流程和用到的模型

下面兩支 rap MV 照同一套流程做，流程和每一步用到的模型如下。

實驗期間 2026-10-01～10-12，生成都在一張 RTX 3090 上跑。只在圖中這套模型上驗過，換模型先試生成（第 3 步）。

七個步驟

1. 選題，找一支參考片

題目要有現成的衝突，歌詞才有梗：雅典娜和波賽頓在神話裡真的搶過雅典城。參考片拿來量節奏。〈誰的城〉照一支三國 rap battle 量，每顆鏡頭 2～3 秒、切在拍子上，約四分之一是不唱的人。

2. 角色和歌一起做，互相修

歌詞提到角色身上沒有的東西，就重生角色；角色比預期好，就回頭調曲風或歌詞。歌回來先量實際唱了什麼，Suno 會改段落。

角色的順序是：先查外觀依據，再畫四視圖設定稿，最後生一張所有角色同框的母圖。每一鏡的參考圖都從母圖裁，人就不會變。

這兩支都跳過了前兩步，〈誰的城〉的正側面鏡頭只能靠模型自己補。

3. 先試生成，不管畫質

一次只換一樣東西，看哪些寫法會出錯、模型做不到什麼。H3 上試出來的：

• 模型最聽參考圖，其次是聲音，文字排最後
• 每鏡開頭幾秒是從參考圖變過來的
• 嘴型對不上歌，鏡頭角度也指定不了
• 一顆只能生 3、5、10 或 15 秒

〈誰的城〉開拍前試了 11 顆，抓到兩個會複製到全部 53 鏡的錯。

4. 畫分鏡稿，每一鏡一張圖

每一鏡寫景別、運鏡、要傳達什麼、誰在唱，配一張圖，照歌排成動態分鏡先看節奏。照第 3 步的限制寫：

• 參考圖先裁成這一鏡的取景
• 嘴看得清楚的鏡頭，每顆不超過 2 秒
• 相鄰兩鏡的構圖要差很多
• 會重複出現的東西，連顏色寫進一張表

5. 照分鏡稿逐顆生成

每鏡多生 2.5 秒，留給開頭剪掉。每鏡給自己的種子，種子是決定畫面長相的一個數字。轉身這種連續動作，從上一鏡的最後一格接著生。

提示詞照下面三條寫。模型最聽參考圖，其次是聲音，文字排最後（第 3 步），所以三樣要講同一件事。

一、寫明要什麼。 只寫「嘴閉著」，嘴照樣開合；寫成沒在 rap、麥克風放在腰邊、抿著嘴對瞪，嘴才閉上。取景也一樣：給全身照配「胸上」的描述，模型會從全身一路推近；參考圖先裁到半身再生，就沒再推近（那次描述和種子也一起改了）。

二、不寫多餘的。 提到的東西，模型都可能畫出來：

• 寫「右下角留位置，後製要放署名」，右下角就多一串假書法
• 單人鏡的描述寫了另一個人的服裝，就算寫明他在畫面外，他還是被塞進來
• 所有鏡頭共用的那句寫了全場站位，特寫開頭就先出全景（第 3 步那張圖）
• 表情寫了下巴繃緊，嘴就容易動

後製要加的字別寫進描述，那一塊寫成乾淨的牆。共用句只寫光和服裝，單人鏡只寫那一個人。

三、要固定的寫清楚。 只寫「戴兜帽」，兜帽顏色每顆不一樣。改寫成「深褐色兜帽、臉藏在陰影裡」，之後生的都是深褐。改之前生好的那幾顆，DJ 在整個畫面裡很小，就沒有重生。

6. 逐顆檢查，漏洞寫成自動檢查

看片前先寫好清單：連戲、左右方向、穿透或漂浮、時間流速、嘴。不過就重生，同一種漏洞出現第二次，就寫成自動檢查，並先拿做錯的樣本試過。

漏洞要記畫面上看到什麼、在第幾秒。〈國姓爺退場〉的結尾記成「人聲已停還在說話」，修的是音軌，沒修到；改記「畫面中人物嘴巴仍在動」才修到。

這條後來寫進〈誰的城〉的清單，同一個毛病在看片時就抓到了。

7. 影片定稿，再提升畫質

H3 生成的畫面只有 1056×608。放大一次要跑很久，所以每一鏡都定了才放，之後重生的鏡頭要重放。

放大也會出錯。有推近的鏡頭撐爆顯示卡記憶體，只好切小段重放；「跳過已放大的鏡頭」只比長度，重生過的鏡頭就沒被重放。放完再檢查格數、切點和凍住的格。4K 約要 1080p 的 10 倍時間，這兩支只做到 1080p。

常見問題

每一鏡的開頭，為什麼像定格？

參考圖模式的第一格幾乎就是參考圖本身。多生一段，把開頭剪掉。

兩顆鏡頭長得像重播？

描述一樣、種子也一樣，就會生出幾乎一樣的畫面。每鏡給自己的種子。

重生好幾次還是錯？

同一種毛病重生兩次還在，就別再換種子，改鏡頭設計或換用別顆的素材。有一顆換寫法、換種子、拿掉聲音，連生四次都在講話，最後換成另一顆沒用到的片段。

兩鏡接起來，像畫面抖了一下？

這叫跳接：兩鏡構圖幾乎一樣，人只動了幾個像素。分鏡寫低角度、生出來卻是平視，就容易撞上前一鏡。前一鏡在後製慢慢推近，接點就變成取景的變化。

轉身怪怪的，像突然跳成背影？

模型生成的轉身只轉了頭，身體沒轉，剪接又跳過那段，正面就硬切成背影。改成從上一鏡的最後一格接著生成，身體連腳一起轉過去。

每顆鏡頭都太長，節奏很慢？

〈誰的城〉第一版分鏡用影片秒數訂預算，分鏡就偏向長鏡頭，多數一顆 6～7 秒，參考片是 2～3 秒。預算改用顯示卡時間訂，並拿參考片比節奏。

自動檢查把正確的字卡判成錯？

固定門檻在平整的灰牆上夠用，背景換成煙霧和火光就誤判。改成跟「同一格沒有字卡」比。

嘴型能對上歌嗎？

到 2026 年 10 月還不行。量過兩次，嘴張多大跟人聲大小的關係，和故意錯開時間的對照組分不出來，只能照第 4 步從鏡頭設計上避開。