本文由 辛梓煜@词元二号站（www.ciyuanerhao.com）撰写，记录我这段时间研究 AI 插画类短视频的完整实操过程，转载请注明出处。

快速摘要

这篇文章把"AI 卡通插画短视频"从生图到剪辑的整条流水线拆开讲清楚。核心结论先放在最前面：第一，这类视频好不好看、能不能被更多人刷到，关键不在剪辑炫技，而在"画风是否统一"；第二，画风统一的最稳做法是"参考图 + 提示词"的双图法，让即梦照着一张定好的底图去画你要的内容；第三，让画面里的猫、狗、人物动起来，本质就是"抠图 + 入场动画"两步；第四，那种上下两条对称的边框背景，是用剪映的镜像蒙版翻转做出来的。 把这四件事吃透，一条成品视频从无到有，新手也能在一两个小时内独立做完。

下面我会按"为什么这么做 → 工具准备 → 生图 → 让画面动起来 → 做镜像背景 → 串成完整流程 → 踩坑总结"的顺序，一步一步带着走。每一步都配了提示词模板、操作清单和示意图。想看完整拆解，往下翻就行。

一、画风，才是这类视频真正的命门

先说一个我自己观察了很久的现象。很多刚入门的朋友，画面内容其实不差，配乐节奏也踩得挺好，但作品发出去之后，播放就是上不去，几千到一万出头就卡住了。换了选题、换了文案，还是这个量级。

折腾下来我越来越确定，问题往往不在内容，而在"观感"——更具体地说，是画风不统一、不够"耐看"。

什么叫画风不统一？最常见的就是同一条视频里，第一张图偏写实、第二张图偏卡通、第三张图的线条粗细又变了，颜色调子也各走各的。观众虽然说不出哪里别扭，但手指会很诚实——划走得特别快。短视频前几秒的完播，几乎决定了后面会不会被推给更多人，画风一乱，前几秒就废了。

反过来，那些看起来"很舒服"的插画号，基本都有一个共同点：整条视频从头到尾像是同一支笔画出来的。线条、上色方式、留白习惯、人物比例都对得上，哪怕讲的是完全不同的故事，视觉上也是一个调子。这种"一致性"才是让人愿意一直看下去、看完还想点关注的底层原因。

我把这层道理再往下挖一点。短视频的推荐逻辑，简化来看是个"层层放大"的过程：平台先给你一小批基础曝光，看这批人里有多少人看完、有多少人点赞互动，数据好就推给更大的一批，再看数据，再决定要不要继续放大。在这条链路里，前三秒的完播率几乎是第一道闸门。而画风乱、第一帧不抓人，观众手指一划，这道闸门当场就关了，后面再好的内容也没机会被看到。

这就是为什么我反复强调画风。它不是审美洁癖，而是实打实影响数据的变量。一个画风统一、第一眼就舒服的画面，能把更多人"留"在前三秒，给后面的内容争取到展示机会。换句话说，画风统一是你能主动控制的、性价比最高的一个优化项——它不像选题那样靠运气，是纯靠方法和练习就能稳定拿到的。

所以这次我把研究重点完全放在了"怎么把画风钉死"上。市面上受欢迎的几种插画风格，我挑了一种偏手绘、带点真实质感、看着比较有意思的方向去复刻。手绘感强的画面有个天然优势：它不像那种一眼假的 AI 图，反而更像有人坐在那儿一笔一笔画出来的，亲和力高，观众的"防备心"低。

为什么"防备心低"这么值钱？因为现在刷到 AI 图的人越来越多，大家对那种过度光滑、一眼就能看出是机器生成的画面，会本能地划走。而带手绘质感、有点人味儿的画面，观众会下意识觉得"这是有人用心做的"，愿意多停留两秒——别小看这两秒，前面说了，前几秒的停留就是被推荐的入场券。所以我选风格时，"耐看""有人味儿"的权重，会排在"炫不炫技"前面。真实、亲切、统一，比花哨重要得多。

这里先给个结论，后面所有操作都是围绕它展开的：

画风统一 = 固定一张"底图"做风格锚点 + 用结构化提示词控制内容 + 控制好出图次数，不让模型把画风带跑。

把这句话记住，你就理解了后面每一步到底在解决什么问题。

我也想顺带说清楚一个心态问题。复刻别人的画风，目的不是去"抄"某个具体的号，而是先借一个成熟的视觉模板把手感练出来，等你熟了，完全可以在这个基础上调出属于自己的调子。我自己（辛梓煜）一开始也是照着模板练，练到后面底图越攒越多，慢慢就有了自己那一套。所以本文给的是"方法"，画成什么样，最终是你自己说了算。

二、动手之前：工具准备与素材获取

正式生图之前，先把家伙什备齐，把素材拿到手。这一节看着琐碎，但偷懒的话后面会到处返工。

（一）一份够用的工具清单

整条流水线其实只需要四个工具，全部都是手机就能装、国内能直接用的，不需要任何额外环境：

新手提示：这里出现的"图生图"指的是给 AI 喂一张已有的图片当参考，让它照着这张图的风格或内容再创作；"画中画"是剪映里在主画面之上再叠一层素材的功能；"蒙版"可以理解成一块挖了形状的遮罩，只让你想露出来的那部分显示。这些词后面会反复用到，第一次见先有个印象就行。

工具就这么点，不用贪多。我见过有人收藏了十几个 AI 绘图软件，结果哪个都没玩明白。先把一个工具用到熟，比到处浅尝辄止有用得多。

（二）先看懂画面在"表达什么"，再动手

很多人拿到一个想模仿的画面，第一反应是赶紧去生图。我的习惯正好相反——先盯着原画面看，搞清楚它到底画了几样东西、想表达什么意思。

举个我练手时的例子。有一张画面，主体是一只狗，它低着头到处张望，地上有一条蚯蚓被一根手指指着。看明白了我就知道，这张图的信息其实就两件事：一只在找东西的狗 + 一条被指出来的蚯蚓。把"要画什么"想清楚，提示词才写得准，否则模型只能瞎猜，出来的东西自然不对。

所以这一步的动作很简单，就是把要参考的画面在脑子里"翻译"成一句话：主体是什么 + 它在干什么 + 画面里还有什么关键元素。 这句话，后面会直接变成提示词的主干。

顺便说说"哪些画面值得拿来练手"。不是每个画面都好复刻，我挑参考时会看三点：一是主体清晰，画面别太乱、别一堆元素堆在一起，主体越突出越好生、越好抠；二是动作有记忆点，比如一只狗低头找东西、一只猫好奇地伸手，这种有明确动作和情绪的画面，做出来才有意思，干巴巴站着的画面观众没感觉；三是能看出来源，我尽量找标注了来源的素材，没标来源的我会跳过、另找一个，这既是习惯也是对原作者的基本尊重。把这三条当筛选标准，你练手的效率会高很多，不会在那些根本做不出来的画面上浪费时间。

（三）下载素材：去水印这一步怎么做

参考素材一般是从平台上保存下来的。如果没开会员，直接存会带水印，影响后面参考。处理办法很直接：

1. 在原视频界面复制分享链接。
2. 打开去水印小工具，把链接粘进去。
3. 点保存，干净的视频就进相册了。

图片同理，如果存下来带水印，把图片传进去水印工具，也能去掉。

这里我要多说一句立场：下载别人的素材，只用来研究画面结构和拆解做法，是学习用途。 真正发布的作品，画面应该是你自己用 AI 重新生成的、加了自己理解的版本，而不是把别人的东西改改就发。这条线一定要拎清楚，既是尊重原创，也是你做号能不能长久的根本。

为什么这条线这么重要，我再展开讲一句。单纯搬运、改改水印就发，平台是能识别的，这种内容很难获得稳定推荐，号也容易被限制；而且就算侥幸跑出一点量，你也没沉淀下任何能力，下次还得继续搬。反过来，你把别人的画面拆开、研究它好在哪、再用自己的方式重新做一遍——这个过程里你练的是审美、是工具、是对画面的判断，这些才是真正长在你身上、别人拿不走的东西。所以我宁可慢一点、自己重做，也不走搬运那条看着快其实没出路的路。 这一点想清楚了，你做这件事的心态和动作都会不一样。

素材到手、画面看懂、工具备齐，准备工作就结束了。下面进入最关键的生图环节。

三、用即梦把画风"对齐"：双图参考法详解

这一节是全文的重头戏，因为它直接决定你的画风能不能稳定。我会先讲清楚底层逻辑，再给提示词模板，最后讲几个特别容易踩的坑。

（一）双图法的底层逻辑：一张管风格，一张管内容

所谓"双图法"，就是一次给即梦喂两张图：

• 第一张：风格参考图（底图）。 它的作用是告诉 AI："照着这张图的画法、笔触、配色、留白来。"它管的是"长什么样"。
• 第二张：内容参考图（你想画的画面截图）。 它告诉 AI："我要画的内容大概是这个样子。"它管的是"画什么"。

为什么要这么拆？因为如果你只用文字描述，AI 对"风格"的理解会非常飘——同样一句"卡通插画风"，它今天给你画成扁平风，明天给你画成厚涂风，画风根本钉不住。而把风格交给一张固定底图，把内容交给文字 + 截图，等于给模型上了两道"约束"，出来的图就稳了。

我举个亲身对比的例子。同样想画"一只找东西的狗"，第一次我只写文字、不给底图，连着生了几张，线条粗细、配色、留白每张都不一样，放进同一条视频里像三个人画的。第二次我固定用同一张底图当风格锚点，只改"内容是"后面那句话，结果生出来的几张，画风稳稳地一致，拼在一起毫无违和感。就这么一个动作的差别，成片质感差出一大截。 这也是我为什么后面一再强调"底图"——它是画风稳定的真正源头。

业内对这套思路有个共识：带参考图的图生图，能让 AI 抓住参考图的画面基调、色彩和构图，从而生成风格统一的作品，特别适合复刻特定风格。 我自己实测下来，确实是文字描述再详细，也不如直接甩一张底图来得稳。

这里还有个进阶认知。新一代的生图模型（比如即梦走的 Seedream 4 系列）专门强化了"一致性"，官方的说法是它能保持全局规划与上下文一致，可以生成角色连贯、风格统一的图像序列，做成套设计、表情包、分镜都合适。换句话说，模型本身就是冲着"画风统一"去优化的，你只要喂对参考、写对提示词，它会很乐意给你出一整套同款画风。

（二）提示词怎么写：一个能直接套的结构

我把自己反复测出来的提示词结构固定成了一个模板，新手直接往里填就行。核心就一句话当骨架，前后加约束：

参考第一张图片的风格和留白，画出第二张图片的内容。
内容是：<这里写你要画的主体 + 动作 + 关键元素>。
卡通插画风、人物抠版（保留风格关键词）。

举两个我实际用过的例子，方便你体会怎么往里填：

内容是：一只金毛狗到处张望、寻找地上的一条蚯蚓，找不到的样子，
        表情很疑惑，地上有一条蚯蚓被手指着。

内容是：一只猫看见一个静电球，很好奇，伸手去摸，画面有点搞笑。

可以看到，提示词的写法是高度模板化的：固定的风格描述 + 一句话的内容描述。你每次要改的，几乎只有"内容是"后面那一段，前面的风格关键词原封不动保留。这样做的好处是，风格关键词稳定了，画风就不会乱跳。

结构化地说，一条好提示词大致可以拆成这几块（这也是业内常用的生图四要素）：

写的时候有个小细节我提醒一下：不一定非要配截图。如果你脑子里画面很清楚，光靠文字提示词也能让它画出来，截不截图区别不大。截图更多是"画面比较复杂、文字说不清"时的辅助手段。

再讲一个改提示词时的操作习惯，新手特别容易在这里乱。当你想改画面内容时，前面那段固定的风格描述（"参考第一张图片的风格和留白……卡通插画风、人物抠版"）原封不动别动它，只改"内容是"后面那一段。我见过有人一着急把风格关键词也一起删了重写，结果画风当场就变了。把"风格区"和"内容区"在脑子里分开，改的时候只碰内容区，画风才稳得住。

还有一种情况你早晚会遇到：提示词发过去，它提示"内容不符合平台规则"，不给你出图。这类模型的内容审核是有的，而且有时候挺严。碰到这种，别硬刚，换个说法、把可能敏感的词软化一下再发，通常就过了。比如某些表述换成更中性、更日常的描述，往往就能正常生成。这不是工具的毛病，照规则来就行。

（三）模型版本怎么选：4.0 / 4.1 / 4.5 怎么取舍

即梦的生图模型这两年迭代得很快。我把自己实测下来对这几个版本的体感整理成一张表，方便你按需选：

这张表对应的是业内的普遍反馈：新版本在人脸一致性、空间指令理解（比如你说"正面"它就给正面）、局部重绘还原度上确实是一代比一代强，但越强的版本往往越慢。所以我的实战策略是——先用 4.1 快速跑，跑出满意的就定稿；只有在对一致性要求特别苛刻、4.1 实在压不住的时候，才换 4.5 去磨。

我自己几乎不用 4.5 当主力，就是因为它太慢，做量产视频耗不起。4.0 偶尔脸会崩，所以也只拿来快速试方向。4.1 是那个"又快又稳"的平衡点。

为什么我对"一致性"这么执着，这里再点透一层。你做的不是一张图，而是一条视频里的好几张图，甚至是一个号长期产出的成百上千张图。单张好看不难，难的是让这一批、这一长串图都保持同一个调子。新一代模型之所以值得用，正是因为它把"成套输出、风格统一"当成了核心能力——它能记住前面的风格基调，让你做一整组画面时不至于各画各的。理解了这点你就明白：选模型、攒底图、固定提示词，本质上都是在为"成套的一致性"服务，而不是为了某一张图。 这也是这类内容能不能做成"号"而不是"碰运气出爆款"的分水岭。

顺便说个尺寸细节背后的逻辑。我固定 3:4 生图、再到剪映转 9:16，是因为 3:4 出图时画面元素的疏密最舒服，留白也好看；而最终发布要竖屏 9:16。中间这一步转换，用镜像背景把上下补满正好顺手，等于把"生图比例"和"发布比例"用一个效果衔接上了，一举两得。

顺便提一句尺寸：这类竖屏插画，我固定用 3:4 去生图，实测比例最舒服。等会儿进剪映再统一调成抖音的 9:16。

（四）最关键的一个坑：千万别"越生越崩"

这是新手最容易栽的地方，我必须重点讲。

很多人生图的习惯是："这张不满意，再生一张；还不行，再来一张……"一口气连点七八次。结果你会发现，越往后生，画风越离谱。

原因在于这类模型的脾气：头一两次生成，往往是和你参考图最贴合、最像的。 如果头两次没生好，你接着让它生第三次、第四次，它会一点点偏离原来的画风，越偏越远，到后面基本就是另一个画风了。

所以正确的做法是：

1. 头两次没出满意的图，立刻停手，不要再连点。
2. 换一个动作：要么换底图，要么改一改提示词，然后重新生一遍。
3. 绝对不要在同一组参考 + 同一句提示词上反复连生，那只会越生越差。

记住这条，能帮你省下大量被废图磨没的耐心。我把它总结成一句话贴在心里："头两次定生死，崩了就换图、换词，别死磕。"

（五）出来的图不完美？局部改就行，别整张推翻

很多时候图大体对了，只是某个局部不满意——比如狗本来该是金毛的黄色，结果生成了白色；或者画面里多了个你不想要的小物件。这种情况完全不用重新生整张，用即梦的两个小功能就能修：

• 局部重绘 / 编辑： 框住要改的区域，配一句指令。比如"把狗变成黄色的金毛""把猫身上的衣服改成粉色"，它就只动你框的那块，其他地方不变。
• 擦除： 画面里有个多余的小元素（比如球上面趴了只你不想要的小猫），直接用擦除把它涂掉，发给它，它就帮你抹平。

这套"先生大图、再局部微调"的思路，比"不满意就重生"高效太多。我现在 80% 的修图都是靠局部重绘和擦除解决的，整张重生反而是最后的下策。

（六）建一个属于自己的"底图库"

讲到这里，我得把"底图"这件事单独拎出来再展开一次，因为它是决定你长期产出效率的隐形地基。

刚开始做的时候，我手里底图很少，每次生图都得现找参考，效率很低，画风也飘。后来我养成一个习惯：凡是生成效果好的图，不管这次用没用上，我都存进一个专门的相册当底图。 时间一长，这个库越攒越厚，再生新图时直接从库里挑一张对路的当风格锚点，又快又稳。

底图库怎么分类，我也摸出了一点门道。最实用的分法是按"画面里有什么主体"来归类：

这里有个反直觉的经验：你想生什么主体，底图里最好就带什么主体。 比如你要画人物，结果喂的是一张只有动物的底图，模型大概率会反复跑偏、怎么生都不对。这种时候不是你提示词写得不好，而是底图选错了。换一张内层带人物的底图喂进去，往往一下就顺了。

所以我现在遇到"怎么生都不像"的情况，第一反应不是改提示词，而是先回头检查：底图选对了吗？底图本身质量够好吗？ 这个排查顺序，能帮你省掉大量无效尝试。

（七）关于多主体和画面里的文字

再补两个进阶场景，新手早晚会碰到。

一个是多主体画面（比如一张图里既有人又有宠物）。这类画面是 AI 生图公认的难点，容易出现脸崩、主体混淆。我的应对是两条：一是优先用一致性更强的版本去压（必要时上 4.5）；二是别指望一次到位，先生出大致构图，再用局部重绘一个一个主体去修。

另一个是画面里要带文字。新一代模型在文字渲染上进步很大，不光大标题清楚，连背景里的小字也能做到基本可辨认。如果你的画面需要带一句文案，可以直接在提示词里把文字内容、位置说清楚，让它一步到位地把文字也画进去，省得后期再单独加。不过文字这块仍然不是 100% 稳，生出来记得检查有没有错字、变形，不对就局部重绘那一块。

四、让静止的画"动起来"：抠图 + 入场动画

图生好了，下一步就是让画面"活"过来。很多人觉得"让人物动起来"特别高级，其实拆开看，核心就两步：把主体抠出来，再给它加一个入场动画。 下面拆开讲。

（一）第一步：把主体从画面里抠出来

我用的是醒图的智能抠图。流程很顺：

1. 打开醒图，导入你刚生成好的那张图。
2. 找到并点击"智能抠图"，它会自动识别画面主体，用边框把它框出来。
3. 自动识别难免有多框或少框的地方。多框了，用橡皮擦把不要的部分擦掉；少抠了，可以用画笔补回来。我的经验是多擦几遍、耐心一点，边缘会干净很多。
4. 如果边缘还残留一点点杂边，可以再用消除笔收拾一下（消除笔不是每种边缘都好使，实在收不干净就先放着，问题不大）。
5. 抠干净后导出，这时候你就得到了一张只有主体、背景透明的图。

新手提示：智能抠图的原理，是 AI 自动判断"哪块是主体、哪块是背景"，然后把背景做成透明。主体和背景颜色差别越大，它抠得越准；颜色相近时容易抠不干净，这时候就得靠橡皮擦和画笔手动收边。

这里把"橡皮擦"和"消除笔"的分工讲清楚，新手常把它俩搞混。橡皮擦是在抠图这一步用的，作用是把 AI 多框进来的、你不想要的部分擦掉——比如它把主体旁边一小块背景也算进去了，你用橡皮擦顺着边缘擦一圈，把多余的擦干净。消除笔则是用来抹掉画面里某个独立元素的，比如背景里有个碍眼的小物件，用消除笔涂一下，它会智能填补、让那块看起来像本来就没东西一样。一个管"边缘收口"，一个管"抹掉东西"，场景不一样。

实操里我的顺序是：先智能抠图出大形，再用橡皮擦多擦几遍把边缘收干净（耐心点，宁可多擦两遍），最后如果还有零星杂边，才动消除笔。消除笔不是万能的，有些边缘它收不利索，遇到这种就别死磕——要么退回去用橡皮擦再修，要么干脆回到生图那步，换一张主体更突出、和背景对比更明显的图重新生，往往比在抠图这步硬抠更省事。

（二）第二步：把原图里的主体"擦掉"，做出配套的背景图

这一步特别容易被忽略，但少了它，动画就穿帮。

道理是这样的：你已经把主体单独抠成一张透明图了。可如果背景图里还留着那个主体，等会儿主体"飞"进画面时，背景里那个就成了重影。所以你要回到即梦，用擦除功能把原图里的主体擦掉，得到一张"只有背景、没有主体"的干净图。

这么一来，你手上就有了配套的两张图：

• 图 A：只有背景（主体被擦掉了）。
• 图 B：只有主体（背景透明，抠出来的）。

这两张图就是做动画的原料。

（三）第三步：在剪映里用画中画 + 入场动画

有了上面两张图，进剪映组装：

1. 把**背景图（图 A）**放主轨道。
2. 把**抠出来的主体（图 B）**放到画中画轨道（手机版操作：选中主体素材，往左滑工具栏找到"切画中画"，它就切到副轨；然后把副轨拖到背景上方对齐）。
3. 调整主体的大小和位置，放到你想让它出现的地方。
4. 选中主体，点"动画"，挑一个入场动画。我用得比较多的是"向右滑动"这类，效果是主体从一侧滑进画面，干脆利落。除了入场动画，还有组合动画可以选，按你想要的感觉来。

播放一下，你就会看到：背景是静止的，主体"唰"地一下滑进来——那种"人物/动物突然出现"的效果，就是这么来的。

关于入场动画，我再多给点选型上的体感。剪映里能选的动画分好几类，常用的有这么几种思路：

• 入场动画：素材"进画面"的方式，比如向左/向右滑动、放大、淡入。做"突然出现"的效果，这一类最常用。
• 出场动画：素材"离开画面"的方式，需要主体退场时用。
• 组合动画：进场 + 停留 + 出场打包好的成品动画，想要更花哨的运动感时直接套，省事。

挑哪个没有标准答案，关键是跟你画面的情绪对上。比如表现"猛地冲过来"，用滑动类、速度快的；表现"慢慢飘进来"，就用淡入或缩放类。我一般会把同一个素材套两三种动画各预览一遍，挑最顺眼的那个。

还有个容易被忽略的点是动画时长。动画太快，观众还没反应过来就结束了；太慢，又显得拖沓。我的习惯是把动画时长和主体入场的那个音效卡在一起——音效"砰"的那一下，正好是动画完成的瞬间，视听同步，冲击力最足。要更精细地控制主体的运动轨迹（比如让它从画面外一路移动到中间某个点），还可以用关键帧：在起点打一个关键帧、终点打一个关键帧，剪映会自动把中间的运动补出来。关键帧这套刚上手会觉得绕，但它是让画面"动得自然"的关键手段，值得花点时间练熟。

（四）加点画面特效和音效，质感立刻上来

光是滑进来还有点素，配上特效和音效会精神很多：

• 画面特效： 在剪映里点主轨道 → 往右滑找到"画面特效" → 进"综艺"分类，里面有"冲刺"之类的效果（就是那种快速的条纹冲击感），加上去配合主体入场，冲击力一下就有了。
• 音效： 主体进场的那一下配一个音效，"动起来"的感觉会强很多。文字模板、贴纸这些按需加。

到这儿，"让画面动起来"就讲完了。再强调一遍那个核心：抠出主体 + 擦掉原图主体 = 两张配套图，叠在一起加个入场动画，就是全部秘密。

（五）一个常见翻车点：特效到底加在哪条轨道

我自己踩过这个坑，专门拎出来说。

加"冲刺"这类画面特效时，如果你是在选中某条轨道的状态下加的，特效可能只作用在那一条轨道上。结果就出现一个尴尬画面：背景在抖、在冲刺，可你那个画中画的主体却纹丝不动，看着特别割裂。

解决办法是