保姆级教程：用Image2 + Seedance2.0 做长视频，以品牌广告为例
来源：掘金 | 字数：约 4500 字 | 领域：AI 视频制作
核心观点
-
AI 长视频的核心瓶颈是 15 秒上限 + 一致性问题：所有主流 AI 视频工具（Seedance、Kling、Hailuo）单次最多生成 15 秒，拼接时人脸漂移、动作跳帧、前后场景对不上；更深层问题是每段单独出图导致人物长相、光线、风格全不统一——来源：实战案例（Laura Geller 口红广告 115 秒成片）
-
资产前置是一致性问题的根本解法：人物设定（三视图+多表情+服装细节图）、场景设定（空景+全/中/近三景别+360°环视视频）、产品设定（正面/侧面/45度/使用状态/logo特写）、音色设定（旁白与对白分开+30秒样本存档）四类资产必须在生成视频前全部备好，模型在不同段之间容易漂移，有参考图才能锁住
-
分镜生视频有三种方式，按镜头类型选：方式一纯提示词（适合独立开场镜头）、方式二分镜模式/Storyboard（适合多镜头快切、产品展示）、方式三尾帧衔接（适合剧情连续镜头）；尾帧衔接的关键坑：不能直接截尾帧做下一段首帧，需要先导入剪辑软件导出一次统一编码，再截尾帧，并删掉下一段开头 1-2 帧防卡顿
-
提示词结构必须包含禁止项：主体+行为+景别+运镜+风格约束+禁止项，禁止项如「禁止迁移参考图的画面风格」防止模型乱引用参考图整体风格
-
旁白必须整段一次生成，不能按镜头拆分：拆段生成会导致语速、情绪、语气前后不一致；正确操作是完整文案一次性生成，再到剪辑软件按画面时长逐句对准时间点——剪音频对画面，不是剪画面对音频
-
音频三类（旁白/环境音/背景音乐）分开处理，混音层级明确：旁白 > 对白 > 环境音 > 背景音乐；环境音优先在生成视频时同步生成（模型对当前画面声音判断更准）；背景音乐压到最低只做氛围托底
实操内容保留
镜头六要素清单
每个镜头必须标清：
- 景别（全/中/近/特写）
- 主体行为
- 运镜方式（固定/推进/拉远/跟拍）
- 情绪氛围
- 预计时长
- 有没有人物说话（决定音频处理方式）
镜头时长标准
- 特写或静态镜头：5 秒
- 有人物动作的中景：5-10 秒
- 需要完整交代信息：10-15 秒
- 原则：能拆就拆，时长越短利用率越高，切镜头比强行拉长更自然
转场选择逻辑
| 场景 | 转场方式 |
|---|---|
| 同场景、景别接近 | 硬切 |
| 跨场景 | 叠化（0.5 秒以内） |
| 情绪转折 | 闪白/闪黑 |
| 两段明显拼不上 | 补生成 2-3 秒过渡镜头 |
剪辑顺序
按分镜顺序拼素材 → 逐个检查衔接点处理卡顿、穿帮、色差 → 加字幕 → 最后配音频（不要提前配音，剪辑过程中时长会变）
资产设定清单
人物设定：
- 全身三视图（正面/侧面/背面）
- 正面半身版（给近景镜头用）
- 表情至少 3 种（自然闭嘴/微笑/专注皱眉）
- 服装和配饰单独出细节图
场景设定：
- 无人空景，固定光线和色调
- 每个场景三张：全景/中景/近景
- 进阶：360°场景环视视频，生成人物镜头时附上并在提示词里写明站位
产品设定：
- 正面图（包装完整无遮挡）
- 侧面图（看清色柱或材质）
- 45度斜侧图（最常用）
- 产品被拿起或使用中的状态图
- logo和品牌字体特写
音色设定：
- 旁白音色和人物对白音色分开定
- 30秒样本试听确认
- 存档音色ID，全片统一
关键概念
- Seedance 2.0：视频生成模型，本文用其图生视频功能，单次最长 15 秒
- GPT Image 2：图像生成工具，用于生成人物/场景/产品参考图
- ElevenLabs：语音合成工具，用于音色设计
- MiniMax：语音合成工具，可用于音色设计
- 豆包：图像生成工具，性价比高，适合低成本大量试错
- 分镜模式（Storyboard）：一个提示词描述多个画面，一次生成六宫格或九宫格关键帧
- 尾帧衔接：生成上一段 → 导出统一编码 → 截尾帧 → 用尾帧+新提示词生成下一段
与其他素材的关联
- 与 2026-04-29-deepseek-ai-video-tutorial 同属 AI 视频制作领域，但本文聚焦长视频拼接方法论，前者聚焦基础教程
- 与 2026-06-13-ai-children-clothing-video-skill 同属 AI 视频应用，前者聚焦童装行业，本文聚焦品牌广告
- 与 Seedance 2.0 实体页中的全剧本理解能力互补——Seedance 在短剧场景有全剧本理解能力，在广告场景则需要手动管理一致性
原文精彩摘录
“很多人开始用 AI 做长视频，基本都卡在同一个地方：单次最多生成 15 秒。想做完整广告只能拼，一拼就出问题：人脸漂移，动作跳帧，前后场景对不上。换工具没用，从 Seedance 换到 Kling 换到 Hailuo，结果一样，15 秒已经是AI生成视频的上限，只能少不能多。“——这段话精准概括了当前 AI 视频生成的核心技术瓶颈，说明问题不在工具选择而在方法论。
“不能直接截尾帧就拿去做下一段的首帧，衔接处会有明显色差和跳变。所以需要把上一段导入剪映、PR等导出一次，用导出后的尾帧做下一段首帧，再拼接时删掉下一段开头 1-2 帧防止卡顿。“——这是尾帧衔接的核心踩坑经验，看似简单但大多数人都会犯的错误。
“旁白必须整段一次生成，不能按镜头拆成一句一句。拆段生成会导致语速、情绪、语气前后不一致，拼起来接缝明显。正确操作是选好音色后，完整文案一次性生成，再到剪辑软件里按画面时长逐句对准时间点。注意是剪音频对画面，不是剪画面对音频，画面时长不能动。“——这条音频处理原则对所有 AI 长视频制作都适用。