AI跳舞视频怎么做

两种方法：动作迁移，还是提示词编舞

动作迁移是从驱动视频里提取身体动作，再用到另一个人或角色身上。Everybody Dance Now这类研究系统用姿态作为源舞者与目标之间的桥梁；后来的扩散方法，如Animate Anyone，则能根据姿态序列让一张静态图动起来，同时保持参考图的外观。面向普通用户的AI跳舞视频生成器，以及可灵（Kling）、Seedance、Runway、海螺（Hailuo）等工具里的参考视频模式，思路都是一样的。

提示词编舞是把角色图、音乐和写好的动作时间线交给模型。没有驱动视频，舞蹈由模型根据你的文字自己编。

舞蹈动作很重要时用动作迁移。想做原创作品，或找不到干净的参考视频时，用提示词编舞。

准备照片和首帧

角色图会成为首帧或身份锚点，所以它同时决定画质和完播率。实际经验是，第一帧决定了有多少观众在头两三秒就划走，所以它应该已经是整段视频里最好看的一帧。

• 全身或膝盖以上，站姿，整个身体和双手都在画面内。被裁掉的脚和手，会被模型乱编。
• 光线明亮均匀，脸部完整且打光清楚。不要低头，不要头发或帽子遮脸，不要昏暗的房间。
• 主体已经是准备起舞的姿势，或已经在笑，而不是僵直站着。从静止的中性姿势开始跳，看起来像慢热的开头。
• 竖屏9:16里，舞者应占画面高度的大部分。大房间里的小人，脸会发糊，还会多出手脚或让肢体粘在一起。
• 衣服轮廓要清楚：有明确的腰线，袖子到手腕为止，裙摆在脚踝以上。拖得很长的布料最难处理（见下文）。

如果你用的是一组角色，每张新的参考图都要逐个角色对照人设图检查：服装、手或爪子、配饰、发型、颜色和身高比例。图像编辑工具会悄悄改掉你没要求改的细节，视频模型再把这个错误复制进每一帧。如何做人设图，见我们的AI角色一致性指南。

动作迁移：先处理参考视频，再生成

参考视频比文字的约束力强得多。如果参考里有镜头光晕、舞者手里的道具、镜子、某种特定的灯光，或者背景里有第二个人，即使提示词写了不要，模型也往往照样复制。在提示词里和参考视频较劲，很少奏效。

1. 把参考视频裁到你需要的那段舞蹈，音乐也剪到同样的范围。
2. 裁剪画面，让舞者居中、全身入镜，画幅比例与你的输出一致。
3. 遮盖或去掉道具和背景里的人。如果光线很强或带颜色，就重新调色。
4. 检查参考舞者和你的角色体型是否相近。矮胖的吉祥物去模仿高个舞者的长腿动作，会被拉伸或崩坏。
5. 然后写提示词，描述你想要的结果（角色、场景、光线），而不是参考里的问题。

分镜格也可以当动作参考。做一张9:16的图，比如分成12格，每格一个卡点姿势，提示词时间线写成“第1格（左上）= 0–2 s”。格子上不要放数字或文字，模型会把它们当成屏幕图形复制出来。每一格都要用全尺寸检查，因为一格里的错误会被复制进视频。

这里要注意授权。只有在真人同意的前提下才能使用其照片，也不要把别人的形象做成他们从没跳过的舞，还当成真的发布。编舞者的舞蹈也可能受保护；平台上提供给大家翻跳的热门舞蹈，在该平台内使用通常没问题，但用别人的编舞做付费广告需要许可。

提示词编舞：让动作流动起来

视频模型对某些词会执行得非常精确。我们的测试中，“保持姿势”“定格”“静止”和“慢动作”会让舞蹈变成姿势幻灯片：舞者在不同造型之间跳变，并在中间停住。去掉这些词，改为描述连续的动作。

每个乐句安排一个长镜头，约4秒或一个八拍，镜头里放几个有时间的动作锚点。但不要矫枉过正：每一拍都塞很多小动作，看起来会又生硬又滑稽。对于古典、现代舞或慢节奏流行这类柔和的风格，描述的是轨迹而不是姿势，每一两拍只写一个动作，停顿控制在半拍以内。

Phrase 2 (4.0-8.0 s), one continuous shot, 9:16, medium-wide, camera at chest height.
The dancer from the reference: long white sleeves, pale blue skirt, hair in a low bun.
4.0-5.0 s (downbeat): step right, weight shifts onto the right foot, both arms open low at hip height.
5.0-6.0 s: the right arm sweeps in an arc from the hip to shoulder height while the body turns a quarter left.
6.0-7.0 s: step back with the left foot, both arms float down, sleeves trail behind the hands.
7.0-8.0 s (pause in the music): a soft half turn to face the camera, arms rising to chest height, smile.
Arms stay below 45 degrees above the shoulder. Continuous movement, no stops.

布料需要单独的规则。宽袖、长飘带或披风会跟着手臂走，可能盖住脸。限制手臂高度，例如不高于肩膀以上45度，并写进每个乐句。

只写镜头能拍到的东西。视频模型会把比喻当成字面意思：“她的衣袖像毛笔在空中作画”可能让她手里真的出现一支毛笔。描述动作、材质和光线，不要用比喻。

让动作踩在拍子上

先找出BPM，例如跟着cv.cm的节拍器点击测速。120 BPM时一拍0.5秒，一个八拍4秒；100 BPM时一个八拍4.8秒。每个动作锚点用秒来标时间，同时写出音乐事件：“第一个重拍”“最响的那个音”“停顿”。模型两种信息都会用。

许多模型只接受固定时长，比如整数秒，或5、10、15秒这样的档位。选择与片段时长完全吻合的音乐片段；分段生成时，每一段音频要自己剪，不要让模型来选。有些工具把所有参考片段的参考音频总长限制在约30秒，所以长舞蹈需要分成多段。

当模型生成或重新渲染音轨时，音乐可能晚起。我们测到约1秒的偏移，而画面动作基本按提示词的时间走。在认定动作没踩点之前，先把原曲换回去：

ffmpeg -i gen.mp4 -i song.mp3 -map 0:v:0 -map 1:a:0 -c:v copy -c:a aac -shortest synced.mp4

如果某一段仍然差几帧，在剪辑软件里平移它，不必重新生成。

常见瑕疵和解决办法

手和脚是最薄弱的部分，尤其是快速的脚步和旋转。复杂动作时让镜头基本保持稳定；镜头在动、身体也在动，会让画面崩坏的概率翻倍。

生成的片段常常是720p或1080p，细节偏软。放大一次就好，放在剪辑之后，并只保留一份母版导出，避免反复转码。平台要求标注时，逼真的成品要标注；见我们的AI内容标识指南。