Seedance 2.0提示词写成一张派活单，废片率才降得下来

摘要：同一个模型、同样的设置，出片差别几乎全在提示词的体裁上——它该是一张派活单，不是一段描述文。文字负责语义，素材负责标准，每个引用必须写明参考它的哪一部分，一条片段只给一个主运镜，超过八秒改写成时间轴。这篇把五段结构、十二个参考位的分工、画面内文字的三种技法、六种最常见的废片成因全部拆开，并且把网上流传的那个成本数字改正过来——按官方口径，它不是一元十五秒，而是接近一元一秒。

先看两条提示词的差别，十秒钟就能看出这篇要讲什么。

第一条是大多数人第一天会写的：一位美女走在夜晚的城市街道上，电影感，超高清，史诗级运镜，杰作。出来的是素材库画面——一个谁都像的女人，走在哪儿都像的街上，镜头在推和摇之间来回犹豫，两头不靠。因为没提声音，模型还自作主张配了一段背景音乐。

第二条换了个写法：三十多岁女性，深色头发，炭灰色羊毛大衣，走过雨后湿亮的橱窗，停步，在冷空气里呼出白气；雨后夜街，霓虹倒映在湿沥青上；运镜用四十五度角缓慢推镜，止于中近景；音频要小雨声、远处车流、店内隐约的爵士乐，不要配乐。

出来的就是分镜里画的那个镜头。具体的人，带物理后果的动作，一个有明确终点的运镜，一套自己点的声场。模型没变，设置没变，钱也差不多——差别全在提示词里。

这篇要立的总纲只有一句：Seedance 2.0的提示词是一张派活单，不是一篇描述文。文字管语义，也就是谁在做什么；素材管标准，也就是长什么样、怎么动。见过的废片里，九成的根源是这两个职责搞混了，而不是形容词写少了。

它到底特殊在哪，值得为它单学一套写法吗？

市面上的视频模型不少，为什么这一个的提示词要单独学？因为它有三个结构性特征，直接决定了写法不一样。

第一，音频和画面是一次前向生成出来的，不是先出画面再配音。这意味着声音不是后期装饰，而是和画面同一层的可控对象——你点名要什么声音，模型在生成画面的同时就在对齐它。反过来也成立：你不点名，它就替你点。绝大多数第一次用它的人踩的第一个坑就在这儿。

第二，参考素材的通道又多又杂。九张图、三段视频、三段音频，各自能承担完全不同的职责。别的模型里参考图基本只有一种用法，这里的图片可以是角色标准、可以是场景锚点、可以是精确的标识造型，而视频和音频负责的是时间维度上的东西。通道一多，分工就成了必修课。

第三，它偏听话，而不是偏发挥。这条最影响写作习惯。有些模型你给模糊指令能收获惊喜，它不会——模糊指令换来的是字面意义上的平庸：一个平均的人，走在一条平均的街上。它的上限很高，但要靠你把话说具体才够得着。

把这三条合起来看，结论就是本文的总纲：写它的提示词，靠的不是文采，是分工意识。哪些交给文字，哪些交给素材，哪些必须点名，哪些必须留白，想清楚这四件事，出片率就能翻上去。

五段结构该怎么排，每段写多少？

官方给的基础公式是主体加运动加环境加运镜加美学加音频，运动之后的部分全部标注为非必须。公式本身没错，但它长得像一张购物清单，很多人的第一反应就是每一栏都塞满。

更好用的是带预算的版本，可以直接抄：

• 主体：谁或者什么，一到两个具体特征，到此为止。
• 动作：一条主动词链，必须写出物理后果。
• 场景：地点加光线，一句话。
• 运镜：只写一个主运镜，可以补一个终点状态。
• 风格与音频：视觉基调，加上点名具体的声音；不要配乐就明写不要配乐。

三条官方文档里没写、但决定成败的规则

规则一，全文控制在六十到一百词。指令遵循度按位置急剧衰减：排在前面的两三条几乎每次都执行，写满八条通常随机命中四五条。所以排查废片的第一步不是加要求，而是砍要求——先砍到一百词以内再谈别的，一半的问题砍完就消失了。

这条规则的另一面是排序变得极其重要。既然后面的会被稀释，那就把不可妥协的那一条放最前面。想要角色一致，主体特征前置；想要那个运镜，运镜前置。词数预算逼你做取舍，而取舍本身就是导演的活。

规则二，动词比形容词值钱。惊艳、电影感、绝美的舞者，给模型的可动画信息是零；舞者骤然下沉旋转、裙摆展开、随即利落起身，给的是一段带物理后果的动作序列。同理，落叶飘散只能落到屏保上，落叶在每次踏地时四散才能落到具体运动上。

规则三，一条片段只给一个主运镜。它对专业运镜词汇的理解确实好——推镜、摇镜、环绕、跟拍、变焦、一镜到底，中文直接写就行。但它不会仲裁同一片段里的两条运镜指令：固定镜头和环绕主体写在一起，出来的是抖动、漂移，或者两头不靠的折中。要两个运镜就拆两个镜头，用切镜显式标记。

音频那一行最容易被跳过。音视频在同一次生成里一起产出是这个模型的招牌能力，所以音频栏空着买到的不是安静，是一段你没点的配乐。在这个模型里，安静是一条指令，不是留白。

运镜这一栏，用行话比用形容词准

它对专业运镜词汇的理解，是整个模型里最靠谱的部分之一，而且中文直接写就行，不用翻译成英文。既然如此，就别再写动感镜头、大气运镜这类形容词了，直接点名。

• 推镜与拉镜：镜头沿着视线方向靠近或远离主体，适合把注意力收到产品细节上。
• 摇镜与移镜：机位不动只转方向，或者机位平移，适合展示环境和陈列。
• 环绕：绕着主体转，适合让一个静止的物体显出体积感，是产品视频里最常用的一个。
• 跟拍：镜头跟着运动主体走，适合开箱、使用过程这类有连续动作的内容。
• 一镜到底：明确要求全程不切镜，配合视频参考效果更好。

补一个终点状态会让结果更稳，比如缓慢推镜、止于中近景。给运镜一个终点，等于给了模型一个可判断的完成条件；不给终点，它就得自己猜什么时候停。

文字管什么，素材管什么？

这是整套方法里最值钱的一条分工，也是最容易被忽略的一条。

按火山方舟视频生成文档的口径，单次生成最多接受十二个参考文件：九张图、三段视频、三段音频，视频和音频各自的总时长不超过十五秒，在提示词里用引用符号点名。这个量级在同期竞品里没有对手——有的只收一张参考图，有的支持三到四张，而音频参考这一路，公开支持的基本只有它一家。

分工原则只有一句

文字管空间性的决定，素材管时间性和身份性的决定。

画面里有什么、光从哪来、要什么氛围，文字完全够用；但一个运镜的确切缓动、一段动作的节奏、一张脸跨角度的一致性，文字只能逼近，素材本身就是答案。用文字描述一个变焦，得到的是像那么回事的变焦；扔一段参考片进去，得到的是那个变焦。

每个引用必须派明确的活

社区里最高频的翻车是裸引用：写一句参考某段视频，然后就没了。参考它的什么？运镜？动作？调色？不派活的引用会让模型全盘照抄——你只想要那段编舞，结果它的光线、构图、节奏一起污染进你的镜头。

派活单要单独写一块，把每个引用的用途一条一句写清楚：这张图只管角色形象且所有镜头保持一致，这段视频只参考运镜，这段音频只做背景节奏并按节拍切镜。引用的价值不在于你放了几个，而在于每一个都被限定了作用域。

参考强度停在七到八成

默认值七成半选得很准。拉到九成以上，角色会变成纸板人——技术上忠实于参考图，但姿态和光照失去了自然适应能力；低于六成，身份开始漂移，同一个人在第二个镜头里就换了张脸。

保险起见全拉满，是引用系统里的形容词堆砌，塌法一模一样。

参考素材本身的质量，比调强度重要得多

很多人把时间花在调强度上，却没意识到一个更基础的问题：喂进去的素材本身就不合格。

角色组图最常见的毛病是角度太单一。全是正面照，模型在需要侧脸的镜头里就只能猜，一猜就漂。合格的角色组图至少要覆盖正面、四十五度侧、正侧，最好再加一张半身带服装细节的。

运镜参考片最常见的毛病是太长太杂。你只想要那个推镜的缓动，却扔了一段十五秒、中间还切了两次的片子进去，模型不知道该学哪一段。参考片要裁到只剩你想要的那个动作，越干净越好。

音频参考的毛病则是节奏不明确。想让它按节拍切镜，就得给一段节拍清楚的音频；给一段氛围铺底的环境声，模型找不到可以对齐的点，切镜就会随缘。

画面内文字怎么写才不出外星文？

生成视频里的可读文字一直是全行业的公开短板——招牌、屏幕、标题在大多数模型上都是外星文。这一块是它少见的强项，三种技法按可靠度从高到低排。

字幕最稳，因为同步是真同步

写法是指明字幕出现的位置、字幕内容，并要求与音频节奏完全同步。因为音视频是一次生成的，这个同步不是后期贴上去的，而是生成时就对齐的。

官方文档没明说但很关键的一条：每句台词要短。长独白会漂移出口型，解法是把长台词拆到多个切镜里，一个镜头一句话。

标题和口号有公式，公式里每一项都承重

公式是文字内容加出现时机加出现位置加出现方式加文字特征。漏写时机，文字可能全程杵在画面里；漏写位置，落点随缘；漏写方式，淡入淡出还是打字机效果全看运气。

但如果品牌要的是精确的标识造型，而不是风格差不多的字，别用提示词生成，把标识作为图片引用喂进去。这条对做品牌的独立站尤其重要——一个字形不对的标识，比没有标识更伤。

气泡台词好玩，但方差大

做漫画感内容很出效果，写法是让角色说话时周围出现气泡、气泡里写着台词。缺点是气泡位置和样式的随机性偏高，同一条提示词跑三遍可能三个样。

画面内文字这件事，对出海内容意味着什么

这个能力值不值得单独在意，取决于你做的是什么内容。对纯氛围片，画面里有没有字无所谓；对电商内容，它经常是决定性的。

促销价、限时标语、产品名、卖点短句，这些东西本来就要出现在画面上。以前的做法是生成一条干净的片子，再回到剪辑软件里贴字。这条路能走通，但有两个代价：一是贴上去的字永远像贴上去的，不会跟着光影和景深走；二是每换一个语言市场就要重新排版一次。

模型直接生成的字，融进画面的程度是后期贴不出来的。但它的可靠度还没到可以闭眼用的程度，所以现实的分工是：需要精确的信息用后期贴，需要氛围感的文字交给生成。价格和法务免责声明这种一个字都不能错的，老老实实后期做。

三种技法共用两条铁律：只用常用字，不用生僻字和特殊符号；提示词的语言必须和目标文字的语言一致。中文提示词里要求生成英文字幕，或者反过来，乱码率会明显上升。这一条对中文用户最阴险，因为中英混写在语义层面大体能用，让人误以为没问题。

超过八秒的片段，为什么必须写成时间轴？

这是所有技巧里投入产出比最高的一个，也是最容易被跳过的一个。

一整段散文描述十五秒的剧情，等于把节奏的决定权还给了模型。它会自己决定哪一秒发生什么，而它的决定通常是把所有元素平铺在整段里。

改成时间轴，交出去的就是一张镜头表：一到五秒光影透过百叶窗滑过桌面、杯口升起热气；六到十秒镜头缓缓推近、店员放下杯碟；十一到十五秒画面中部渐显品牌名。

官方的建议是超过八秒就分秒段写。实践下来，长片段成功率的提升里，这一个习惯的贡献超过其他所有调整加起来。原因也不神秘：时间轴把一个开放式创作题，改成了一道填空题。

时间轴该切多细，每段写什么

切得太细会变成逐帧指挥，模型反而僵；切得太粗又回到散文。四到五秒一段是比较顺手的粒度，一段里只放一件主要的事。

每一段的内容建议按同一个顺序写：这段里画面主体在干什么、镜头怎么动、有没有文字或声音要在这一段出现。三项写全，段与段之间的衔接就有了依据。

还有一个细节容易漏：时间轴的段落之间要写出因果或延续，别写成三个不相干的镜头。比如第二段写镜头缓缓推近，第三段就该承接这个近景往下走，而不是突然切到全景。写清楚承接关系，模型才知道这是一条连续镜头而不是三个片段的拼贴。

这套写法也能直接推广到视频延长和轨道补齐上。凡是内容超过八秒的场景，无论是新生成还是改现成的，都按时间轴组织，成功率会稳定得多。

视频参考和编辑能干到什么程度？

官方指南里关于视频参考和视频编辑的两节，是真正的护城河，也恰恰是大多数人嫌太高级而跳过的部分。这两块能力加起来，它就不只是一个文生视频工具，而更接近一台用提示词驱动的剪辑台。

• 动作参考：把参考片里的表演移植给你的角色，比如让参考视频里那位主唱换成你图片里的人物，动作完全模仿。
• 运镜参考：整段偷走一个镜头运动，配合一镜到底这类词汇，能拿到纯文字写不出来的镜头。
• 特效参考：把参考片的转场和粒子效果复刻到新内容上，还能指定粒子变密、逐渐过渡到第二段。
• 元素增删改：用提示词改现成视频，换发色、在人物身后加一个物体、甚至中途翻转剧情情绪。
• 视频延长：向前或向后延长已有片段，超过八秒同样要分秒段写。
• 轨道补齐：把两三段独立素材缝成连续序列，让第一段的元素逐渐具象化再过渡到第二段。

对做电商内容的人来说，最实用的是元素增删改和轨道补齐这两项。前者意味着一条拍好的主视频可以派生出多个版本——换个季节色调、换个手持产品，不用重拍；后者意味着零散的素材片段可以被缝成一条有叙事的短片，而不是硬切。

为什么这一块的性价比被严重低估

把这些能力放到内容生产的账上算一遍，结论会有点反直觉。

从零生成一条新片，每一次都是完整成本，而且成功率不高——你在跟随机性对赌。基于一条已经过关的片子做编辑，成本更低，成功率高得多，因为大部分变量已经被锁死了。

换句话说，第一条过关的镜头不是产出，是资产。它锁定了角色、色板、光线、镜头语言，后面所有片子都可以站在它肩膀上。想明白这一点，工作流的重心就会从多生成几条，转向把第一条打磨好。

做多语言市场的团队还有一个额外杠杆：同一条主片，配不同语言的字幕和口播，用编辑模式派生。视觉资产复用，语言层单独换，比每个市场各拍一条便宜太多，也更容易保持品牌一致。

六种最常见的废片，分别是怎么来的？

上面每一招都有对应的塌法。这六种基本覆盖了社区里被解剖过的绝大多数废片，把官方指南逆向成技能文件的那个开源项目也印证了其中大部分。

指令过载为什么是六种里最该先治的

六种翻车里，指令过载排第一不是随便排的。它是唯一一个会让其他五种诊断全部失效的模式。

想象一条写满八项要求的提示词出了问题。你不知道是运镜叠加导致的，还是引用没派活导致的，还是纯粹因为第七条根本没被执行。要求越多，因果链越糊，你越没法定位。

所以排查顺序应该固定：先砍到一百词以内，跑一遍看还塌不塌；塌，再逐条往回加，加到哪一条出问题就是哪一条的锅。这个笨办法比凭感觉调快得多，通常三四轮就能定位。

它还有一个副作用值得提：砍完之后你会发现，有相当一部分要求其实根本不重要，是写的时候顺手加上去的。提示词和落地页文案一样，删掉之后没人想念的东西，本来就不该在那儿。

最后一条的后半句是合规约束，不是质量问题。清晰可辨识的真人面部素材会被直接拦截，所以角色管线从第一天就该按生成图或插画参考来设计，别做到一半才发现被拦。这一点在电商场景里格外要紧——很多团队的第一反应就是拿模特实拍照当参考图，然后卡在门口。

一条十五秒的视频到底多少钱？

这一节要专门纠一个流传很广的数字，因为它会直接影响你的排期和预算。

网上大量二手内容写的是一条十五秒视频约一元人民币。这个说法把量级搞错了十几倍。

按公布的API定价，Seedance 2.0是按词元计费的：不含视频输入的纯生成约四十六元每百万词元，含视频输入的编辑模式约二十八元每百万词元。而一条十五秒、七百二十线、每秒二十四帧的标准视频，大约消耗三十点九万词元。

把这两个数字一乘就清楚了：纯生成约十四元，编辑模式约八点七元。折算下来是接近一元一秒，不是一元十五秒。

顺手说一个可以自查的信号：那类把成本写成一元十五秒的文章，往往在同一节里又提到海外渠道按每秒零点几美元计价，两个数字放在一起差了七十多倍。同一篇文章里两个成本口径互相矛盾却没人发现，说明作者没真正跑过账。看到这种情况，两个数字都别信，回官方定价页自己算。

想省钱有两条正路

第一条是用编辑模式。含视频输入的单价接近纯生成的六折，而在实际工作流里，越到后期越多的镜头其实是在改已有片段，而不是从零生成。把管线设计成先出一条锚点镜头、后续都基于它改，成本结构会明显不一样。

第二条是用轻量档。2026年6月16日上线的mini版本把生成成本降了约五成，支持四百八十线和七百二十线两种规格，时长四到十五秒，同样是每秒二十四帧。练提示词、试分镜、跑批量方案的时候用它，定稿再上完整版，是很划算的分工。

这个价格结构也正是单变量迭代那套工作流成立的前提：练一晚上提示词的钱，和一次正经外拍的成本比，完全不是一个量级。但请注意，它便宜的是每一次尝试，不是便宜到可以霰弹枪式乱试——时间才是真正的稀缺项。

做预算时按什么口径算

按条数估预算基本一定会错，因为每条的成本随时长和模式浮动。稳妥的做法是按秒和模式来估。

拿一个具体场景走一遍：一个季度要出三十条产品短视频，每条十五秒。如果全部从零生成，光生成成本就是三十乘以十四元，四百二十元出头。如果按锚点镜头的打法，第一条从零生成，剩下二十九条走编辑模式，成本降到十四加上二十九乘以八点七，约二百六十七元，省下三成半。

再把练手成本算进去。定稿之前的试错如果全用完整版跑，很容易比正片本身还贵；改用轻量档试分镜、定稿才上完整版，这一块能再省一半。真正拉开成本差距的不是单价，是你把哪一步放在哪个档位上跑。

另外提醒一句：这些单价是随时会调的，尤其是新模型上线前后。做季度预算时按当前公布价乘以一点二留个余量，比按最优价精算靠谱。

独立站要拍产品视频，这套怎么落地？

单个技法只是招式，串成管线才有复利。下面这条流程是做多镜头内容时的固定打法。

1. 先写分镜脚本，把故事拆成镜头，每个镜头不超过十五秒。
2. 准备参考素材包：角色的多视角组图，加上运镜和音频的参考片段。
3. 先生成锚点镜头——把角色、基调、色板全部锁定的那一个镜头。
4. 其余镜头把锚点的产出当作视频引用，靠它保证跨镜头一致性。
5. 不过关就回到上一步，每轮只改一个变量。
6. 过关之后用视频延长和轨道补齐缝起来，最后在剪辑软件里完成标题和调色。

三个判断，按省下的痛苦排序

先生成锚点镜头，再把它喂回去。跨镜头的角色一致性是这个模型的招牌，但它不是自动的——是靠把最成功的那一条变成后续所有镜头的参考挣来的。角色、服装、色板全部到位的那一条，从此作为引用随行，模型会把它当作事实标准。

每轮迭代只改一个变量。镜头不对，本能是重写整条提示词，忍住。只动运镜，或只动动作，或只动参考强度，重新生成后对比。单变量的纪律通常三四轮就收敛，霰弹枪式重写能晃十轮还找不着北。

参考素材包要在动手之前就做好。多视角角色组图是整条管线里杠杆最高的资产，而它是个生图问题，不是生视频问题。想零成本本地出图，在Mac上用本地模型批量出多视角组图那套管线完全够用，素材还不出本机。

落到具体场景，哪些活值得做

保哥去年帮一个做美妆的独立站排过一轮视频素材，最后留下来的判断是：不要一上来就想拍品牌片，先解决那些每个月都要重做一遍的活。

把它接进现有的内容排期，而不是另开一摊

最容易失败的落地方式，是把它当成一个新玩具单独立项，配一个人专门研究，三个月后不了了之。

更稳的做法是挂在已有的排期上。你本来每个月就要更新一批产品页，那就在这批页面的工作里加一条：哪几个页面缺一段十五秒的细节展示。素材需求从页面来，而不是从工具来，产出就有去处。

分工上也别把提示词写作当成一个新岗位。写分镜和写页面文案是同一种能力——都是先想清楚给谁看、要他记住什么，再决定放什么。已有的内容岗接过去，比新招一个懂模型的人更快上手。

验收标准提前定好，能省掉大量扯皮。三条就够：角色和产品在所有镜头里是不是同一个；有没有出现看不懂的画面内文字；十五秒里有没有一个明确的信息点。三条全过才算能上线，任何一条不过就回到单变量迭代里改。

生成出来只是开头。视频真正要被搜到、被引用，还得看落地页那一层的结构化标记和正文承载，这块和AI搜索时代视频收录规则的变化是同一件事的两头。另外，同一批素材里静态的那部分怎么复用，原创配图对自然流量的实际影响那篇里有测过的数据可以参考。

换个模型，这套写法还带得走吗？

同时用几个模型干活的人越来越多，按现在的价差，大概率你也该这么干。规律可以压成一句话：语法可迁移，控制词汇迁移不了。

反方向的坑同样存在，而且更隐蔽。从奖励超详细提示词的模型那边过来的人，最大的负资产是越写越细——位置衰减会惩罚这个习惯，写到第八条基本等于没写。反过来，习惯了让模型自由发挥的人会发现这边更听话，模糊的指令换来的不是惊喜，是字面意义上的平庸。

换模型的时候，第一件该做的事不是重写提示词，是重估你的提示词里有多少是方言。把方言那部分单独拎出来，剩下的通用语法通常能原样带走七八成，这比从零学一套快得多。

还有一条路和生成式完全不同：用代码逐帧生成视频那套做法。它凭想象出不了片，但胜在精确可批量、能套模板。判断标准很简单——数据动画、榜单、价格变化这类需要每一帧都对得上的内容选程序式；氛围片、场景片、需要真实质感的内容选生成式。两条路不是竞争关系，做内容量大的团队通常两边都要留。

一份可以直接抄走的检查表

把全文压成动手前过一遍的清单，分三段：写之前、写完之后、出片之后。

写之前先确认三件事

第一，这个镜头的完成标准是什么？说得出来才动手，说不出来先回去改分镜。第二，哪些信息必须用素材锁定，哪些用文字就够？分工没想清楚就写，写多长都白搭。第三，素材包齐了吗？角色组图覆盖了几个角度，运镜参考裁干净了没有。

写完之后逐条对照

• 全文有没有超过一百词，超了就砍，不可妥协的那条是不是在最前面。
• 动作那一栏有没有物理后果，还是只有形容词。
• 运镜是不是只有一个，有没有给终点状态。
• 音频有没有点名，不要配乐有没有明写。
• 每个引用有没有派活，写没写清楚参考它的哪一部分。
• 参考强度是不是停在七到八成。
• 整条提示词是不是同一种语言，和目标画面文字对得上。
• 内容超过八秒的，有没有改写成时间轴。

出片之后按这个顺序排查

不要一看不对就重写。按下面的顺序找，通常两三轮就定位。

先看词数——砍到一百词以内重跑一次，一半问题在这一步消失。还不对，就看引用有没有派活，把裸引用补上用途。再不对，检查是不是两个运镜打了架。都排除了，才去动参考强度和素材本身。

整个过程只有一条纪律：每轮只改一个变量。改两个以上，你就永远不知道是哪一个起了作用，下次遇到同样的问题还得从头猜一遍。

常见问题解答

提示词到底该写多长，越详细越好吗？

不是。控制在六十到一百词，因为指令遵循度按位置急剧衰减，前两三条几乎必被执行，写满八条通常只随机命中四五条。排查废片的第一步应该是砍要求而不是加要求。词数预算逼你把不可妥协的那一条放最前面，而这个取舍本身就是导演该做的事。

为什么我没要求配乐，出来的视频却自带背景音乐？

因为音视频是在同一次生成里一起产出的，音频栏空着不等于安静，模型会自己补一段。想要没有音乐，必须在提示词里明确写出不要配乐，同时点名你要的环境音，比如雨声、车流、脚步。在这个模型里安静是一条指令，不是留白。

参考图放了却不起作用，角色还是换脸，问题出在哪？

大概率是两件事之一。一是裸引用，只写了参考某张图却没说参考它的什么，模型会全盘照抄或者随机取用；二是参考强度太低，低于六成身份就开始漂移。正确做法是给每个引用派明确的活，强度停在七到八成，并且先生成一条锚点镜头，后续镜头都引用它。

画面里的中文字总是乱码，有救吗？

有三条能明显降低乱码率。第一，整条提示词用中文写，别中英混写，提示词语言要和目标文字语言一致。第二，只用常用字，避开生僻字和特殊符号。第三，字幕写法比标题写法稳，标题要按内容、时机、位置、方式、特征这个公式写全。如果要的是精确的品牌标识造型，别用文字生成，把标识作为图片引用喂进去。

一条十五秒的视频到底多少钱，网上说一元是真的吗？

不是。按公布的API定价，纯生成约四十六元每百万词元，含视频输入的编辑模式约二十八元，而一条十五秒、七百二十线、每秒二十四帧的视频约消耗三十点九万词元，折算下来纯生成约十四元、编辑模式约八点七元，也就是接近一元一秒。网上那个一元十五秒的说法把量级搞错了十几倍，做预算时别照抄。

能不能直接用模特实拍照当角色参考图？

不能。清晰可辨识的真人面部素材会被直接拦截，这是合规约束不是质量问题。角色管线应该从第一天就按生成图或插画参考来设计。真要用真人出镜的口碑类视频，老老实实实拍，别指望在这条路上绕过去，否则做到一半才发现走不通，整个排期都要重来。

权威参考资料