教程 07

视频信息

引言

这段追车戏完全是用 AI 制作的，效果好到令人难以置信。就在几个月前，这还是不可能发生的。本教程不仅展示如何制作一段史诗级的 AI 汽车追逐戏（包括碰撞、爆炸和电影级拍摄角度），还分享了高效获得高质量结果的确切流程和提示，避免浪费时间和积分。

“这段追车戏完全是用人工智能制作的，说实话，我简直不敢相信效果这么好。就在几个月前，这还是不可能发生的。”

第一阶段：设计车辆模型

1.1 为什么需要多角度车辆模型

制作汽车追逐戏时，不会只展示汽车的单一摄像机角度——需要从各个不同的角度展示它。因此需要生成多个版本的车辆参考图：

1.2 车辆选择

1.3 生成车辆模型

  1. 使用 Nano Banana Pro 图像模型（在 OpenArt 中）
  2. 在提示中描述车辆细节（型号、颜色、车牌号）
  3. 生成多角度参考图网格

关键提示：为了获得最一致的结果，需要描述具体细节，如车型和车牌号。

第二阶段：创建故事板

2.1 分析优秀追车戏的共同模式

在 YouTube 上研究其他追车视频后，发现三个让追车戏看起来很棒的共同模式：

  1. 速度感：地面视角照片能很好地展现车辆夸张的运动效果
  2. 多样化镜头：跟踪镜头、航拍镜头、驾驶员视角，配合大量快速剪辑
  3. 碰撞时刻：车辆之间险些相撞、剐蹭其他车辆、直接相撞

2.2 用 ChatGPT 生成故事板脚本

利用收集到的信息，使用 ChatGPT 编写包含所有这些元素的脚本提示：

故事板结构： - 广角建立镜头（设定追逐场景在狭窄街道上） - 紧张刺激的汽车追逐特写镜头序列 - 逃逸司机的视角镜头 - 最终场景：汽车绕着喷泉漂移，警车失控撞毁

2.3 生成故事板图像

  1. 使用 Nano Banana Pro 图像模型
  2. 在图像指南中输入两辆车的参考网格图
  3. 粘贴故事板提示
  4. 设置：宽屏宽高比 + 4K 分辨率（因为网格中的单个图像会很小）

第三阶段：修复车牌细节

3.1 常见问题

AI 生成的故事板中，车牌可能出现： - 模糊文字 - 与原始车牌号不符的内容

3.2 修复方法

  1. 上传两张图片作为参考：
    • 车牌模糊的低质量图片
    • 原始车辆模型的参考图
  2. 提示示例：

“一张从黑色汽车后方低角度拍摄的、行驶在狭窄街道上的图像的放大图，并将车牌号更改为 BN742KX，这是原车型的车牌号。”

3.3 多辆车的车牌修复

对于包含多辆车的图片，在图片参考中包含两辆车的车型，然后在提示中描述更改多辆不同汽车的车牌。

第四阶段：生成追逐视频片段

4.1 工具选择

4.2 场景一：汽车驶入空旷街道

技巧：首尾帧动画

  1. 第一帧：空荡荡的街道（用 Nano Banana Pro 将图像中的车辆移除）
  2. 最后一帧：街道上停满了汽车
  3. 提示：描述从空旷街道到汽车驶入的过程

“镜头切换到一条空荡荡的街道，一辆黑色轿车突然驶入街道，后面跟着一辆警车。”

4.3 场景二：近距离跟踪镜头

对于车辆在画面中大致保持在相同位置的简单镜头： - 使用单张图片作为起始帧参考 - 图像转视频功能 - 视频时长：5 秒（对于快速剪辑的追逐戏足够了）

提示要点： - 描述镜头构图（如从警车灯光上方往下看） - 添加简单动作（在街上追逐黑色轿车，黑色轿车左右摇摆） - 开启音频（Kling 3.0 在还原汽车追逐音效方面做得相当不错） - 在提示中明确说明”不要添加任何音乐”

4.4 场景三：驾驶员内部镜头序列

技巧：从单张图片生成多个镜头

从车辆的图像帧开始，在提示中描述所有不同的镜头切换：

开车沿街行驶。
切换到踩下油门踏板的脚的特写镜头。
切换到那只手快速换挡动作的特写镜头。
切换到双手将方向盘转向一侧的特写。
最后切换到速度表，显示指针跳动的画面。

注意：从单张图片生成多个镜头会出现不一致之处，需要筛选可用的镜头（如速度表上出现亚洲文字的镜头就不能用）。

第五阶段：保持车辆一致性（核心技巧）

5.1 问题所在

当警车从不同角度出现时（如从逃逸车辆后面驶出），需要保持车辆外观与原始设计一致。

5.2 解决方案：全方位参考功能

使用元素转视频（而非图像转视频），配合 Kling 3.0 Omni 参考模型：

  1. 上传初始图像帧（要制作动画的镜头）
  2. 上传汽车设计模型（多角度参考图）
  3. 在提示中引用不同元素

在 OpenArt 中添加元素标签：按 Shift + 2，会显示包含所有上传元素的下拉菜单。

5.3 提示结构示例

第一张图是汽车追逐的场景。
图片二中的黑色车辆正被一辆警车追逐，警车就是第三张图片。
警车撞上凸起的路沿石，侧翻，在街上滑行，
撞上金属护栏，然后警车爆炸了。

第六阶段：最终场景——漂移与撞毁

6.1 场景设计

最终场景：两辆车绕着喷泉漂移，最终警车失控撞毁。

所需素材： - 警车追逐黑色车辆的初始镜头 - 警车撞进喷泉的最终镜头 - 汽车设计模型（多角度）

6.2 AI 的局限性

对于动作较多、较为复杂的镜头，AI 仍然存在一些局限性： - 汽车随机碰撞 - 车辆以不现实的方式四处移动 - 需要多次迭代才能获得满意结果

解决方案：多次生成，从中筛选最佳镜头。

第七阶段：后期处理

7.1 音效补充

AI 生成的视频有时音效不够明显（如警车刮蹭墙壁的声音），需要手动编辑添加额外的碰撞音效。

7.2 处理跳切问题

将多个 AI 视频合并成较长序列时，可能出现轻微的跳切现象。这是目前 AI 视频拼接的常见问题，需要在剪辑时注意过渡处理。

核心概念速查表

概念 解释
多角度车辆模型 包含正面、侧面、俯视、后视的车辆参考图，保证跨镜头一致性
图像转视频 以单张图片作为起始帧，生成视频片段
元素转视频 上传多个参考元素（包括车辆设计模型），保持车辆一致性
Kling 3.0 Omni 参考模型 专门用于保持元素一致性的 Kling 模型版本
全方位参考功能 上传车辆多角度设计图，确保车辆在不同镜头角度下外观一致
Shift + 2 OpenArt 中添加元素标签的快捷键
首尾帧动画 定义视频的第一帧和最后一帧，AI 填充中间过渡
快速剪辑 多个短镜头（3-5秒）快速切换，营造追逐戏的紧张感

8个 AI 追逐戏创作启示

  1. 多角度车辆模型是基础：没有多角度参考，车辆在不同镜头间会出现明显差异
  2. 研究真实追车戏再创作：分析速度感、镜头多样性、碰撞时刻三个核心要素
  3. ChatGPT 可以帮助规划故事板：用 AI 辅助生成包含所有必要元素的脚本
  4. 车牌细节需要单独修复：AI 生成的车牌通常不准确，需要专门的修复步骤
  5. 5 秒镜头比 15 秒更适合追逐戏：快速剪辑需要短镜头，不需要每个片段都很长
  6. 元素转视频比图像转视频更适合复杂场景：需要保持车辆一致性时，必须使用元素转视频
  7. 音效需要手动补充：AI 生成的音效有时不够明显，需要后期手动添加
  8. 多次迭代是正常流程：复杂的动作场景需要多次生成，从中筛选最佳镜头

10个常见误区

  1. 误区：只需要一张车辆参考图 → 需要多角度参考图，确保不同镜头角度下的一致性
  2. 误区：直接开始生成视频 → 需要先设计车辆模型、创建故事板，再生成视频
  3. 误区：AI 会自动生成准确的车牌 → 车牌通常需要单独修复
  4. 误区：追逐戏需要长镜头 → 5 秒的短镜头配合快速剪辑效果更好
  5. 误区：图像转视频足以处理所有场景 → 需要保持车辆一致性时，必须使用元素转视频
  6. 误区：AI 生成的音效已经足够 → 碰撞等音效通常需要手动补充
  7. 误区：第一次生成就能得到满意结果 → 复杂动作场景需要多次迭代
  8. 误区：不需要研究真实追车戏 → 分析真实追车戏的模式是创作高质量场景的基础
  9. 误区：所有镜头都可以使用 → 从单张图片生成多个镜头时，需要筛选可用的镜头
  10. 误区：跳切问题可以忽略 → 拼接多个 AI 视频时，跳切问题需要在剪辑时专门处理

12个关键要点

  1. 核心工具：Nano Banana Pro（图像）+ Kling 3.0（视频）+ OpenArt（平台）
  2. 车辆模型格式：正面、侧面、俯视、后视四个角度
  3. 故事板三要素：速度感、多样化镜头、碰撞时刻
  4. ChatGPT 辅助规划：用 AI 生成包含所有必要元素的故事板脚本
  5. 车牌修复流程：上传模糊图 + 原始车型参考 → 提示指定正确车牌号
  6. 视频时长选择：追逐戏用 5 秒短镜头，不需要 15 秒
  7. 音频设置：开启音频，但在提示中明确说明”不要添加任何音乐”
  8. 元素转视频：保持车辆一致性的关键工具，配合 Kling 3.0 Omni 参考模型
  9. Shift + 2：OpenArt 中添加元素标签的快捷键
  10. 首尾帧技巧：用于生成”从空旷到有车”的出现效果
  11. 音效后期处理：碰撞音效通常需要手动添加
  12. 跳切处理：拼接多个 AI 视频时需要注意过渡处理

额外资源

推荐深入学习

相关关键词

结论

制作 AI 汽车追逐戏的关键不是找到一个”一键生成追逐戏”的工具，而是建立一套完整的工作流：从多角度车辆模型设计，到故事板规划，再到分镜头生成和后期处理。每个步骤都有其不可替代的作用，跳过任何一步都会影响最终效果。

“这段追车戏完全是用人工智能制作的，说实话，我简直不敢相信效果这么好。就在几个月前，这还是不可能发生的。”

AI 视频技术的进步速度令人惊叹——今天看起来不可能的事情，明天就可能成为标准工作流。

本教程基于 YouTube 视频内容整理，仅供学习参考。