正面特写,正是 AI 视频翻车的地方

你写下类似一位三十多岁的女性,话说到一半,直视镜头这样的提示词,点下生成,结果拿回一段让你直接关掉标签页的片段。嘴自顾自地动着,节奏自成一派。眼神始终落不到一个确切的地方。那张脸几乎算得上一张脸——而这比完全不像一张脸更糟。

如果你正卡在这个死循环里,解法不是给脸写一条更好的提示词,而是别再让镜头对着它。

正面特写,是你能向当前任何一款视频模型提出的最糟糕的要求,而这与模型有多强毫无关系。你把镜头对准了观众穷尽一生都在成为专家的那一个对象。

所有错误,都在同一时刻落在脸上

一段有人走过市集的中景,可以有十几处出错,看上去却依然成立。衣料的褶皱、背景的漂移、手擦过门框的方式——这些都不必正确,只要说得过去就行。但人脸没有这份宽容。

在正面特写里,三件各自独立的事必须同时对上:口型与声音的契合、视线的方向与神采,以及整张脸的细微运动——眨眼、挑眉,还有下颌周围那一丝极轻微的松弛,正是它让一个人看起来像在思考,而不是在摆姿势。这三者任意一个失手,就会把你拽进恐怖谷,另外两项也救不回来。在远景里根本看不出的漂移,一旦脸占满画面,就会成为观众唯一看得见的东西。

这之上还叠着第二个问题。当你要一张说话的脸、却不给音频参考时,模型要同时做两件事:判断一张嘴会怎么动,以及判断在它动的同时,脸的其余部分怎么动。结果就是一张在「表演」近似说话的脸——那把嘴不是被某个具体的声音驱动的,而是被无数张嘴的平均值塑出来的。而这个质感,恰恰是你的眼睛会立刻警觉的地方。

还有第三点:特写是唯一一种让观众盯着同一个东西看上好几秒的镜头。其他任何镜头都允许视线游走、允许宽容,唯独它不允许。

你生成的不是一张脸,而是信任

下面这个视角的转换,改变了我写提示词的方式。你真正想要的镜头,很少是「一张人脸」。它可能是一个人在告诉我某件事,或是一个人正在感受什么,又或是一个人即将做出某个决定。是「在场感」。而脸,大概只是呈现这种在场感的八种方式之一,且眼下它是最贵、也最不可靠的那一种。

所以,去建一套镜头工具箱,然后默认就从里面取用。每一种的提示词都很短——你描述的不是一个人,而是一个机位,以及画面里允许出现什么。

后脑勺,过肩。 过肩镜头,主体背对镜头面向布满雨痕的窗,缓慢的手持漂移,温暖的室内光衬着窗外灰暗的天色。 你保住了人,保住了尺度,也保住了情绪——「有人站在雨中的窗前」瞬间就有了一种氛围。而模型根本没有脸可以毁。

侧脸。 让人物转九十度,大部分风险就消散了。四分之三侧或完全侧面,让你通过姿态和下颌线拿到表情,而不必强求像素级的嘴唇工作。侧脸,主体说话,柔和的窗光,固定机位,浅景深——这样的镜头你可以稳稳地保持好几秒。

手。 人物内容其实真正栖身于手上:被转动的马克杯、被敲了两下的笔、被面朝下放下的手机。特写一双手在折信,画面内没有脸,冷调日光,镜头轻微推进。 观众会用两个手的镜头、加一个凌乱床铺的镜头,自己拼出这个人,而且自始至终都不会要求看他的脸。

空镜。 一个没有人的插入镜头不是停顿——它是一句台词。一把被拉出来的椅子。一只冒着热气的水壶。一扇虚掩的门。把它们剪接到两个没有人脸的有人镜之间,你就得到了一场既有情节、又完全没有任何渲染风险的戏。

画外音。 把对白当作音频来写,再让这些话配上没有人脸的画面。这是清单里杠杆最大的一招,因为一旦有真实的声音扛起表演,画面只需要负责氛围就够了。这也正是纪录片、以及大多数「配画面的广播」的做法,原因完全相同。

剪影、逆光、倒影、阴影。 如果你需要一个人形、又想要一点脸的暗示,那就用光把脸拿走。逆着过曝门洞的剪影,主体略微转身,脸部细节不可见。 商店橱窗或黑屏上的倒影也能达到同样的效果,而且看起来像是有意为之,而不是在躲闪。

遮挡。 蒸汽、门框、前景的绿植、虚化的肩膀。任何挡在镜头和脸之间的东西,都能为你换来一份宽容。不完整的信息,远比完整却错误的信息更容易让人相信。

当需求不允许你藏起这张脸

品牌商单、口播讲解、一个「你的脸就是产品」的品牌——你不可能每次都绕开它。那就谈条件,而条件永远围绕两件事:景别与时间。

往后退。一个脸只占画面一小部分的中远景或远景,比特写要安全得多,因为观众的注意力会分摊到身体和空间上。把它写进提示词:中远景,主体在画面中占比小,全身可见,房间清晰。

让脸动起来。走路、转头、歪头、从某个东西后面经过——一张在动的脸,它的错误会被读作运动,而不是畸变。固定不动的静态人像是最坏的情况;把它们控制在很短的时长内。

永远不要在一个镜头里把一整句话说完。在转头、呼吸、手势的瞬间切走。两秒说话的脸,然后切手,然后切反应,再切回来。观众永远得不到足够长的时间去仔细端详,而这样的剪辑读起来是能量,而不是权宜之计。

只照亮半张脸。一侧横贯一道硬阴影、一道强烈的逆光、主体一半在门框外——轮廓与明暗对比能完成像素做不到的事,而且看起来像是摄影师的主动选择。

重新设计镜头。如果重点在产品,镜头就是手放在产品上。如果重点是一句主张,镜头就是那张脸在听别人说出这句话时的反应。一个反应镜头,比一段讲话更容易以假乱真。

剪辑本身就是一件对口型的工具

我见过的大多数「口型对不上」的抱怨,其实都不是渲染失败——而是剪辑失败。观众最容易察觉到不匹配的时刻,是镜头在他们开始寻找破绽之后还迟迟不放。在那之前就切走。切出镜头不是遮掩,它是节奏,也正是问题悄然消失、无人察觉它曾经存在的方式。

先做音频。录制或生成人声轨,再照着它来搭画面。先写好视觉提示词、再指望模型自己发明出一段相匹配的表演,等于让错误的部件去干最难的那份活。

为什么偏偏只有嘴看起来不对劲?

因为那是唯一在现实世界里有着参照点的一部分。你的观众知道这一句话在一张嘴上是什么样子,而模型产出的是某一句话的样子。脸上的其他一切靠感觉来判断;只有嘴,是靠比对来判断的。

我能在后期修好口型吗?

有时候可以,用那些把嘴部区域重新与音频对时的工具——但你等于把力气花在了整条片子里风险最高的那一个镜头上。不如花五分钟改一下机位。这样更便宜,效果也更好。

口播视频真的需要一张脸吗?

不需要。我今年做过的最令人信服的人物内容,有声音、有手、有一个空间,还有一道剪影。撑起故事的从来不是脸,而是表演。

如果我的观众就是想看见我呢?

那你面对的是一段关系,而不是一个渲染问题。用一个大景别、打光充分、带运动的镜头露面,把特写留给你不说话的时刻,把话放在手和空间上。只要声音和取景保持一致,老观众会原谅很多事。

接下来该做的一件事

打开你的提示词文件,删掉每一处「直视镜头,特写」。把第一处换成过肩镜头,把第二处换成手。然后看看,那种诡异感里,究竟有多少从来就跟模型无关。

我给自己留了一个小小的镜头骨架库——背影、手、插入镜头、剪影——把它们写成一堆可复用的提示词模块,而不是一叠自己凌乱的笔记;而这套结构,我一直是从 Awesome Prompts 上收集的那些视频与图像提示词集里借鉴来的。把格式借走,保留你自己的镜头清单,别再花一下午反复重抽一张从一开始就撑不住的脸。