AI生成视频总变形，多半不是模型不行，而是你在一句提示词里塞了太多同时发生的事：人物要转身、要挥手、镜头还要推近，模型每一帧都在重新猜画面，前后对不上就出现手指融化、脸忽大忽小、衣服纹理乱跳。处理顺序是先把动作砍到只剩一个，再给人物加稳定的外观锚点，最后才考虑运镜；十秒里只让一件事发生，成功率会明显高于堆满华丽词藻的长镜头。
先分清变形发生在哪一段
开头几帧就糊，通常是主体描述太虚，只写“一个美女在跳舞”，模型连脸和发型都没定住，后面自然越动越漂。中段开始崩，多半是动作幅度太大或速度太快，旋转、跳跃、双手交叉这类动作最容易把手指和关节算错。结尾变形，则常见于时长拉得太长，模型对前面的记忆变弱，衣服颜色、背景物件都会悄悄换掉。先定位是哪一段出问题，再改对应的那一句，不要整条提示词推倒重写。
提示词按四层写，别把动作写成流水账
第一层写主体锚点：年龄、发型、服装颜色和标志性配饰，写具体，比如“黑色短发、红色卫衣的女生”，生成过程中这几个特征就是它对人的记忆。第二层只写一个主动作，用慢速动词：缓缓抬头、慢慢向前走、轻轻挥手；避免“又跑又跳又回头”这种连环动作。第三层写场景和光线，保持简单，背景元素越少，越不容易凭空多出路人或变形家具。第四层写镜头：固定机位或缓慢推近二选一，不要同时要求环绕、俯冲和变焦。
可以直接套这个顺序：“主体（外观锚点）＋一个缓慢动作＋简单场景＋一种运镜”，例如“黑色短发、穿红色卫衣的女生，在公园小路上慢慢向前走，右手轻轻挥动，秋日午后自然光，镜头固定不动”。比起“电影级大片感、人物优雅地边走边回头微笑挥手、镜头环绕推进”，前者朴素，但每一帧都算得过来。
有参考图和首尾帧时，先锁人再谈动作
人物一致性要求高的片段，优先用图生视频：先选一张五官、服装都清楚的图作首帧，比纯文字描述稳得多。需要明确落点的镜头，比如人物最后要坐到椅子上，可以再补一张尾帧图，让模型只负责补中间过程。参考图本身有遮挡、侧脸或手部出镜时，变形往往从那里开始，换一张正脸、手不入镜的图，比反复抽卡更省时间。
这几类镜头，再好的提示词也容易翻车
双人近距离互动、手指特写、快速舞蹈、镜子里的倒影、带文字的招牌入镜，目前都属于高崩坏区。解决办法不是继续加词，而是拆镜头：双人戏拆成两个单人镜头再剪到一起，手部特写改成中景，招牌文字留到剪辑软件里后期叠加。把生成当作拍素材而不是一键成片，接受“一条十秒的素材只取中间四秒可用”，整体效率反而更高。同一条提示词连抽三次都是同一个地方变形，就说明问题在动作设计本身，换动作，别继续抽卡浪费额度。
