使用 AI 生成
生成很容易。困難的是看起來真實、不亂編造，並且不會一下子耗盡方案。這項技能在花費前決定：是否需要生成、使用哪種模型、成本多少、以及要先展示什麼。
1 · 生成前
- 閱讀目標： 直向或橫向、影格率（fps）以及片段的確切長度。曾經有八個直向影片被投入一個橫向的合成中。
- 是否需要生成？ 優先順序：真實素材（客戶或自己的，包括已付費但未使用的鏡頭）→ 有版權的素材（也有免費的真實影片）→ 免費的 3D 模型（CC0 或 MIT）→ 生成。如有疑問，使用真實鏡頭。
- 根據畫面內容選擇模型（第 2 節）。
- 始終進行預算。 擬定計畫（每個變體算一次，再加上一次實際的重複），然後交給
presupuesto技能（skills/presupuesto/；工具是herramientas/presupuesto.py，位於套件根目錄）。OK 則生成；PREGUNTAR 等待肯定；PARAR 則不生成。如果模型不在herramientas/precios.json中，不要自行編造價格。 - 在進行大量生成前檢查帳戶餘額： 其他工作階段可能已用掉配額。
- 先展示： 一個關鍵影格或一個短片段，然後再進行大量生成。
- 之後： 在展示前自行審查結果，說明哪裡出錯，並記錄實際花費（
presupuesto.py registrar）。
2 · 什麼情況下用什麼模型
截至 2026 年 11 月已測試的目錄。變化很快：如果有新東西出現，使用一次生成來測試，並取得許可。
| 畫面中有… | 使用 | 注意事項 |
|---|---|---|
| 客戶的真實產品（剛性、有標籤） | 從真實照片使用 Kling 3.0，僅移動相機 | Seedance 和其他模型會改變零件並改寫標籤 |
| 一個逐個零件轉變的產品 | Seedance 2.5，固定第一和最後影格 | Kling 在描繪液體噴射方面更好 |
| 一個包含人物的場景 | Seedance 2.5（omni_reference，以圖像作為起始） | 若要複製真實鏡頭的動作：使用 Seedance 2.0，搭配 video_references 和 audio_references 中的語音 |
| 看起來不像 AI 的人物 | 真實影片素材，或使用 HeyGen 的 text_to_video，不提供圖像，使用真實拍攝提示詞 | 卡通參考會拖曳其風格 |
| 無法拍攝的東西 | Veo 3.1 或 Gemini Omni Flash | 描述素材並禁止出現文字（第 5 節） |
| 同樣的動作但不同的外觀 | Seedance 2.5 video_edit | 它沒有將水晶改成水：那是重新生成的 |
| 在你的影片中更換主角 | Higgsfield Genjutsu（更換物件） | 僅限使用自有或有版權的素材：外部參考應加以研究，而非複製 |
| 關鍵影格和靜態圖像 | nano_banana_pro（2k、目標比例、參考）或 GPT Image | |
| 影格中多餘的東西 | GPT Image，在遮罩內 | |
| 一個會說話的動畫角色 | OmniHuman，在綠幕上，然後合成 | |
| 語音 | ElevenLabs，也可在 Higgsfield 內使用 | 僅在獲得許可時才能克隆 |
| 音樂和音效 | ElevenLabs | Higgsfield 不產生音樂或音效：其音訊僅供語音使用 |
| 在真實鏡頭上的唇形同步 | ElevenLabs 流程（Sync 3、Sync 2 Pro、Veed） | 不接受對真實人物的生成影片 |
| 3D 角色或物體 | 先使用免費資源：Microsoft Rocketbox（MIT）、Quaternius（CC0） | 下載需要確認：來源、許可證和大小 |
Kling 4.0（2026 年 10 月：最多 10 個關鍵影格和 15 個參考）尚待測試。
在重新設計方法之前，先用盡目錄中的所有選項。 測試另一個模型的成本低於半小時的遮罩製作。
3 · 不可違反的原則
預算和重試
- 未經
presupuesto審查，不得生成任何內容。 一個影片模型可能為每個片段收取數十點點數，七次測試就會耗掉一半的預算。 - 無故失敗只重試一次，而不是整個批次。 重複一次生成呼叫會收取兩次費用。
客戶的產品（詳見 referencias/producto-real.md）
- 這是重現，不是重新創造。 影像到影片會將照片視為靈感，並改變比例、零件和標籤。如果廣告展示的東西無法交付，那就是在說謊，了解產品的人一眼就能看出。
- 有效的方法： 將真實照片去背，放在佈景上，然後只要求模型移動相機，並逐項列出禁止事項。大的旋轉軌跡會強迫模型創造照片中未顯示的面。
- 不能觸碰產品比任何動作改進都重要。 如果模型無法提供所需的動作，則使用靜止照片並在手動編輯器中動畫化：零風險。
- 「不必是原始照片」並不允許編造型狀。 3D 模型或渲染必須逐個位置複製真實照片和影片。先有經過核准的 360 度視圖，然後才有影片。憑記憶製作的 3D 模型看起來像是「一個做得很糟的樂高」。
- 生成的內容用於非產品的部分： 背景、光線、環境、以抽象方式說明的機制。
人物和角色（詳見 referencias/personas-y-voz.md）
- 同一角色在一個作品內保持一致；每個作品使用新角色。 在一個作品內，已核准的肖像作為所有畫面的參考。在不同作品之間，不重複使用臉孔或產品：同一張臉出現在兩個廣告中會暴露把戲。
- 臉孔和產品必須匹配。 如果產品改變，臉孔和場景也必須改變。從另一個作品回收的女銷售員最終在一個與麵包無關的對話中提供麵包。
- 客戶的客戶可以在同一個廣告中重複出現： 他們是正在書寫的同一群人。
- 真實人物的臉孔不能從零生成。 沒有模型能保持其一致性：它們會產出「長得很像的兄弟」。對真實人物的影格進行 2 到 3 秒的動畫化，或使用他們自己的鏡頭是可行的；AI 僅用於背景。
- 某人的語音或臉孔，僅在獲得其許可並且由委託人提出請求時才能使用。
- 生成的見證是一個明顯是動畫的角色。 一個逼真的虛構人物會被解讀為真實見證。
如何修正
- 草稿被拒絕 = 從已核准的版本編輯，不要重新生成。 將喜歡的圖像作為參考傳入，寫下「keep exactly」和一個簡短的變更清單。從零生成導致了兩輪被拒絕；逐步編輯則成功了。
- 在兩次拒絕後沒有方向時，不要盲目進行第三次嘗試。 說出你的理解，並要求一個圖像或一句話。如果某人改變主意，以他們最後說的話為準。
- 對片段的修改只重新生成該片段， 使用相同的起始和結束影格，以確保銜接仍然吻合。
- 在可能的情況下進行修復而不重新生成（變形的標籤、多餘的人物、較慢的畫面）：referencias/composicion-y-arreglos.md。
- 盲目選擇： 在不說明哪個是哪個的情況下比較語音和版本，並調整到相同的音量。如果某人隨機猜對，表示差異不明顯。
生成的內容
- 看到的東西就是語音所說的內容。 畫面的動作是配音的句子，而不是主題的插圖。
- 在生成的場景中，有事情在發生。 相機和動作在移動：提示詞會寫
THINGS MOVE、具體的動作，以及CAMERA MOVES: a steady dolly-in … ending noticeably tighter。只有產品是靜止的。 - 不要有編造的文字。 逐字檢查每個標籤；如果不想要文字，在提示詞中禁止它們。
- 「看起來像拍攝的」照片去背合成有其極限，並且在開始前就要說明。 如果真實性很重要，則一起生成場景或進行拍攝（請參閱合成與修復）。
- 對於價值不高的趨勢，一次通過即可交付。 不要製作四個版本，也不要為一個長影片分段重做。
4 · 數值
| 項目 | 數值 |
|---|---|
| 產品：相機前移 | 12% 到 15% |
| 產品：側向旋轉 | 最多 10° |
| 在編輯器中對 Kling 片段進行額外放大 | 最多 4%（片段已有其前移） |
| 從真實影格開始的動畫手勢 | 2 到 3 秒 |
| 片段之間的銜接淡入淡出 | 4 個影格 |
| 唇形同步 | 每個句子 2 次拍攝；接受 ±3 個影格的偏移 |
| 對主播的變焦衝擊 | 推動 0.3 到 0.5 秒；0.15 秒的乾性衝擊會看起來像偏移 |
| 用於在 Higgsfield 中克隆語音的樣本 | MP3，10 秒到 3 分鐘 |
| 去背：背景模糊 | 最多 1.2 像素，否則標籤會變得無法閱讀 |
| 必須保持靜止的部分 | 移動小於 1 像素 |
| 在詢問之前連續拒絕的次數 | 2 |
| 無故失敗的重試次數 | 1 |
5 · 已知的技術陷阱
- 將本地照片上傳到 Higgsfield：
media_upload→curl -X PUT --data-binary @file "<url>"→media_confirm。不需要小工具。起始和結束影格透過圖像工作的 ID 傳遞。 - Higgsfield 的預設建議器會用無關的預設封鎖
generate_video，並且不建立工作。重新發送，將declined_preset_id設置為該錯誤的 ID（每次嘗試都會改變）。由於沒有建立任何東西，因此不會收費。 - Kling 的「固定相機」會在 5 秒內滑動約 12 像素。 如果你要在其上進行合成，請針對背景進行穩定。
- Kling 在起始和結束差異很大時會融合（約 2.5 秒處出現雙重曝光），而不是移動相機。使用好的部分，並透過剪輯來完成過渡。
- Seedance 會改寫標籤（使網站的字母加倍）。檢查所有品牌文字。
- 長影片的 AI 重新構圖不可靠： 它發明了約 5 秒的畫面，並吃掉了剪輯。要轉為直向，請跟隨主角進行裁剪。
- 保留原始動作的影片編輯器會進行疊加而不是更換： 一個放在手中的手機最後出現了三個手（Runway Aleph；此外它要求最多 30 fps，並傳回 612×1088）。
- 稀有材質： 描述它們（例如「不透明、鏡面、熔融金屬」用於液態金屬），並在負面提示詞中禁止模型會與之混淆的東西（水、珍珠）。水必須看起來像水：一個光滑的球體看起來像玻璃。
- 沒人要求的文字： 一個模型在幾件背心上用英文寫了「POLICE」。如果不想要文字，請禁止它。
- 亮面和全像投影在淺色背景上： 「色彩增值」混合模式在白色中會消失。使用自己的 Alpha 通道烘焙一個影片。
- 要進行剪輯的內容應僅匯出影片，並裁剪到確切的長度。 放置一個帶有音訊的生成片段有時會刪除語音音軌；放置後請檢查。
- 重複的檔案： 使用
md5比較新作品中的臉孔或產品與之前作品的。曾經有三個「不同」的作品使用了同一個複製的檔案。
2026 年 9 月至 11 月間觀察到的成本，僅供參考（會變化：請在服務中驗證並使用 precios.json）：Kling 3.0 在 9:16 比例下，每秒 1.25 到 1.5 點（4K 模式下，一個 5 到 8 秒的鏡頭約 48 點）；Seedance 2.0 在 4K 下，每個片段 176 點；Genjutsu 在 1080p 下，每秒約 20.6 點；一個 45 秒的 AI 重新構圖，561 點；HeyGen text_to_video，在 1080p 下 5 秒 9 點；使用 Sync 3 進行唇形同步，每 10 秒約 1.8 美元。
6 · 交付與驗證項目
交付： 目標格式的檔案（解析度、影格率和確切長度；如果要進行剪輯，僅提供影片），以及每個檔案的模型、提示詞、參考圖像和記錄的成本。說明哪裡出錯，而不是隱瞞。
驗證以下項目，並在交付時說明：
- 標籤和文字，逐字檢查。
- 產品，與其實際照片並排比對：比例、零件數量、每個零件的位置。
- 該作品所有畫面中的同一張臉，以及與之前作品不同的臉（
md5）。 - 出現或消失的手、手指和物體。
- 固定的部分是否固定：不應移動的零件移動小於 1 像素。
- 格式、影格率和長度與目標一致。
- 成本已記錄並在該作品的預算範圍內。