# 制作方法演进 v1→v6 与避坑清单 > 提炼自 `kb-raw/06-制作方法演进/` 与 `kb-raw/08-成品案例库/`。 > 价值：**这些坑我踩过了，你不用再踩。**凡是文档没直接支撑、属推断的判断，均标注「（推断）」。 --- ## 一、演进主线一览 | 版本 | 核心方法 | 技术通道 | 代表案例 | |---|---|---|---| | **版本1 · 数字人** | 数字人口播解说（讲稿 → 配图 → 数字人） | 即梦 OmniHuman + 图片轮播 | VOC 推广片、脱敏案例版 | | **版本2 · PPT翻页式** | PPT 翻页 + 口播（分析方案型内容） | 图生图白底/信息图 + 口播配音 | 乳酸菌素片儿童版、江中肝纯片 | | **版本3 · 分块式提示词** | **四步流程雏形**：对标 → 仿写 → 分镜 → 素材 | `getVideoV3_720p`（method=2/3）、`getImgV4`、yt-dlp + Whisper | 正新鸡排、瑞幸 1.0/1.1、全季酒店、张雪机车 | | **版本4 · SOP案例** | 漏斗式 SOP 实跑 | 全套生成/重试脚本链 | 申通快递《一堂三百万的课》、始祖鸟「基因决定命运」 | | **版本5 · 动态式数字人解说** | 数字人 + 多场景素材混剪，**主攻「AI 味」** | 文生图/图生图 + `getImg2ImgV3` 清晰化 | 饲料客户案例 | | **版本6 · 真人版VOC竖版** | 真人感竖版（真人感 prompt + nano 图 + 对口型） | OmniHuman 主体识别 + 音频驱动口型，9:16 | 元气森林（= voc11.0） | **演进逻辑**：**人工感递减、拟真度递增、流程分块化** —— 每版都在补上一版最刺眼的那块短板。 ``` v1 数字人（像AI，静态图+画外音） → v2 PPT翻页（有商业骨架，但仍像配了音的PPT） → v3 分块提示词（质量稳定化转折点，但失败率高需人工重试） → v4 SOP案例（能重复出片，但脚本硬编码不可移植） → v5 攻AI味（提示词四层结构 + 运动真实） → v6 真人感竖版（底片先做呼吸微动，再音频驱动口型） ``` --- ## 二、逐版本详解 ### 版本1 · 数字人 **核心做法**：五段式手工流水线 —— ① 截客户正面照，生成「正视全身图」；② 截口播视频 MP4→MP3 取音频，克隆音色； ③ 把对标视频链接丢给 AI 拿文案并仿写，同时让 AI 依据口播照片写动作提示词（「手部微微张开」「身体微微倾斜」）； ④ 用户照片 + 文案 + 动作提示词 → 即梦出片。 **技术通道（数字人）**：`generate-digital-human.js` 是标准链路 —— 上传图/音 → `/getOhIdentifyMain` 主体识别（轮询到 `isContinue`）→ `/getOmniHuman`（`pe_fast_mode:true`）→ 轮询 → 下载。 **解决了什么**：把「要真人出镜」的门槛降为零，老板不出镜也能产出 20–60s 口播。 **遗留问题**：成片本质是**静态图 + 画外音**，无镜头运动、无场景切换。 会议纪要直接点名：数字人口播「虽能到 60–70 分，但缺乏真实感与信任度，难以支撑高客单价转化」。 > → 本技能对应能力：`fmode-mv jimeng digital-human`（数字人三步流程，¥1/秒）。 ### 版本2 · PPT 翻页式 **核心做法**：把「产品定位分析方案」直接当脚本 —— 完整的市场分析长文， 再由 `VOC脚本prompt.md` 转成人物设定 + 照片生成表 + 视频生成表。 **技术通道**：横屏 16:9，深色科技风（`#121212` + 金 `#FFD700` + 红 `#FF4444`）， 画面是信息图/数据图，靠配音推进（一张脚本的照片表 12 张，全是「办公楼航拍」「数据屏特写」「词云」）。 **解决了什么**：让视频有了**可复用的商业论点骨架**（VOC 分析逻辑）； 单张信息图由文生图批量出，成本极低。 **遗留问题**：页与页之间**硬切，没有连续空间**，观感仍是「配了音的 PPT」。 > → 版本3 的「首帧必须是楼外空旷场景、第一段推镜入室内」正是为治这个病而设。 ### 版本3 · 分块式提示词（★ 质量稳定化的转折点） **核心做法**：把整条链路**拆成四段独立 prompt**，逐级固化： 1. `1-对标文案获取/抖音文案获取流程.md`：抖音链接 → URL 解析 aweme_id → TikHub API 取直链 → yt-dlp 下载 → Whisper(`base`, zh, beam_size=5) 转写 → 文案 txt 2. `2-脚本仿写/文案仿写prompt.md`：输入参考文案，输出 10 个仿写版本（内含 15 节拍表短视频压缩版、10 种爆款故事类型、黄金三秒 5 技巧、嘴替式开场三步法） 3. `3-分镜生成/分镜prompt1.1.md`：把文案转成「场景逻辑描述 + 照片生成表格 + 视频生成表格」，并强制输出格式模板 4. `4-素材生成/`：`1-照片生成.md` / `2-视频生成prompt.md`（生成 + 查询 + 下载三段脚本要求）/ `3-封面生成.md` **技术通道**：`POST /getVideoV3_720p`，`method=2`（首帧单图）/ `method=3`（首尾帧，传 `[first,last]` 数组）； 帧数公式 `frames = 24 × 秒数 + 1`；统一 720p 省成本。 **解决了什么**：文案 → 分镜 → 素材**分层确认**后，任一环节崩了只需重跑该层； 「对标先行」杜绝了凭空编造。 **遗留问题**：产出目录里堆着 `retry-videos.js`、`retry-4-6.js`、`retry-video6.js`、`retry-video6-dynamic.js` —— 说明**失败率高、需要反复人工重试**，自动化程度不足。 > → 本技能把重试逻辑**内置**进 provider（并发退避、` → 本技能的做法：所有路径走参数、所有凭据走运行时读取、所有产物路径可配。 ### 版本5 · 动态式数字人解说（★ 主攻「AI 味」） **核心做法**：数字人 + **多场景素材混剪**，每一组素材 ≈ 3 秒镜头 + 对应口播 （一组案例给出 8 组：店门口 / 饲料袋特写 / 装袋称重 / 喂鸡 / 背影情绪 / 送货车 / 客户交谈 / 收尾金句，总口播约 24 秒）。 **技术通道（双文档提示词方法论）**，五步 SOP： ①「照片 + 口述 → 外形身份描述.md」；② 脚本； ③ 依 `去掉AI味-笼统.md` + `去掉AI味道-精.md` + `外形身份描述.md` 写提示词生成照片； ④ 同法生成视频；⑤ 配音。 另有 `sharpenImage.js` 走 `getImg2ImgV3`（prompt: enhance clarity，`scale:0.3`）做原图清晰化。 **解决了什么**：直击版本1 遗留的「AI 味」。提出**提示词四层结构**： ``` Identity Lock（锁人）→ Scene（换场景）→ Cinematic Logic（锁真实感）→ Reality Layer（防 CG 感） ``` 视频侧从「画面真实」转向**「运动真实」**：手持微抖动而非丝滑漂浮、眨眼呼吸重心转移、 motion blur、时间连续性、环境动态。 **遗留问题**：混剪仍是「每段独立生成再拼接」，**跨镜头人物一致性靠提示词约束、无硬性技术锁定**； 为一刀切地「统一选 5s（备选 8s），便于拼接剪辑」而妥协了叙事节奏。 > → 本技能的 `character-sheet` 工序正是这条短板的技术解法：先把人物锁定成**多视图资产**， > 再拿它做图生图参考。 ### 版本6 · 真人版 VOC 竖版（当前最优路径） **核心做法**：竖屏 9:16，真人感数字人主讲 + 故事场景穿插 + 画中画 （分段结构：段1 数字人正面 → 段2 场景 → 段3 数字人侧身 → … → 段7 画中画 + 混剪 32s → 段9 结尾金句）。 **技术通道**： ① `真人感prompt.md`（中英双语，适用豆包/即梦/可灵/MJ/Flux/SD/Runway）提供「真人感提示词结构」；`image2.3-nano.md` 走 nano 出图； ② `generate-video-lipsync.js` **先生成「口型合成底片」** —— 固定机位、绝对不晃、嘴唇微张松弛准备说话状态、**241 帧（10s）@720p**； ③ `generate-omnihuman.js` 用 OmniHuman v1.5 音频驱动口型，含并发 50430 重试（最多 5 次、退避 `10s × (retry+1)`）。 **解决了什么**：解决版本5 仍「一眼数字人」的问题 —— **先用图生视频做出呼吸/微动作的真实底片，再由音频驱动口型**，观感向真人靠拢；同时改用竖屏适配抖音。 **遗留问题**：脚本顶部 `IMAGE_URL` / `AUDIO_URL` 写死为公网测试图床（`test.fukit.cn`、`litter.catbox.moe`）， **依赖外部临时存储**，链接失效即不可复现；`docs/api.md` 仅有 45 字节，接口文档基本空缺。 > → **本技能的默认路径吸取了版本6 的结论**：竖屏/横屏可选，人物资产先锁定， > 视频侧走即梦 V3，需要「真人对口型」时用 `fmode-mv jimeng digital-human`。 --- ## 三、踩坑清单（21 条，现象 / 原因 / 解决） | # | 现象 | 原因 | 解决 | 出处 | |---|---|---|---|---| | 1 | `method=3` 提交后无 workId、任务失败 | 首尾帧需 **2 张**图，只传了单张/传法不对 | `config.binary_data_base64 = [firstFrame, lastFrame]` 数组；首帧单图才传单值 | `retry-video6.js` 头注释「修复首尾帧需要2张图片的问题」 | | 2 | 某分镜只有一张可用图，却必须走首尾帧 | 分镜设计时未为 method=3 备好尾帧 | 应急：`['photo6.png','photo6.png']` 同图两传；后改为 method=2 动态效果版 | `retry-video6.js` vs `retry-video6-dynamic.js` | | 3 | 视频提交报错、帧数不合法 | `24×秒+1` 算出的值超出接口允许区间 | 帧数限制 **[121, 241]**，且 **≡1 mod 24** | `retry-4-6.js` 头注释「帧数限制: [121, 241]」 | | 4 | 连续提交后接口失败 | API 限流 | 每段之间 `await sleep(15000)`；重试脚本「增加请求间隔避免限流」 | `generate-videos-v2.js`、`retry-videos.js` | | 5 | OmniHuman 返回 `status === 50430` | **API 并发限制** | 判定 `error.message.errmsg.status === 50430` 后重试，退避 `10000*(retry+1)`，上限 5 次 | `版本6/scripts/generate-omnihuman.js` | | 6 | 轮询接口返回 HTML 而非 JSON（`35 字→至少 10s，>25 字→至少 8s，第一段至少 10s；优先 5/8/10 秒 | `flow/3-分镜生成/分镜prompt1.1.md` | | 17 | 拍了一堆照片没有对应视频 | 照片数与视频段数未先对齐 | 分镜表必须带「用到的分镜序号/对应镜头」列做交叉校验；先定视频段数再定照片数（推断） | `分镜脚本输出格式模板.md` | | 18 | 大图上传失败/请求体过大 | 4K 图转 base64 后体积超限 | 先缩图再转 base64：统一缩到 1280×720；生图尺寸由 5404×3040 降至 2048×2048；视频统一 720p | `版本4/resize-images.js` | | 19 | 文案有「AI 报告腔」 | 书面语、推销味重 | 禁用「值得注意的是…」；开头 3 秒不得自我介绍；**讲买点不讲卖点**；做脱敏检测；用大白话讲深情感 | `3-正新鸡排/prompt-3/prompt-detailed.md` | | 20 | 数字人僵硬如蜡像 | 动作过大导致穿帮 | 锁定「人物居中、上半身固定、肩膀水平不晃动、仅极轻微点头、手势小不遮面」 | `版本1/2-1/视频.md` | | 21 | 长轮询挂死 | 无超时 | 统一 `600000ms`（10 分钟）超时；OmniHuman 放宽到 `900000ms`，超时保留 workId 供手动查询 | 各 `waitForTask()` | ### 3.1 本次接入即梦时**新发现**的两个坑（KB 未记载） | # | 现象 | 原因 | 解决 | |---|---|---|---| | 22 | `getImgV4` 提交返回 200 + workId，**轮询 15 秒后**才报错 `height or width invalid` | `getImgV4` 要求宽高积 **≥ 1024²**，传 1280×720（921,600）不达标 | 本地预检：`assertValidSize()` / `resolveSize('imgV4', …)` 取推荐尺寸（最小 2560×1440 / 1440×2560） | | 23 | `frames=122` 提交后被拒 `x2v pipeline: frames % 24 should be 1` | frames 必须 **≡ 1 (mod 24)**，不只是落在 `[121,241]` | 合法值只有 121/145/169/193/217/241，即 **5~10 秒整数秒**；本地预检 `assertValidFrames()` | > 坑 22/23 的共同教训：**即梦对参数错误是「先收下、后拒绝」**， > 不在提交时报错，要等一轮轮询。所以**必须本地预检**，否则每错一次白等 30 秒 + 一次往返。 --- ## 四、成本测算汇总 ### 4.1 API 单价 | 项目 | 单价 | 出处 / 实测 | |---|---|---| | 即梦文生图 / 图生图 | ¥0.20/张 | 实测 `usage.cost = 0.2` | | 即梦 `getImgV4` | ¥0.22/张 | 文档 | | 即梦智能超清 | ¥0.40/张 | 文档 | | 即梦视频 720p | ¥0.28/秒 | 实测 121 帧（5s）实扣 **¥1.41** | | 即梦视频 1080p | ¥0.63/秒 | 文档 | | 即梦视频 Pro | ¥1.00/秒 | 文档 | | 即梦动作模仿 2.0 `getActorV2` | ¥0.40/秒（单条 ¥3.2–5） | `10s-变装跳舞视频/readme.md` | | 即梦动作模仿 1.0 `getActor` | ¥0.50/秒（单条 ¥4–6） | 同上 | | 即梦数字人 `getOmniHuman` | ¥1.00/秒 | 文档 | | 生图（旧口径） | ¥2/张 | `10s-变装跳舞视频/readme.md` | > 平台积分换算：**1 credit = ¥0.1**（实测 `credit: 2` ↔ `cost: 0.2`）。 ### 4.2 单条成本实测 | 场景 | 成本 | 出处 | |---|---|---| | 换装跳舞（8–12s，自建链路） | **¥15–24/条**（高效 18–24）：人工 10 + 照片 2 + 视频 3.2–5 | `10s-变装跳舞视频/readme.md` | | 换装跳舞（直接用即梦/可灵） | ¥15–20 | 同上 | | 5 秒带货视频（童装/中老年服饰） | 约 **¥25/条** | `docs/5-15会议纪要.md` | | AIGC 视频综合 | ¥3–5/秒；60 秒约 ¥300；月更 30 条约 ¥9,000 | 同上 | | AI 微人物传记（60s） | 照片 10 张 + 视频 10 个 + 人工 20 元，约 **¥50–100/条** | `AIGC视频时长赛道调研.md` | | 客户采购价（对比） | ¥40–50/条 | `5-15会议纪要.md` | ### 4.3 分时长人工成本 （人工基准：初级 ¥8K→¥45/h、熟练 ¥12K→¥68/h、资深 ¥15K→¥85/h） | 时长 | 人工/条 | 工具/月 | 月产 | 月综合成本 | |---|---|---|---|---| | 5–10s | ¥10–15 | ≈免费 | 1000–2000 条 | ¥10K–30K | | 15–20s | ¥23–50 | ¥150–500 | 300–400 条 | ¥8K–22K | | 30s | ¥68–170 | ¥300–1,000 | 120–160 条 | ¥9K–30K | | 60s | ¥20–40 | ¥400–1,200 | 40–80 条 | ¥5K–15K | | 3 分钟 | ¥680–2,040 | ¥600–2,000 | 15–22 条 | ¥10K–46K | > ⚠️ **数据打架**：同文档 60 秒「成本对比总表」写人工 ¥20–40/条，但「60 秒详细成本」写 > 需策划 + 分镜(6–10 镜) + 多轮修改 **¥170–340/条**；另一处又写「人工 20 元」。**三处口径不一致**，引用时须注明。 ### 4.4 商业侧 - **ROI 测算**：单月成本控制在 ¥1,000 以内，实现 ¥5,000 GMV（约 100 单）即盈亏平衡。 - **对赌产品**：¥19,800 包 3 个置顶视频，无效退款（南昌线下工作坊）。 - **变现天花板（调研）**：5–10s ¥5K–30K；15–20s ¥5K–50K；30s ¥5K–100K；60s ¥10K–100K；3 分钟 ¥50K–500K（月）。 ### 4.5 本技能跑一遍的典型花费 | 流程 | 花费 | |---|---| | `character-sheet --limit 1`（定妆照 3 张候选） | ¥0.60 | | `character-sheet`（完整四步 9 张） | ≈ ¥1.98 | | `scene`（1 镜：场景图 + 关键帧） | ¥0.42 | | `video --limit 1`（1 镜 5 秒） | ¥1.41 | | **一条 8 镜 MV 的视觉部分**（人物资产 + 8×(场景+关键帧+视频)） | ≈ ¥2 + 8×0.42 + 8×1.41 ≈ **¥17** | --- ## 五、成品案例库（08）索引与结构范式 ### 5.1 目录索引 | 分组 | 文件 | 对应成品 | |---|---|---| | **VOC 商业洞察分镜文案** | `voc9.0-未来商店-分镜文案.md` | `创作/成品/VOC商业洞察/voc9.0-未来商店-钟杰/` | | | `voc10.0-米哈游-分镜文案.md` | `…/voc10.0-米哈游-钟杰/` | | | `voc11.0-元气森林-分镜文本.md` | `…/voc11.0-元气森林-钟杰/` | | | （voc1.0~8.0 无文案） | `创作/成品/VOC商业洞察/` | | **AI 人物微纪录片** | 无文档 | `创作/成品/AI人物微纪录片/`（1.0 / 2.0） | | **最后一个做梦的人** | `1-脚本.md`、`2-主镜设计.md`、`2-2分镜设定表.md`、`分镜1/2-故事板prompt.md`、`主角-人物形象生成提示词.md` | 25 张分镜图 + 8 段视频 | | **视频创作** | `剧本.md`、`人物和故事梗概.md`、`1.md` | AI 剧本过程稿 | > `08/README.md` 说明：成品视频共 4.4G，保留在原目录 `创作/成品/`；知识库只收录**分镜文案与文档**。 ### 5.2 范式 A · VOC 商业洞察分镜文案（voc9/10/11 同一套模板） 固定五段结构，**可直接作为分镜文案模板**： 1. **头部元信息**：标题（悬念式，如「可口可乐和农夫山泉都想不通的问题，被他一个外行人解决了」）+ `话题标签` + `总时长`（约 80/114/120 秒）+ `风格` 2. **场景逻辑描述**：用箭头串起 `Photo1(首帧·楼外) → Video1(首尾帧·推镜入室内) → Photo2 → … → Photo10(末帧·楼外·与首帧呼应)`，一眼看清「照片—视频」对应与首尾闭环 3. **照片生成表格**：`分镜序号 | Prompt（英文） | 场景说明` 4. **视频生成表格**：`视频段号 | 时长 | 生成方式 | 运镜 | prompt（中文） | 旁白/字幕 | 用到的分镜序号`。生成方式写明「首尾帧+prompt」或「首帧+prompt」；运镜写明推镜/缓推/环绕/横移/拉远 5. **分镜设计说明**：`人物视觉弧光`（开端—中段—呼应）、`三层冲突的视觉表现`（内心/个人/外界）、`景别变化`（大远景→中景→特写→…）、`转场设计` > **voc11 的细化程度最高**，可作首选参照：10 张照片、9 段视频，其中第 7 段 B 是 30s 数据混剪；旁白列直接写完整口播句。 ### 5.3 范式 B · 微纪录片分镜（`最后一个做梦的人/`） - **`2-2分镜设定表.md`** 是更「电影化」的范式： `分镜序号 | 场景 | 出场人物 | 画面图片提示词 | 视频动态/音效/BGM`， 最后一列用 **0-15s / 15-30s / 30-45s / 45-55s 时间轴**逐段拆分动作，并分别标注 `BGM` 与 `音效`。 这是「AI 短片」与「商业解说」在分镜颗粒度上的关键差别。 - **`主角-人物形象生成提示词.md`** 给出人物一致性方案：文字版「角色设定卡」 （面部特写模块 / 三视图模块 / **结构化面部数据 JSON 永久锁定** / 穿搭道具 JSON）， 再配一段视觉角色设定板 prompt（三视图 + 服饰拆解 + 发型展示 + 六种表情排列）。 → **先文字锁数据，再视觉卡出参考图**。这是解决「换脸」问题的工程化答案， 也是本技能 `character-sheet` 工序的思路来源。 - **`分镜1/2-故事板prompt.md`** 是故事板生成模板：主体描述 / 镜头语言 / 环境光影 / 画质修饰四段 + 网格化制作板要求（共享创意指导、角色与风格参考、环境与场景设计、故事板帧、灯光情绪风格、情绪关键词、音频音调、电影摄影笔记）。 ### 5.4 范式 C · 剧本过程稿（`视频创作/`） - `剧本.md`：标准场次格式 —— `场1-1` / `夜 内 地点` / `出场人物` / `△动作行` / `【空镜/字幕】` / 角色对白（含 `vo`、`os` 标注） - `人物和故事梗概.md`：集数、故事类型、目标受众、核心梗、一句话故事 + 人物小传（视觉形象/核心标签/成长弧线） - `1.md`：以 `{{Mixed N}}` 占位符引用素材的分镜片段写法（0-2 秒 / 2-4 秒逐段给景别、机位、音效），适合「图生视频」直接喂 prompt --- ## 六、给技能仓的四条硬结论 1. **默认通道选版本6 的思路**：真人感底片（图生视频做呼吸/微动）+ 音频驱动口型， 是目前唯一同时解决「AI 味」与「竖屏适配」的路径 → 本技能对应 `fmode-mv jimeng digital-human`。 2. **三条必带硬规则**：首帧楼外/空旷外部场景 + 第一段推镜入室内 + 末帧与首帧呼应； **场景跨度大时禁用 method=3**；每 10 秒视频文案 ≤ 50 字。 3. **必须内置的健壮性**：15s 段间隔防限流、50430 并发重试（指数退避）、`