AI 拟真视频制作指南:模特和道具的准备

• 本文正文约5320字，朗读音频约20分钟；
• 请善用公众号菜单栏。

GitHub 项目《三省六部》以中国古代三省六部架构为底层逻辑，构建现代 AI 多 Agent 协作架构[1]。这背后藏着人类面对新技术的共性规律：接触全新工具或创作范式时，我们不会凭空摸索，而是本能地从成熟历史经验中寻找参考，用已验证的逻辑解决新问题。

这种“以史为鉴”的思路，不仅体现在工具开发，也贯穿各类创作领域。AI 视频创作作为新兴的数字创作形式，对其创作流程的探索亦可重拾设计史中的折中主义（Eclecticism）。其核心并非对传统样式的简单复制，而是对经典设计语言的选择性汲取与当代语境的创造性融合[2]。创作者从不同时期、不同风格的经典设计中提取核心逻辑，结合当代技术与需求，重构兼具传承与创新的作品。这一思路规避了从零试错的高成本，让创新扎根于成熟经验，深刻影响着当下的 AI 视频创作。

当下 AI 视频的核心流程——先通过“文生图”“图生图”生成镜头静帧，再转化为动态视频——本质是对早期动画流程的现代复兴。经典 2D 动画的核心逻辑，便是先确定关键静帧（原画），再补充中间帧实现流畅衔接，这正是迪士尼 2D 动画“先绘角色三视图、关键静帧，再补中间帧”的遵循[3]。可灵等 AI 模型，从“首尾帧图”出发生成视频，其核心的“静帧前置-动态转化”逻辑一脉相承，是历史创作思路在 AI 创作中的典型实践。相较传统动画，AI 拟真视频对细节要求更高——人物形象、服饰纹理、面部特征等任何细微偏差，都易在动态中暴露为“跳模”或“变脸”，这使得前期对统一性的把控变得尤为关键。

基于此，AI 拟真视频前期制作有明确的实操逻辑：先生成镜头静帧再转化为动态，同一元素需提前准备“三视图”统一细节，重点元素（如产品）需补充细节图。制作前优先准备产品参考图，配套准备模特参考图，环境、道具可在剧情推演中适时制作。默认素材由 AI 生成，商业场景中部分素材可由甲方提供或实景获取。模特与道具作为核心视觉素材，其准备方法是前期制作的关键。基于此，下文将分别从AI模特库的搭建与道具的优化两个维度，展开具体操作方法的说明。

2. AI 模特库的采集与搭建

在开展 AI 拟真视频制作前，创作者需要搭建专属的“AI 模特库”。若采用真人照片作为模特参考，往往会涉及肖像权侵权的法律风险；而通过一般方法生成的 AI 虚拟人物形象，又会因细节缺失呈现出明显的“塑料感”，因此搭建专属的 AI 模特库是 AI 创作者的必要准备。该模特库由若干张模特肖像构成，每张肖像需展示模特头部的三视图，且画面中要完整、清晰地呈现模特锁骨以上的部分，明确头部与躯干的“穿插”关系，为后期的素材“组装”提供便利。

搭建 AI 模特库的整体思路，是先获取一个“纯塑料”质感的虚拟人物，再通过一系列优化步骤，让虚拟形象更贴近真实。基于这一思路，有两套具体的实施方案——两套方案的核心区别在于虚拟人物的初始来源及三视图生成顺序不同，后续的优化逻辑则一脉相承。

2.1. 方案一：低端 AI 生成基础图，高端 AI 优化升级

实施该方案的前提，是创作者要明确手中各类 AI 生图模型的等级划分。目前市面上最优秀的生图 AI 模型是 Nano Banana，该模型的使用存在区域网络限制；国内的优秀生图模型则有即梦、可灵等，创作者可根据自身使用习惯选择；开源的优秀生图模型包含 Z-image 和 Wan2.2，这类模型对设备的显卡配置要求较高。本方法将以 Nano Banana 为例展开介绍。

选择“低端 AI 生成 + 高端 AI 优化”的核心原因有三点：其一，低端 AI 模型往往便宜甚至免费，高端 AI 模型一般价格高昂，先用低端模型试错，能有效降低制作成本；其二，低端模型生成的虚拟人物“塑料感”更强、形象更“假”，能有效避免 AI 生成的程式化、模式化问题，例如提及“新疆美女”时，普通 AI 易生成类似迪丽热巴的同质化形象，而低端模型的非程式化生成能规避这一问题；其三，AI 的算力存在局限性，若让一个 AI 模型同时完成构思与优化两项工作，极易顾此失彼，因此将精细化生成的总要求拆分为多个简单步骤，能提升生成的成功率。假设生成一个结果的流程可拆分为 5 个步骤，每个步骤的成功概率为 90%，若一次性完成生成，整体成功概率不足 60%；而拆分步骤后，不仅能降低生成的不确定性，还能精准定位问题出现的环节。尽管拆分步骤会增加与 AI 的交互次数，但相较于一次性生成的反复试错和盲目修改，制作效率会大幅提升。

2.1.1 第一步，生成虚拟人物形象，即利用低端 AI 生成基础原始图

这一步骤对提示词的要求较低，创作者可随便打开一个智能 APP 操作，例如输入“生成一个适用护肤品广告拍摄的中国模特”，即可得到一张原始图片（图A）。

图A

2.1.2. 第二步，利用 Google Flow 进行高端 AI 优化

Google Flow 的核心优势就是：免费！免费！还是免费！但需注意，该平台为 Google 内部实验工具，目前访问存在一定区域与网络限制，且属于非稳定服务，后续政策可能调整，读者可将其作为阶段性低成本方案，同时留意官方动态。

这里需要补充一点背景信息，Nano Banana 的官方正式名称是 Gemini Image，而 Nano Banana 是该模型在 LM Arena 平台匿名测试时使用的临时昵称，因在社区爆火，Google 最终将其作为常用名称沿用。Nano Banana 作为 Google AI 生态的一员，可在 Google Gemini 和 Gemini Flow 两个平台使用，两个平台的关系类似豆包和即梦；其中 Gemini 平台的免费用户有每天 100 张的生图数量限制，而 Flow 平台的免费用户，可使用 Nano Banana 2 和 Imagen 4 无限生图，生成画质能满足一般制片需求。

具体操作：打开 Google Flow，创建一个以“模型”命名的新项目，专门用于模特、道具等素材的生成。

图B

点击网页下方对话框左下角的“+”号，上传第一步生成的虚拟人物（图A）基础图，将图片比例设置为 16:9，生成数量 ×2，模型选择 Nano Banana 2，随后在对话框中输入 提示词A，该提示词的作用是为参考图增加细节，也适用于 2D、3D 动漫人物的真人化转化，具体提示词为：

Use the original reference image as the only anchor, keep the original composition, framing, perspective, camera angle, lighting structure, main color palette and scene layout completely unchanged, do not redesign the image, maintain the original character's identity, facial features, hairstyle, eye color, clothing and pose 100% consistent, transform into a real living Chinese person in real life, photorealistic portrait of a real person, natural human facial proportions, realistic eye size, no exaggerated anime style, soft and natural facial features, restore realistic skin texture (no over-smoothing), soft tonal variation, and elegant highlight roll-off, realistic hair strands with real fiber detail, upgrade fabric with real weave, natural fold depth and thickness variation, soft cinematic lighting, realistic shadows, high detail, professional portrait photography, shot on DSLR camera, ultra realistic, lifelike, natural human appearance, do not fake detail with aggressive sharpening, noisy grain or artificial overprocessing, do not add any watermark, logo, subtitles, UI elements, borders, QR codes, signatures or extra text

提示词A 素材真人化

图C

2.1.3. 第三步，对真人化后的图片进行修图处理，再制作三视图

完成第二步的优化后，不能直接生成三视图，需先对优化后的真人图做细节修正，例如 图C 中的模特存在头发左右不对称、高低肩等问题，且面部的美人痣需去掉一颗，这类修图工作建议直接使用 Photoshop 完成——正如日常短途采购用小型出行工具更便捷一般，Photoshop 能更高效地完成这类精细化修图工作。。

2.1.4. 第四步，生成模特肖像三视图

修图完成后，按照第二步的操作方式，再次上传处理后的图片，输入专属提示词生成三视图，具体提示词为：

Create one image with three side-by-side facial close-ups of the same young adult. 

Left Panel: straight front view, subject’s gaze fixed directly at the camera lens. 

Center Panel: 45° right three-quarter face view, subject’s gaze aligned with the face direction (not looking at the lens). 

Right Panel: Perfect 90° right profile view, subject’s gaze aligned with the profile direction (not looking at the lens), the complete occipital contour (back of the head) is fully unobscured, entirely contained within the panel frame. 

Maintain the person’s identity, facial proportions and hairstyle consistent with reference images. Ensure the hairstyle is identical and completely consistent across all three orthographic views. Remove all accessories: close, hats, glasses, earrings, studs, hair ornaments and all jewelry. Keep face and head clean with no adornments. Force the skin in the neck and collarbones to be completely and clearly exposed. 

No matter what background is in reference images, replace it entirely and render a standardized studio triptych with a gray seamless backdrop. The gray background features subtle gradient falloff, identical across all three panels, with no environmental elements. Unified controlled studio lighting: soft but directional key light, gentle shadow shaping, natural contrast, crisp eye details, realistic skin texture (no over-smoothing). 

Add only simple letters on background: “A” above left panel, “B” above center, “C” above right, in small, clean sans-serif font. Separate panels with two thin, straight, evenly spaced vertical dividing lines only. No additional text, watermarks, logos, subtitles, UI, QR codes, signatures, extra dividing lines, borders, margins, or graphic elements of any kind should appear within or between the three views beyond these three letters and two vertical lines.

提示词B 肖像三视图提取

图D

上述 提示词B 原本采用抖音 @大象学长 的版本，但在实际操作中会遇到许多问题，因此在原文本基础上做了大量补充和大幅修改，例如根据 AI 的处理逻辑对文本进行重构和加工。或许会有人抱怨该提示词过长，对此我的观点与 Michael Lissack一致[4]：

• 第一，简化本身是一种设计抉择，但过度、粗暴的简化（依赖标签化的表征模型）会遮蔽语境、模糊性与复杂性，导致认知偏差与沟通失效；

• 第二，真正有效的设计，应当在简化与保留必要复杂性之间取得平衡，用更具弹性的压缩模型与叙事故事，容纳模糊、尊重情境，从而实现更真实、更具适应性的理解与行动。

2.2. 方案二：动漫人物真人化

方案二的核心思路为动漫人物真人化，这也是搭建 AI 模特库的常用方法，其核心优势是可利用优质的动漫人物建模作为基础，《凡人修仙传》便是典型案例，该作品广受好评的原因之一，就是其中女性角色的建模长相精致，这类优质建模可直接作为 AI 模特的基础建模，但必须规避版权问题，规避的关键在于做到“彻底的真人化”或“彻底的去动漫化”：加入真实的面部细节（如皮肤肌理）、去掉原建模中夸张的面部特征（如比例失常的动漫眼）、删除违背现实规律的“反物理”妆发等。

方案二的实施步骤与方案一基本一致，仅执行顺序不同。以下将以《凡人修仙传》中的梅凝为例介绍具体操作。

2.2.1. 第一步，获取原始素材

与方案一利用低端 AI 生成原始素材不同，方案二的原始素材通过截屏或下载优质动漫人物建模的图片获得。

图E 来源网络

2.2.2. 第二步，生成动画三视图

方案二需要调整优化三视图生成的顺序：先生成三视图，再进行真人化处理。若按照方案一的步骤操作，在初始阶段难以感知“真人化”的程度，易生成“近真人化”的图片，后续基于该图片生成的三视图，形象会更像《黑神话悟空》中的角色——虽然看着真实，但与真人照片仍存在差距。

具体操作：执行方案一中的 提示词B，生成动漫人物建模的三视图（图F）。这一步生成的三视图可直接用于个人动漫二创——一方面未完全脱离原版形象，另一方面仍带有明显的动漫感——但无法直接作为 AI 拟真视频的模特素材。

图F

2.2.3. 第三步，进行真人化处理

接下来，执行方案一中的 提示词A，对三视图进行真人化处理，让人物形象贴近真实。需要确保 提示词A 中的划线部分与目标形象相符，因为 3D 动漫人物容易被 AI 识别为欧美人。

图G

完成以上步骤后，创作者即可获得一个虚构的 AI 模特，可根据制作需求修改上述提示词，例如调整模特的年龄；若需要进行更复杂的提示词修改，可借助豆包、DeepSeek 等大语言模型完成，操作时记得开启模型的“思考”模式，避免模型直接生成图片。

3. 道具的准备与优化

模特素材准备完成后，需同步开展道具的准备工作，AI 拟真视频制作的道具准备逻辑与普通商业拍摄一致，均需按照剧本提前确定道具并准备对应素材；若为模仿练习，参考视频中已有现成的道具，只需按项准备即可，但不建议直接提取视频中的道具素材，应重新生成无明显设计特征的道具，一方面模仿练习的核心目的是练习，重新生成能提升创作能力，另一方面可有效规避法律风险。若处于创作探索期，或正在推演剧情、提取镜头，可将道具生成步骤放到“剧情推演”过程中，让道具设计更贴合镜头脚本的需求。

产品作为 AI 视频制作中最核心的道具，其图片素材的优化工作尤为重要，产品图的来源因创作者的身份不同而有所区别：若为乙方，产品图一般由甲方提供，这类图片极易出现模糊不清、细节缺失的问题，因此务必恳请甲方提供更多的产品细节照片，甚至可直接申请甲方寄来产品样品；若为甲方，为自家产品制作宣传视频，需亲自拍摄大量的产品细节图，无需过分在意拍摄设备、环境、技术的限制，拍摄的素材越多越好，后续的细节优化可交由 AI 完成。

本方法默认创作者手中的产品图为低质量素材，或处于练习阶段需要“无中生有”生成产品图，产品图的优化思路与道具提取的思路一致，均是从参考照片中提取目标物品的特征，并将其细化为易于 AI 复刻的“四视图”，因此所用提示词的逻辑基本相同。以下提示词可用于生成手提包产品四视图（划线部分可自定义）：

生成图中手提包的四视图（2×2 网格，无线框），展现其前、后、右侧三个方向的三视图，再额外增加一张手提包打开后的细节辅图。该皮包为磁吸开合式，由黑色皮革、银色金属打造，内衬为黑色丝绸，闭合时可自动吸附。注意手提包的外观不应明显属于任何一个大众熟知的品牌。灰底，自然光，专业光影效果，超写实风格，无文字。

提示词C 道具四视图提取

图H

普通道具（如产品、作为背景的汽车）只需准备一张四视图，即可满足 AI 制作需求，但对于手提包、裙装、毛绒玩具等精致产品，除四视图外，还需要制作“细节图”以展示产品的材质、做工等核心细节，例如生成手提包细节图的提示词为：

你是一个专业摄影师，现在要给图中的手提包单独拍摄产品特写，展现其材质、做工等细节。6 组镜头（2×3 网格，无线框），多角度拍摄，超写实风格。

提示词D 道具细节图提取

图I

结语

模特与道具是 AI 拟真视频视觉表达的核心载体，其前期准备质量直接影响后续制作效率与成片效果。搭建专属 AI 模特库、按剧本规范准备道具素材，是 AI 视频制作中不可绕过的关键环节。创作者可根据自身资源选择模特生成方案，结合 PS 修图与多轮提示词迭代，使素材摆脱“塑料感”，贴近真实；道具与产品图准备中，通过四视图与细节图让素材更贴合 AI 制作逻辑，同时注意规避版权风险。

本文所述方法适用于多数 AI 拟真视频前期制作，在高精度商业级项目中，仍需结合实拍素材或专业摄影进行补充。AI 创作的本质在于灵活运用工具与提示词，创作者可借助大语言模型优化提示词，利用 Google Flow 等免费工具降低试错成本。这一过程，正是以成熟创作逻辑为基、以现代 AI 技术为器的实践写照。

翻译参考

1. cft0808. 三省六部 [OL]. GitHub, https://github.com/cft0808/edict, 2026.

2. David Raizman. History of Modern Design[M]. 3rd ed. London: Laurence King Publishing, 2023.

3. 理查德·威廉姆斯. 原动画基础教程: 动画人的生存手册 [M]. 邓晓娥, 译. 北京: 中国青年出版社, 2006.

4. Lissack M. Don't Be Addicted: The Oft-Overlooked Dangers of Simplification[J]. She Ji: The Journal of Design, Economics, and Innovation, 2016.