、一张背面全身。让视频模型知道脸部细节，也能参考体型和衣服结构。使用时甚至会把正面全身图的头部去掉，只留下一张清晰脸部作为唯一脸部来源，避免模型从全身图中抓到一张模糊的脸。4角色参考图使用中灰背景、平行光和真实的皮肤纹理。不提前加入电影调色和场景灯光。角色资产做得越朴素，就更能适配不同的场景和灯光。5同一个角色、场景和道具只要状态发生明显变化，就拆成独立资产。比如角色的普通状态、淋雨状态、受伤状态和不同服装状态；场景的白天、夜晚和雨天状态；道具在不同场景下的状态。在生成参考图阶段就把这些状态资产都做好。6道具除了参考图之外，还需要靠固定的名称、外观描述、数量和状态在每一镜中反复锁定，比如在训练室场景中，提示词会明确写出「五个被损坏的人偶，绝不能重新生成成完整状态，绝不能增加数量」。7当一张图已经很接近完成，但还需要微调时，提示词只写哪里需要修改，除此之外的包括人脸、衣服、构图、光线、阴影等在内的其他元素都写清楚要严格保留。尽量避免让图片在模型中重复修改，多跑一轮都可能产生纹理损失或色彩漂移。8把参考图喂给视频模型时，必须明确参考图的用途，角色图只负责角色参考，场景图只负责空间和纹理；场景还可以直接说明不要继承它的构图、机位和调色。所有资产命名从文档到提示词都要统一，避免同一资产出现不同叫法。9在正式使用资产前先做压力测试。用不同动作、不同光线环境下生成十次，必须保证每次都能认出角色的脸。而且不能只单独测试，还要多人同框并且放到不同的光线环境中，一个单独看起来很稳定的角色，一旦和其他人同框，经常会崩，这种情况下说明固定描述需要修改。

第二部分：场景与空间关系

10场景参考图优先用3/4视角，让模型能同时看见前后左右的空间关系和场景纵深。准备场景图时，尽量按后面真正会拍到的机位去生成。11每个场景选一个长期不变的参照物，再把人物调度和它绑定。可以是一根柱子、一盏灯或者一张沙发。比如写「人物站在灯旁，面向房门」，静态对白戏还可以只给模型一个房间角落场景参考，减少它随意安排站位。12反打镜头要通过图像模型生成同一场景的反向视角，可以明确写出反向视角中每个主要物体的新位置。制作团队还用过另一种方法，让Seedance生成一段在空场景中缓慢穿行的视频，再截取需要的角度，扔给图像模型补纹理和光线等细节。13复杂场景单独写一份空间布局平面描述，只描述地点本身，不写人物和动作。空间位置统一用画面左侧、画面右侧这一类摄影机视角能理解的坐标，再配合具体地标和距离。例如：

GEO SPATIAL LAYOUT（空间布局）：

— PLATFORM（平台）= 位于悬崖边缘、抬高的圆形仪式石台。

— ALTAR-MONOLITH（祭坛巨石）：位于悬崖边缘，相对平台处于画面中间偏右位置。

— RITUAL CENTER（仪式中心）：画面中间偏左位置，距离祭坛约3米。

— 180° AXIS（180° 轴线）：摄影机始终位于角色倒地的一侧——绝不越过轴线。

— BACK-LIGHTING（背光）：深红色地平线光芒来自平台后方，为剪影勾出轮廓光。

第三部分：角色表演设计

14给每个长期角色各自写一份固定的表演主档案，提前设计好他的身体节奏、习惯动作、眼神、声音以及在不同状态下会有哪些变化。下面是表演指导Skill中的示例：

VIKTOR：六十岁出头的男性，退休的夜班出租车司机，曾是业余拳击手；体格厚重、脖颈粗壮，中段已经发福，鼻梁扁平，两侧眉骨都有旧伤疤；无论坐着还是站着，重心都低而稳，重量始终完整落在整个脚掌上。他只有一个核心驱动力：几十年等待乘客、等待回合、等待麻烦的生活，让耐心变成了他的武器。声音特征：低沉、沙哑、不急不缓的男中低音，带着工人阶层式的粗粝感；句子短，表达平直、节省，事情越严重，声音越慢、越轻——他从不加快语速。关键身体习惯与小动作：评估局面时，会让一枚旧硬币在指关节之间滚动；在说「不」之前，会缓慢而清晰地用鼻子吸一口气；当有人在他面前撒谎时，他会彻底静止，用长时间沉默施压；平时的脸是一张眼皮沉重、显得无聊的面具，实际上藏着完整的注意力。眼神生命：困倦、半垂的眼睛，眨眼缓慢而刻意，持续安静地扫描后视镜、双手、出口；视线总会在头转过去前一个节拍先落到说话者身上；眼神高光很弱，但始终有生命。步态风格：一种沉重、滚动感明显的「老拳手步」，步幅短而节省，双肩保持水平，双手放松但随时准备动作，从不赶路。然而，当有人在他身边抬起手时，那张困倦的面具会在半秒内消失：下巴收低，双手抬到一半，双脚自动回到旧时的拳击站姿——随后他意识到自己的反应，又尴尬地把这一切收回去。只有面对流浪狗时，他的脸才会真正柔和下来；他会从外套口袋里拿食物喂它们。

15要写行为，不要写感受，比如角色想得到某样东西，但有某个人挡在他面前，于是他开始采取行动。提示词中写清角色的目标和障碍，让角色在这场戏中不断改变行动的方式，比如：他先开玩笑→没用→他开始施压→还是没用→他开始恳求。16少写「愤怒」、「悲伤」、「筋疲力尽」之类的情绪词，要写物理动作，描述身体和肌肉发生了什么。比如写角色Roco训练结束后，会写：

Roco站在训练垫中央，双脚大幅分开、牢牢踩地。胸口随着短而浅的呼吸快速起伏；水晶手臂沉重地垂在身体一侧，把他的右肩向下拖得比左肩低大约一根手指的高度。下颌绷紧、放松，重复两次；一缕血从鼻子流到上唇，他任由它继续流；一次慵懒眨眼，一次快速双眨，一次用力重置式眨眼。

视线落向画面中央偏右那些被损坏的人偶，停留一个节拍，然后随着门打开，视线抬向门口：眼睛先抵达门口，头才转过去。

17给角色安排正在做的事。擦杯子、滑动平板电脑、整理装备都可以，让人物一边做事一边说话。真正需要强调某个瞬间时，让他突然停下手里的动作。比如走廊戏中，角色Rein一直在操作平板电脑，直到远处传来撞击声，她的手指先停住，随后抬头。18多人戏中不要让所有人做出同样的反应。还是用走廊戏的例子，角色Rein先听到撞击声，停止滑动平板电脑并抬头；角色Jax笑容晚半拍才消失，并扭头寻找声源。这种时间差会让角色更像各自在判断。19角色可以在对方台词结束之前就开始给反应。听到关键信息时，眼神和动作先变化，再停留一个很短的消化时间，最后才开始回答。20单独写眼神戏，给角色视线一个明确的目标，再加入微微的眼跳和不同节奏的眨眼；角色转头时让眼睛先追踪到目标，头部再紧接着跟上。21声音和身份要锁定，每个主要角色固定一条声音提示词，规定音高、音色、口音、语速和说话方式。只要角色开口，就把同一条声音描述保持原样加入提示词。

声音：低沉、沙哑的男声，介于低音和中音之间；语速缓慢、仿佛经过计算；伦敦街头口音；带着威胁感的平静——他从不提高音量。

第四部分：视频生成

22视频提示词先用框架模板组织信息，再填入当前镜头真正需要的内容，每段提示词都只服务当前镜头。

－场景背景：标题写 「严格保持N个角色，禁止重复」：说明发生了什么、镜头中有哪些人、镜头时长。

－资产参考：角色与场景/地点的参考标签，并注明各自对应的角色或用途。

－空间布局：用文字说明这个地点的空间地理关系与布局。

－首帧与空间调度：明确第一帧中每个人分别站在什么位置。

－分镜格式：说明是一镜到底还是硬切、镜头时长。

－光学：镜头焦段、焦点如何安排和变化。

－摄影机：摄影机如何运动、如何表现，以及绝对不能做什么。

－动作时间轴：按秒拆分动作，每一个节拍分别发生什么。

－物理关系：所有运动物体的重量感、接触关系、惯性以及真实物理反馈。

－灯光：只使用一套统一的光源逻辑，并明确光从哪里来。

－音频：描述人物声音特征，并写出准确台词；只保留音效（SFX），不生成音乐。

－角色表演：说明人物当前状态，包括角色目标、隐藏信息、身体节奏以及在镜头过程中的变化。

－风格：将风格预设一字不改地原样粘贴。

－画质：规定细节质量与画面稳定性要求。

－正向约束：所有角色数量和禁止事项，都改写成「画面中实际存在什么」的正向表述。

23建立一套风格预设提示词，逐字逐句粘贴到每一段提示词的末尾，以此维持不同镜头间风格的一致性。《地狱磨砺》的风格预设示例：

－风格：8K IMAX。照片级写实，不要3D渲染，不要游戏引擎质感，不要游戏过场动画美学。

－摄影：漂浮式、沉浸式摄影机运动，摄影机与演员共同存在于场景中；使用自然且有明确来源的光线；绘画感构图，强烈的逆光剪影。

－灯光：只使用自然光，逆光，摄影机位于阴影一侧，全程带有大气雾感。主光只来自天空和窗户。

－色彩：采用60:30:10配色比例：主色/次要色/强调色。

－摄影机：真实电影镜头，180°快门运动模糊。

－皮肤：毛孔级真实感，可见细小汗毛、不对称的痣、毛细血管产生的自然泛红，毛孔阴影必须与现场实际光线方向一致。

－表演：好莱坞级表演：人物反应前有细微停顿，视线方向精准；眼睛湿润且具有生命感，带有真实眼神光；能够看到自然呼吸和胸口起伏。

－物理：严格遵循重力与惯性：所有物体都具有真实重量，并产生正确的接触阴影。禁止出现漂浮道具。

－构图：三分法 + 黄金比例。所有人物从第一帧开始就处于运动中。

－连续性：所有角色、道具和环境在每一次镜头切换间都必须保持完全一致。禁止角色身份漂移。

－技术规格：24fps流畅运动。8K细节。画面无抖动。

－音频：仅保留环境音效（SFX）。不要音乐。不要字幕。

24每个动作描述提示词最多三句话，整段提示词可以很长，《地狱磨砺》常用三四千字长度的提示词，模型可以阅读很长整体规则，却很难在同一时间完成多个动作。一旦某个时间节点被塞进太多动作，模型就会把它们糊在一起。25复杂动作精确到「秒」进行拆分，每一段都写人物此时在哪，正在做什么，摄影机如何运动，关键道具是什么状态，必要时再补物理规则和声音。还是以刚刚那段走廊戏为例：

0.0–3.0s——角色Jax和角色Rein同步沿着走廊朝镜头走来。Jax说话时眼睛向上看着天花板灯，一只手拍着自己的肚子；Rein的手指一直在平板电脑上滑动，她的步速不变，也从不抬头看Jax。

3.0–4.0s——远处的训练室传来一声沉重的撞击声，Rein的手指在平板电脑的玻璃屏幕上突然 停住，之后她的头才转向训练室房门——被打断的动作本身就是这个节拍的重音。Jax的笑容晚半秒才消失。

26摄影机指令优先使用对角视场角、摄影机与主体的距离和可见的光学结果，避免把焦段、光圈、ISO作为主要控制。比如135mm镜头拍摄时，提示词可以描述为：

18°对角视场角，经典远摄镜头特征，摄影机距离主体6–8米。背景压缩明显，远处元素看起来层层堆叠在主体身后，极薄焦平面突出眼睛与关键面部特征，前景和背景都融入柔和散景，画面带有远距离观察感。

27动作戏要把物理结果写出来，人物和道具要有重量，产生碰撞后要有惯性和后续运动，布料和头发的运动会比身体慢半拍。28灯光要作为每支镜头里的硬条件。提示词要写清主光从哪里来、摄影机位于光源哪一侧、人物哪一面应该留在阴影里，背景亮度和允许出现的高光也一起固定。整场戏再复用同一份风格预设和60/30/10色板，让每次的生成结果尽量落在同一套视觉规则里。29巨型或微型角色必须绑定尺度锚点：每一段提示词里都要重复一次尺寸对比，画面中必须出现一个人类角色作为参照。避免模型偷偷把角色调整回正常人类身高。《地狱磨砺》中涉及30米高的石头守卫的所有戏，提示词中都带着一条约束提示词：

尺度规则：画面里必须出现可见证据：石头守卫高达30米，他的头消失在穹顶的黑暗里，张开的手掌和一辆轿车一样宽，而站在他脚边的角色Roco身高刚刚超过他的脚踝。每一帧里，守卫的剪影高度都至少是旁边人类角色的5倍。如果这个守卫看起来只是一个身材高大的人，或者可以和一个站立的人类一起轻松完整地塞进画面里则等于镜头失败。

30如果一个镜头反复更换提示词都做不出来，那就把动作拆成两个镜头完成，简化镜头，而不是继续堆文字。《地狱磨砺》制作团队曾反复都做不好「角色走到门边再砸门」，后来把镜头拆成了两个，角色走向门口先做一条素材，第二条素材角色就已经在挥击中，门也已经开始裂开。一个镜头承担一个主要动作，成功率会高很多。

写在最后

花了两天时间扒完《地狱磨砺》的制作资料，我发现这套看起来非常成熟的AI视频方法论，其实并不是从第一天就长这样的。越靠近项目前期，提示词越简单，控制也越粗糙；越往后才有越多东西被补充进来。中间还能看到大量「抽卡」过程，大概是在制作过程中团队吃过亏，才沉淀下来这些看似非常「啰嗦」的提示词规则。

但即使一段提示词写到三四千字，最后依然可能抽到废片。真正能够提高成功率的方法，就是把容易出错的地方提前拆解、规则提前锁定，然后一轮一轮去试。一个镜头不行就改一个变量，再不行就拆镜头、换角度。

而且素材生成结束，离「电影」成片也还远着呢。《地狱磨砺》的制作过程中，剪辑和素材生成一直是同步进行的，素材生成出来就往时间线上放，缺镜头就再重新生成补上。AI生成的素材节奏往往达不到要求，导演和剪辑还得把握成片节奏。最后我们看到的成片，已经是生成、筛选、重做、清理、剪辑和调色后呈现的结果。

最后，如果你看完了这篇内容，我不希望你过分高估「一键出片」，也不希望你被劝退。以前想拍这种类型的特效大片，光是演员、场景、摄影、美术和特效，就足以把绝大多数个人创作者挡在门外。

《地狱磨砺》依然用了15人团队，耗资近50万美元，普通人当然没必要照着这个规模来。但你可以先做个一分钟的小故事，或者一支三五分钟的短片。

AI第一次让普通人有机会绕开大部分现实成本，去把脑海中的某个瞬间闪过的灵光「拍」出来。

◎作者：小黑

◎本文封面及部分配图由AI生成

感谢你愿意把时间留给这篇文章。如果内容对你有帮助，欢迎点赞、在看、转发；想继续一起研究 AI，也可以给「数字猎手小黑」加个星标 ⭐，方便第一时间收到推送。

← 返回首页全部文章