先花一顿外卖钱，把漫剧的大坑踩完
一集正片开始跑起来，花钱是小事，返工才最伤。人物长歪了、声音不对、镜头不听话、换场像穿帮，往往不是某一个镜头坏了，而是后面一串工序都得跟着重来。
所以正式开拍前，我们先做了一条十几秒的预演片。它不追求好看，也不追求完整，只负责把最容易翻车的地方提前翻一遍：人物能不能稳住，声音和口型合不合，场景能不能接上，镜头能不能按要求走，提示词会不会卡在审核上。
最后算下来，预演花的钱就是一顿外卖的量级；换来的，是一张能避坑的地图。
为什么先预演
视频生成按时长计费，真正贵的不是做一条十几秒测试片，而是在正片阶段反复重跑。
预演的原则很朴素：把所有第一次，都放在最便宜的时候做。
先用低清、短时长版本试镜头；确认人物、节奏和场景都对，再去做高分辨率成片。一个测试镜头只验证一件事，别贪多。这样一来，正片里的每一步都不是第一次。
第一件事：先把首帧做好
这次我们先出了两张 3D 渲染感的静帧：一张是三人对峙，另一张是云端白玉广场。
后来最直观的感受是：视频的质感，上限往往在第一张图就决定了。人物皮肤、衣服材质、光线层次、场景气氛，首帧做得扎实，视频往下生成时才有东西可以继承。首帧普通，后面再换模型、加词，也很难把质感硬拽回来。
视频模型更擅长让画面动起来；画面本身好不好看，还是得先在静帧里解决。
第二件事：分清两种生成方式
图生视频和参考生视频听起来很像，实际用法差别很大。
- 图生视频适合单场景、纯动作、已有满意首帧的镜头。它接得紧，成本也更容易控制。
- 参考生视频更适合多人对白、场景切换、角色关系复杂的镜头。它可以同时参考人物、场景和声音，但自由度更高，首帧未必和参考图一模一样，成本通常也更高。
我们最后的做法是：能用图生就不急着上参考生；只有确实需要多人、对白或换场时，才把参考素材拿出来。这不是省那一点钱，而是少给自己增加变量。
第三件事：声线锁定，一场"变声"攻防战
我们想让角色用固定的声线说话——从几百个基础音色里选好的那种，一部连载剧，主角的嗓子不能每集换一个。
第一次把配音 mp3 直接挂进参考音频，被上游以"可能涉及版权内容"拒了：商用声库的原始波形，会触发声音版权保护。这不是玄学，是实打实的拦截。
解法是给音频"打指纹"：音高整体降 2–4%，听感还是那个声线的气质，波形特征已经变了——重新提交，一次过审。处理用本地音频工具完成，零额外成本。
一个细节提醒：高音域的女声对变声更敏感，普通的整体变调容易出"卡通感"，要换保共振峰的算法来降调；男声就皮实得多。这个差别我们也是用一条翻车的开场白换来的。
第四件事：台词别一锅炖
第一版里，我们把两句台词塞进同一段短音频，结果前半段像在猜，后半段才开始贴声音，听起来像中途换了人。
后来改成一条和视频等长的音轨：每句台词放在它该出现的秒位，中间留空，提示词里也写清楚谁在什么时候说话。这样做以后，口型更容易对上，多人对白也不容易串。
还有一条：第一句台词永远不要放在开头一秒半以内——给引擎留一小段"锁定跑道"，否则它会在贴上你的声音之前自己即兴一嗓子。
这件事看起来笨，却最有效。别让模型猜节奏，直接把节奏给它。
第五件事：审核缉凶记——"子弹时间"里藏着一颗子弹
预演片连续三次被内容审核拦下，拒因只有一句笼统的"含敏感词"。
我们做了逐词差分：把所有被拒版本和过审版本的提示词摆在一起，找"被拒版共有、过审版全无"的词。先怀疑"爆破""对轰"，换成"光晕""流光"——仍被拒；再怀疑"军械"，换成"演武"——仍被拒；最后锁定真凶："子弹时间"。
一个纯粹的运镜术语，因为带了"子弹"两个字，触发了枪械词拦截。改成"凝时环绕定格"，语义不变，立刻过审。
顺手整理的安全写法：打斗描写用"光晕、流光、盛放、托起"这类光影系词汇；武器攻击的瞬间不要出现在静帧提示词里，静帧只出"对峙、蓄势"，招式过程交给视频提示词；玄幻题材本来就有自己的优势——符纹、流光、能量碰撞，既能把场面做大，又天然避开直白描写。
把每次被拦的版本和最终通过的版本留档，下一次就不用从零猜。
第六件事：画面里不要莫名其妙长字
有一次静帧上突然多出一行营销标题。后来才发现，是默认的版式修饰没有关。
从那以后，资产图里"不要画内文字"成了硬规则。角色图、场景图、镜头首帧，只要不是有意做海报，就不要让任何文字自己长出来。两张图返工不算大事，真正麻烦的是你带着这张图继续往下生成。
这次预演花的钱，值在哪里
静帧、配音、短视频测试、一次放大和几次失败重试，加在一起是几十块人民币的量级。还有个反直觉的好消息：被审核拒掉的任务通常不扣钱——差分排查敏感词的过程，烧的是时间，不是预算。
但有一笔账很好算：如果首帧、声音、换场和审核问题放到正片后半段才发现，损失的就不只是一次生成费，还包括前面已经做完的镜头、排期和心情。
预演不是多一道手续，它是让团队少走回头路。想看低清生成再放大到 4K 的差异有多大，可以读我们之前的实测《AI 视频 4K 超分》。
常见问题
图生视频和参考生视频怎么选？
单场景、无对白、首帧已确定的镜头优先图生视频。多人对白、复杂换场、需要多个素材共同约束的镜头，再用参考生视频。先选变量少的方式，出问题更好判断。
画面质感主要靠什么？
先看首帧。人物、材质、光线和场景气氛都在首帧里立住，后面的视频才有稳定的基础。
多人配音怎样不串？
把台词按时间放进一条完整音轨，句子之间留出空隙，并在镜头说明里写清楚谁在什么时候说话。第一句台词留出开头一秒半以上的空白。不要把多句台词塞进一段音频里，让生成过程自行猜测。
商用音色的配音可以直接做参考音频吗？
直接用会触发声音版权拦截。将音高整体微调 2–4% 后，声线气质保留而波形指纹改变，即可正常使用；女声建议用保共振峰的变调方式，避免"卡通感"。
提示词被审核拦下但不说原因，怎么排查？
用差分法：保留一个过审版本作对照，每次只改一类词。优先排查武器类词汇——包括藏在术语里的，比如"子弹时间"。被拒的任务通常不计费，试错成本主要是时间。
4K 是不是一开始就生成？
不建议。先用低清短片确认内容和镜头，再放大到高分辨率。把"是否好看"和"是否高清"分开处理，试错成本会低很多。
写在最后
一条预演片最重要的价值，不是拿来发，而是替正片先交一次学费。
先花一顿外卖的钱，把大坑踩出来；正式开拍时，才有资格把钱花在真正值得的地方。