GPT-Image-2 分镜工作流:从静帧到视频提示词(2026)
单张主视觉正在输给分镜板。2026 年产出最稳定的那批 AI 视频——微短剧、产品故事广告、TikTok 和 Reels 上的角色系列——都是用 GPT-Image-2 分镜来规划的:4–6 格画面,在任何视频模型跑起来之前,就把故事、角色和镜头锁死。分镜比渲染结果便宜得多,也好改得多。
失败模式很熟悉。团队一格一格地生成分镜,到第三格主角就换了张脸,房间多出一扇窗。然后每格配一句”把它变成视频”,剪在一起根本不接。连贯性不是渲染问题——是提示词文档问题。
这篇指南讲的就是这份文档:能保持连贯的分镜板、让角色每格都一样的身份块、分镜到视频提示词的转换表,以及三个面向 Q4 故事内容的可复制模板。
先规划分镜板,锁死角色
分镜板是一套提示词系统,不是五张毫无关系的图。生成第一格之前先定四条规则:
- 一格一个节拍。 每格是一个故事节拍,对应视频提示词里的一个带时间的节拍(”她读信” → “0–2 秒:视线下移”)。一格里有两个动作,就拆开。
- 身份块只写一次。 脸型、发型、年龄、着装、一个辨识特征——两行描述,在第 1 格之前写好,然后逐字粘贴进每一格的提示词和每一条视频提示词。你的措辞不变,GPT-Image-2 就不变;换着说法写,脸就开始漂。
- 给场景起名字。 “厨房”不是场景。”小厨房,水槽上方一扇窗,暖色晚灯”才是。同一个场景描述,用在发生在那个房间的每一格里。
- 在分镜板上规划镜头。 给格子编号,在每格提示词里写明景别(第 1 格远景、第 2 格中景)。分镜的景别推进,就是成片的剪辑节奏。
为剪辑而设计:相邻格子的景别应该不同,成片才有节奏,而不是五张一样的中景。
分镜格的七个镜头要素
| 要素 | 每格要写什么 | 对 GPT-Image-2 有效的说法 |
|---|---|---|
| 主体 Subject | 身份块 + 这一拍的动作 | “同一个女性[身份块],双手拿着信” |
| 构图 Framing | 景别 + 画面里有什么 | “中近景,信在下三分区” |
| 镜头 Camera | 这一格暗示的机位 | “平视,略偏左,35mm 观感” |
| 动作 Motion | 动作被冻结的那个瞬间 | “动作中途:信刚拆开,封口还翘着” |
| 光影色彩 Light & color | 全板统一的调色 | “同样的暖色晚灯主光,低饱和青色阴影” |
| 节奏 Timing | 这一格负责哪一拍 | “第 3 格 / 共 5 格 → 视频 0–2 秒” |
| 声音 Sound | 给剪辑记,不给画面 | “这里纸张沙沙声;音乐压低” |
每格画在这一拍的峰值——信息量最大的瞬间——而不是动作的起点。冻结的峰值给视频模型一个明确的目标。
从分镜到视频提示词:转换表
分镜格描述状态;视频提示词描述带时间的变化:
| 分镜格写 | 视频提示词写 |
|---|---|
| “第 2 格:中景,她看着信” | “0–2 秒:保持中景,眼睛扫过信纸” |
| “每格重复身份块” | “身份块逐字放在每条片段提示词最前面” |
| “第 3 格:特写,手捏紧信纸” | “2–4 秒:手指缓缓收拢,纸面起皱,轻微发颤” |
| “格与格之间画箭头表示运镜” | “一个写明名称和幅度的运动:’第 2 拍到第 3 拍之间推进 20%‘” |
| “表情符号标记(汗滴、火花、叹气)” | “带时间的物理线索:’3 秒,一颗汗珠滑过太阳穴’” |
| “第 1 格和第 4 格背景相同” | “背景、窗户位置、光的方向保持一致” |
| “第 5 格以微笑收尾” | “4–6 秒:笑意绽开,然后定住” |
比表格更重要的两个习惯:每格单独转成一条片段提示词(比整板一条超长提示词好调得多),以及把上一拍的状态带进下一条(”承接:手已经搭在门把手上”),这样片段之间才能接上。
三个可直接复制的模板
1. 三格产品故事,Reels 竖屏(9:16)
分镜(GPT-Image-2):3 格,均为 9:16。身份块:哑光陶瓷随行杯,沙米色,深色竹木杯盖。场景:厨房台面,左侧有窗,晨光。P1 远景:杯子在台面上,蒸汽升起,一只手从画面右侧伸入。P2 特写:杯子被举起,杯盖拧开一半。P3 中景:杯子在笔记本电脑旁的桌面上,蒸汽盘旋上升。
视频提示词:P1 → "同一个杯子,同一个台面;0–2 秒:蒸汽持续升起,手入画握住杯子;静止远景,2 秒,9:16。" P2 → "同一个杯子;0–1.5 秒:杯子平稳举起,杯盖拧转四分之一圈;1.5–3 秒:浓蒸汽逸出;推进 15%,3 秒,9:16。" P3 → "同一个杯子,同一张桌子;0–2 秒:蒸汽盘旋上升,背景笔记本屏幕柔光;锁定机位,2 秒,9:16。所有片段身份和色彩一致。"
2. 四格角色微短剧,竖屏(9:16)
分镜(GPT-Image-2):4 格,安静剧情向,均为 9:16。身份块:30 岁左右女性,黑色波波头,灰色针织衫,左眼下有一颗小痣。场景:夜晚的公寓玄关,一盏吸顶灯,墙上有挂钩。P1 远景:她站在门内,手里拿着信封。P2 中景:信封拆开,视线垂下。P3 特写:手把信按在胸口。P4 中景:抬头望向吸顶灯,神情平静。
视频提示词:P1 → "同一个女性[身份块],同一个玄关;0–2 秒:静立,一手拿着信封,呼吸缓慢;静止远景,2 秒,9:16。" P2 → "同一身份;0–2 秒:手指抽出信纸,眼睛向下扫;2–3 秒:缓缓呼气,肩膀落下;中景,3 秒,9:16。" P3 → "同一身份;0–2 秒:信按在胸口并保持;推进 10%,2 秒,9:16。" P4 → "同一身份,同一盏灯;0–2 秒:头抬起,神情沉淀。所有片段面部、发型、着装一致。"
3. 节日品牌分镜,带运镜,横屏(16:9)
分镜(GPT-Image-2):3 格,节日氛围,均为 16:9。身份块:深红色纸质礼盒,素色棉绳蝴蝶结,无任何标识。场景:黄昏的雪后小镇广场,暖光咖啡馆橱窗,头顶串灯。P1 远景:礼盒放在木长椅上,雪花飘落。P2 特写:蝴蝶结,雪花落在上面融化。P3 中景:双手把礼盒举起转向镜头。
视频提示词(一镜到底):"同一个深红礼盒,同一个雪后广场;0–2 秒:远景定住,小雪飘落,石板路上暖色反光;2–5 秒:下摇并推进 25% 到蝴蝶结特写,雪花在结上融化;5–8 秒:双手入画,把盒子举起并向镜头旋转 15°,缎带尾端轻摆。盒色、缎带、建筑保持一致。8 秒,16:9,一镜到底,温暖电影氛围。"
连贯性语法从哪来
分镜靠规划,节奏靠研究。你收藏的 TikTok、Reels、B 站故事类片段里,编码着专业决策——景别怎么交替、特写落在哪里、一拍在切之前停多久。
用 SocialToPrompt,这些决策会变成结构化的提示词数据。粘贴 25+ 平台的链接(YouTube、TikTok、Instagram、X、小红书、快手、B 站等)或上传本地文件——支持 20 秒以内。你会得到逐镜头的主体、构图、镜头、动作、光影、节奏拆解,可直接填进你的分镜计划。完整一跑 4 积分(提取 1 + 生成 3),新账号送 3 积分。
自检清单
- [ ] 分镜板 4–6 格,一格一个节拍
- [ ] 身份块写一次,处处逐字粘贴
- [ ] 每个场景都用命名描述(墙、窗、光的方向)
- [ ] 相邻格子的景别不同
- [ ] 每格都画在动作的峰值
- [ ] 每条视频提示词都带时间节拍、恒定条款,并注明承接上一拍的内容
- [ ] 参考来源里的人脸、Logo、脚本、音乐一概不搬
常见错误
身份块裸奔。 第 1 格的”一个年轻女性”和第 4 格的”一个年轻女性”是两个女人。身份是逐字复用的字符串,不是一种感觉。
一张图里生成整版分镜。 一次性生成的九宫格又小又歪还没法改。一格一格来、措辞不变,慢一点,但真的能用。
转成视频提示词却不带时间。 “她读信并做出反应”是内容简介。”0–2 秒读;2–3 秒呼气;3–5 秒微笑”才是视频提示词。
格与格之间换光。 第 2 格早上、第 3 格晚上,杀连贯性比换脸还快。把光锁进场景描述里。
规划分镜板,把身份块当模板贴,把每格转成带时间的节拍——然后去已经被验证有效的故事类片段里研究镜头语法,用 SocialToPrompt。
分享文章