图生视频一动就崩？先检查首帧、运动幅度和时长

图生视频一动就崩？先检查首帧、运动幅度和时长

图生视频「崩」，多半不在提示词，在输入。首帧没留运动空间、动作幅度超过素材能撑的范围、单段时长太长——三样改一样，稳定性就完全不同。

提示词是第四位。前三位没修，再好的措辞也只是把同一个问题描述得更准确。

先把「崩」分成三类

变形：主体轮廓慢慢融化，脸、手指、文字最先坏，几秒后结构开始连成一片。

闪烁：画面高频抖动，纹理跳变，亮度忽明忽暗，像信号不稳。

动作失控：主体冲出画面、动作方向和你说的相反，或者背景跟着主体一起动。

三类的修法完全不同。逐帧看一遍，暂停在中间和结尾各一次，先判断属于哪一类，再动手。

分不清类型就开始加词，是最常见的时间浪费。你会在十轮之后得到一段同样会崩、但看起来更精致的视频。

首帧：三件事，缺一件就容易崩

首帧决定上限。它没有的信息，后面补不出来。图生视频的稳定性，大半写在这一张图上。

主体完整。人物不要被画面边缘切掉，脚、手、头顶都在画面内。被切掉的部分一动就露馅。

留出运动空间。人往右走，右侧要留空；要抬头，头顶要有余量。主体贴边，模型只能让它变形或者出画。

避开复杂遮挡。多人重叠、细密栏杆、透明物体、大面积文字，这几类最容易在运动里粘连。能换一张首帧就换，比调十轮参数便宜。

判断标准：遮住画面下半部分，还能看出主体要往哪动吗？看不出来，说明首帧没给方向。

顺带一句：首帧本身也得过关。光线是平的、材质是单一的，动起来会把这些问题放大——出图的塑料感那篇讲的三个词，在视频里权重更高。

运动幅度：小动作优先

同一张首帧，动作越小越稳。这不是模型保守，是信息量决定的：动作越大，需要凭空编出来的部分越多。

相对稳的动作：呼吸起伏、眨眼、轻微转头、发丝和衣角飘动、水波、烟雾、镜头缓慢推近。

容易崩的动作：跑跳、蹲起、全身转身、手部精细操作、多人互动、物体从画面外进入。

判断标准：这个动作能不能在两秒内完成，并且不改变主体的朝向。做不到，就拆成两段，或者换成一个更小的动作。

想稳，就把动作写到最小。想让画面「有事发生」，用环境动（光变、雾动、水动）补，别让主体承担全部运动。

时长：短片段分段，不要一次做长

单段越长，累积误差越多。图生视频的偏移是逐帧叠上去的：前两秒看着还行，到第五秒开始糊——这不是随机，是时间在替你放大错误。

做法是把一个长镜头拆成几个短段：每段只让一件事发生，段与段之间用一致的首帧衔接。

工具支持多长、能不能接续，各家不同，以官方文档为准。能确认的只有一条：短段比长段容易救。

判断标准：这一段里有没有第二个动作。有，就切开。切开之后哪段崩，你也能立刻知道是哪个动作的问题。

提示词：写运动，不写故事

写四样东西：谁在动、往哪个方向动、动作幅度、镜头怎么动。再补一句什么必须保持不变。

不写：情节、情绪转变、镜头切换、「然后」。图生视频的时长撑不起叙事，写了只会让模型自己发挥。

一个可用的句式是：「主体轻微转头看向左侧，幅度很小；发丝随风轻摆；镜头保持不动；人物五官、服装颜色、背景保持不变。」

最后那半句经常被漏掉，但它是最有效的一句。你明确说了什么不能变，模型才有约束。

判断标准：一句话里只有一个动作。出现第二个动作，就拆到下一条提示词里。

迭代：一次只改一个变量

固定首帧、固定提示词，先只改运动幅度，看崩的类型有没有变；再固定幅度，改时长；最后才动措辞。

每轮记四样：用的哪张首帧、提示词原文、单段时长、崩在哪一类。这四样不记，下一次你还是从零开始试。

如果首帧本身是调出来的，它的参数也要一起留。生成图和生成视频是两段链路，断在哪一段要能分清，五个可控参数那套拆法在这里同样适用。

边界：一致性、版权、用途

人物一致性。多段拼接时，人物容易越接越不像。图生视频在这一项上还没有稳定解法：可行的办法是每段都用同一张首帧，或者只让人物做不改变朝向的动作。跨镜头保持同一张脸，目前仍不稳定。

肖像与授权。用真人照片生成视频需要授权，包括「长得像某个人」这类绕法，都不成立。公众人物、客户素材同理。

素材与音乐版权。首帧来源、背景音乐、风格模仿都要能说清出处，商用前先确认。

用途边界。生成的视频不能当实拍证据、新闻素材或产品实物展示。展示效果和实物一致是两件事。

平台规则、可生成时长、水印与标识要求都在变，具体以官方文档和平台规则为准，别照抄旧教程里的数值。

收尾

图生视频的稳定，靠的不是更长的提示词，是更小的变量：首帧少一点遮挡、动作少一点幅度、单段少一点时长。

三段都改过一遍，你会发现大部分「崩」在第一次生成之前就已经注定。把这一轮的失败类型和参数写成一条构建记录，下次直接从这里起步；想看别人贴的图和参数，去作品；方法类的记录在广场里更集中。