👦🏻 作者: 镜山

🥷 编辑: Koji

🧑‍🎨 排版: NCon

大家有没有想过，为什么拍电影的时候，导演和摄影师得是两个人？

其实分工挺简单的：

摄影师负责「画面」：光打得对不对，画面糊不糊，主要负责审美和落地；

但导演负责的是「戏」：镜头该怎么走，情绪到哪了，故事怎么讲。

如果按这个标准看，过去这两年的 AI 视频，其实一直在做「摄影师」的任务：

它们的画面真实度越来越高，「史密斯吃面条」的效果越来越好，但能讲的故事没有变多。

但最近这波各个 AI 厂商的模型更新，有一个很微妙的变化：大家开始追求 AI 的「导演感」了。

这就是我们常说的「镜头意图」。

🚥

在这个节点上，爱诗科技正式发布了 拍我AI（PixVerse） V5.5 模型。

在 3 个月《拍我AI V5 突袭上线，我们在「拍我AI」上第一时间深度实测》文章中，我们对 拍我AI V5 模型进行了 4 个维度的测试，发现这位国产「本科生」的迭代速度非常迅猛。

3 个月过去，这次 拍我AI V5.5 在底层模型上又带来了两个关键升级：Audio（音频） 与 Multi-shot（多镜头） ，试图解决的正是我们开头提到的那个痛点：让 AI 拥有「导演感」，自动去调度镜头和叙事。把繁琐的提示词、生图、抽卡、配音、配乐和剪辑，变成了只需把灵感描述清楚这么简单，极大地缩短了 AI 视频创意工作流，实现效率跃迁。

接下来，分享我们的 10 个实测案例和洞察：

AI 开始学会自动「讲故事」了

拍我AI 这回的更新重点，就是新增了 Audio（音频） 与 Multi-shot（多镜头）。

那这 2 个能力到底意味着什么呢？

【1】先说 Audio（音频）。它指的就是：AI 生成的视频本身就带声音了。也就是说，你可以直接在 Prompt 里写旁白、写角色台词，它会直接帮你读出来，不用再另外去配音。

【2】Multi-shot（多镜头）的意思是：你可以在一次 Prompt 中描述多段情节或多个镜头（如‘镜头一…镜头二…’）。模型会自动理解你写的叙事结构，并生成连贯的多镜头视频，而不需要逐段单独生成。打开了多镜头，即便是模糊提示词，AI也可以自动匹配分镜和场景。

尤其是那些镜头感比较强、需要节奏变化的，模型基本都能按你写的来。

所以现在想把 拍我AI V5.5  的能力发挥到位，最好还是用稍微复杂一点的 Prompt，把场景变化、镜头变化写得清楚一些，它就能生成得更完整。

想要画质可控，可以先用提示词中风格和场景用拍我AI（PixVerse）内置的 Nano BananaPro 或者 Qwen、Seedream4.0 生成参考生图，让 AI 视频生成适合融合和质感更好。

不过我实测了一圈之后发现：即便只是很简单的一句话 Prompt，拍我AI V5.5 也能自动把它结构化成「多镜头叙事结构」。

下面，我们测了 5 个复杂 Prompt 和 5 个简单 Prompt 下，拍我AI V5.5 模型的效果。

复杂 Prompt ①  ECLIPSE 头戴式耳机

我们先来试试 拍我AI V5.5 生成广告 TVC 的能力，自定义了一个叫做「ECLIPSE 头戴式耳机」的品牌。

提示词的结构，你可以按照我这样的来，效果会好一点：

超近景特写，磨砂黑的耳机在半空中旋转，“ECLIPSE ONE”字样清晰可见，紫蓝色光线不断流动。切入下一幕：Shot 2：中景镜头，男子在极简风格的工作室里将耳机塞入耳中。女声缓慢朗读旁白：“让声音化为空间。”切入下一幕：Shot 3：抽象的光影中，视觉化声波在他头部周围脉动。低频顺滑落下。女声缓慢朗读旁白：“深邃、宽广、无尽。”停顿后切入下一幕：Shot 4：特写，他闭上双眼，呼吸平稳。轻柔的环境铃音隐约响起。声音停顿后女声缓慢朗读旁白：“宁静，与清晰相遇。”切入下一幕：Shot 5：广角镜头，他静坐不动，工作室慢慢化为辽阔的星空空间。旋律化的合成音徐徐铺开。女声缓慢朗读旁白：“沉入自我，听见真我。”切入下一幕：Shot 6：耳机落在一块镜面般的黑色表面上。镜头缓慢拉远。女声缓慢朗读旁白：“Eclipse One，听见更远。”

整体感受是挺稳，细节有惊喜。

旋转的质感、紫蓝光线这些词，它基本听懂了，画面氛围还挺「电子感」的。旁白、节奏、镜头切换也都能跟上，有些镜头的变化看起来真有点 TVC 的味道。

复杂 Prompt ②  咖啡 AROOMA 7 广告

咖啡广告这个确实很讨巧，模型对清晨光、蒸汽、咖啡这种关键词理解很强，所以效果出来反而比耳机更稳一些。

提示词如下：

Shot 1：特写镜头，一只手将带有“AROOMA 7”字样的亮泽深色咖啡豆倒入研磨机。 柔和的清晨光。咖啡豆倾落的温暖声响。 男声旁白：“Aroma Seven。”  切入下一幕： Shot 2：中景镜头，女人在温馨的厨房里研磨咖啡豆。 轻柔的机械运转声。 男声旁白：“为安静的清晨而生。”  切入下一幕： Shot 3：特写镜头，热腾腾的浓缩咖啡缓缓滴入玻璃杯。 蒸汽升腾，细微的气泡声。 男声旁白：“醇厚、顺滑、坦诚。”  切入下一幕： Shot 4：广角镜头，女人坐在窗边轻啜咖啡。 窗外鸟鸣与和煦微风。 男声旁白：“给你自己的片刻。”  切入下一幕： Shot 5：特写镜头，她微笑着，眼神放松。 男声旁白：“从一份温暖开始。”  切入下一幕： Shot 6：装着“AROOMA 7”的咖啡袋立在木质台面上，沐浴在柔和阳光里。 镜头缓慢拉远。 男声旁白：“Arooma Seven，从平静出发。”  黑底字幕： “AROOMA 7” “BEGINWITH CALM.”

我注意到两个点：

【1】Shot 2 的研磨咖啡几乎是按我描述的节奏来的，镜头效果还可以；

【2】Shot 4 的窗边场景虽然没那么「电影感」，但也确实拍出了「松弛感」。

不过也有不足，女主在 Shot 2 的「研磨动作」稍微有点机械。

复杂 Prompt ③ 动漫熊先生下午茶：

下面，我们来试试动画风格的 Prompt。

动画风， 拍我AI V5.5 是真的很擅长，风格统一、画面干净、故事顺畅。

提示词如下：

Style：温馨的手绘动画风格，柔和的粉彩色调。  镜头 1： 广角：一只温柔的大熊坐在森林中的小木桌旁，正准备泡茶。 音效：鸟鸣声、水壶轻轻沸腾声。  切换至下个场景： 镜头 2： 特写：大熊小心翼翼地将茶倒入小小的杯子里。 音效：轻微的瓷器碰撞声。  切换至下个场景： 镜头 3： 中景：一只紧张的小松鼠从树后探出头来。 音效：轻细的吱声。  切换至下个场景： 镜头 4： 大熊做出邀请的手势；小松鼠犹豫片刻，随后爬上椅子。 BGM：轻柔俏皮的旋律。  切换至下个场景： 镜头 5： 特写：大熊轻轻把一块小点心推到小松鼠面前。 音效：小盘子滑动的细微声音。

整体的色调是我预想的那种，那只熊的动作细节还可以，倒茶的手势甚至比我想象中更柔软。

复杂 Prompt ④ 枪战动作

枪战对模型来说算是难度较高。

因为对于很多 AI 视频模型来说，打斗动作很容易出现「机械式干净」，缺乏那种脏乱、子弹乱飞的感觉。

提示词如下：

Style：写实质感的动作电影风格，冷硬金属色调，空气中充满尘埃，手持镜头动态强烈，电影级强光对比。  镜头 1： 废弃仓库内的广角镜头，破碎的窗户间有尘埃飘动。 一队戴面罩的持枪者在柱子之间谨慎推进。 音效：回荡的脚步声、远处金属碰撞声。 BGM：紧张的低频脉冲。  切换至下个场景： 镜头 2： 中景，从背后拍摄一名独自的主角，他躲在水泥掩体后，迅速装填手枪。 音效：弹匣卡入的声音、轻微呼吸声。 BGM 强度提升。  切换至下个场景： 镜头 3： 特写：主角眼神骤然收紧，汗水在微弱的蓝光里反射光点。 红点激光缓缓滑过他脸旁的墙面。 音效：紧张的轻微嗡鸣。  切换至下个场景： 镜头 4： 广角：持枪者先开火。枪口火光在尘埃中频闪，混凝土碎屑四溅。 音效：激烈的枪声、跳弹声、碎片落地声。 BGM 出现尖锐的打击乐。  切换至下个场景： 镜头 5： 慢动作镜头：主角翻滚出掩体，同时反击射出两发精准子弹。 弹壳呈金色弧线飞落。 音效：减速处理的枪声 + 弹壳落地声。  切换至下个场景： 镜头 6： 中景跟拍：一名枪手被子弹击中向后飞去，身后玻璃爆裂，他倒在金属结构上。 音效：玻璃破碎声、身体撞击金属声。

其实我最喜欢的是 拍我AI V5.5 的镜头转换很有感觉， Prompt 遵循一致性确实还不错。

虽然离电影差一点，但确实还挺稳的。

复杂 Prompt ⑤ 吉卜力纸飞机：

既然都做 AI 生成视频了，怎么可能放过「吉卜力风」。

提示词如下：

Style：吉卜力风格的山谷，明亮蓝天，油画般的云层。  镜头 1： 航拍广角：一个孩子在长满青草的山坡上奔跑，手里举着一架纸飞机。 音效：轻柔的风声。  切换至下个场景： 镜头 2： 中景：他松开手—— 纸飞机优雅滑翔，沐浴在阳光下。 音效：轻轻的呼声。  切换至下个场景： 镜头 3： 特写：纸飞机微微颤动，身后拖下一缕 faint 的闪光粉尘。 BGM：充满希望的细腻弦乐。  切换至下个场景： 镜头 4： 广角：纸飞机飞越山谷，轻轻擦过野花。  切换至下个场景： 镜头 5： 中景：孩子追着它奔跑，大笑着。  切换至下个场景： 镜头 6（最终镜头）： 广角：纸飞机轻轻落在一间老木屋旁，夕阳为整片山谷染上柔光。 BGM 轻柔收尾。

你能看到山谷光线、草坡、追逐纸飞机，这些关键词模型接得比较稳。纸飞机滑翔的物理轨迹也还不错，整体画面确实很有吉卜力的味道。

🚥

简单 Prompt ① 东方古风

对于很多没有 Prompt 工程知识的朋友们来说，做 AI 视频生成的时候不可能天天都写几百字的脚本。

更多时候，可能就是脑子里蹦出一个画面。

所以，我们来试一试简单 Prompt 的效果。

首先 拍我AI 里面也是可以直接生图的，Multi-Shot 和 Audio 模式也支持参考图，所以我先生了一张图作为垫图。

提示词如下：

东方古风风格，一只雄鹰掠过市井

即便是非常短的一句话提示词，拍我AI V5.5 也可以将其自动结构化为有镜头语言的 Prompt。

这只鹰的动态和背景的古建筑融合得比较自然，没有那种「贴图」感

简单 Prompt ② 钢铁侠变身

我发现 拍我AI V5.5 对这种「给一张参考图」的理解能力确实还挺稳的。画面里的元素，它能拆得很细，金属、光感、姿态这些点都抓得住。

所以说，我又垫了一张图，是钢铁侠的一张电影截图。

提示词依旧极其简单，只有一句话：

机甲变身，然后开足马力冲上天空

这确实就是男人的浪漫。

变形的过程虽然有点快，没有那种《钢铁侠 1》里装甲拼接的慢镜头质感，但金属结构重新组合的「块感」它还是给到了。

动作也算干净，没有太明显的穿模或奇怪变形。

最后升空那一段的喷射的拖尾、光焰的扩散，还有轻微的机身抖动，都挺自然的，整体「假味」不重。

简单 Prompt ③ CyberTrunk

前段时间，Nano Banana Pro 的风格化能力大家有目共睹。现在拍我AI 直接把它集成进来了，你可以在 同一个平台里完成从图 → 视频的整套工作流。

不用来回倒工具，体验上顺滑很多。

比如，我先生成一张 CyberTrunk 的图片：

提示词如下：

汽车行驶在落日大道上，安静、孤独、悲伤

实际生成的视频里，CyberTrunk 在落日场景中行驶的效果，一致性确实不错。

仔细看的话，车头灯扫过路面的光影扩散，其实还挺真实的，AI 味会少一点。

简单 Prompt ④ 动漫鼠鼠

接下来，我们再看一个偏「日常生活感」的场景：一个老鼠带着工牌在打工。

而且，它一天到晚都在抱怨今天的工作设计，就是那种「上班没意义但我还得干」。

这次我就没垫参考图了，直接让 拍我AI V5.5 裸跑，提示词如下：

一只老鼠带着人类男性的工牌，吐槽两回「今天工作很无聊」

看完之后，只能说这个「班味」真的很灵性。

我感觉 拍我AI V5.5 还是挺懂「打工人的精神状态」的。

老鼠那种「想辞职但又不敢辞」的表情管理非常到位，吐槽的节奏也相当生活化，说白了就是典型的职场社畜。

简单 Prompt ⑤ 精油广告

接着我们来看看 拍我AI V5.5 做「广告类画面」的表现。

这次我挑的主体是「护发精油」，主要就是想测试它对液体质感、微景观构图这种细节的处理能力。

依旧没有垫参考图，让它完全靠自己的理解来拍。

提示词只有下面这一段：

一瓶带泵头的护发精油置于自然系微景观中央；枯木质感粗粝、苔藓层层堆叠、深色浆果点缀其间。 呈现纯净天然的质地语言。柔焦自然光从侧后方切入，形成层次分明的高端影调。 整体画面写实、干净、超高清，商业广告级质感。 瓶身丝印 “Crosing” 清晰可见。

整体看下来，第一个感觉就是：画面的色调搭配真的很稳。

你能看到那种「木质香＋绿色植物系」的感觉，这也确实是很多自然系广告常用的氛围。然后有几个点我挺意外的：液体低落的感觉我觉得不是很假，比我预期的要真实。

再有就是多镜头的衔接。

虽然 Prompt 本身没要求多镜头，但它自动给我做了几个角度的切换，而且镜头与镜头之间的转场是顺的，不会突然跳、突然换光线那种。

所以，我们总结一下 拍我AI V5.5 这回展现出来的能力。

拍我AI V5.5 最大的变化在于：镜头、声音、角色，这三件事被一起理解了。

什么时候切景、什么时候推进、情绪该怎么表达、哪个 Shot 该久一点、哪个 Shot 只给一秒？

你在用过之后会觉得：它开始「懂你想要的是哪种 Sense」了。

🚥

拍我AI V5.5 这次更新，在「导演感」上的推进非常明显。虽然它现在还不完美，但它做对了一件很重要的事情：

它开始试图理解：故事得连着，镜头要变换。生成场景而不是画面。

我们之前常说 AI 视频生成要「降本增效」。但是，AI 抽卡专注在抽出「好分镜」的话，大家就会有更多的精力放在讲清楚创意上。

所以回到最开始的问题：AI 视频到底什么时候才能真正「讲好一个故事」？

我想，AI 视频厂商们给出的答案将会越来越近。