为什么高爆发动作容易崩，低缓连续动作更稳
AI 视频里高爆发动作容易崩，不是模型不行，是你让它在一镜里同时预测了太多关节的剧烈位移。把动作拆成低缓、连续、可量化的单步，稳定性会立刻上来。
高爆发动作为什么崩
AI 视频生成的本质，是模型根据首帧和提示词，逐帧预测下一帧的像素。动作越剧烈、参与的关节越多、速度变化越快，每一帧需要同时猜对的变量就越多——手、肘、肩、腰、膝、脚、重心、衣物、头发、道具，任何一个环节预测偏一帧，后面就会连锁错位。
动作崩坏是指模型在生成过程中出现肢体扭曲、多手指、关节反折、人物瞬移、道具穿模、衣物与身体分离等可见错误。它不是审美问题，是时序预测失败。
高爆发动作（腾空飞踢、猛力挥拳、高速转身、摔倒砸地、连续翻滚）之所以是重灾区，是因为它们同时踩中了三个雷：
- 单帧位移大：相邻两帧之间肢体位置跳变，模型容易猜错中间态。
- 关节耦合复杂：一个动作同时牵动肩、肘、腕、腰、腿，错一个就全乱。
- 速度不均匀：有加速、有制动、有瞬间停顿，模型对变速的预测远比对匀速的预测差。
这不是提示词写得不够华丽就能解决的。恰恰相反，越是用「迅猛」「凌厉」「电光火石」这类形容词堆出来的动作描述，模型越不知道每一帧具体该画什么。
低缓连续动作为什么稳
低缓连续动作的核心特征是：速度均匀、方向单一、参与关节少、每帧位移小。
- 「缓缓抬手」比「猛地挥出一拳」稳，因为手的轨迹是一条平滑曲线。
- 「慢慢转头看向镜头」比「突然回头」稳，因为颈部旋转角度可预测。
- 「向前走两步」比「飞身跃起」稳，因为重心始终在支撑面内。
- 「手指轻轻敲桌面」比「一掌拍碎桌子」稳，因为手指动作幅度小、不涉及全身联动。
模型对这类动作的预测几乎是在做插值：知道起点，知道终点，中间每帧变化不大，猜中的概率自然高。
这不是让你所有戏都拍成慢动作。短剧需要爽点、需要冲突、需要爆发力。关键是怎么把高爆发动作翻译成模型能稳定执行的形态。
把高爆发动作拆开写的三条原则
原则一：一个镜头只承载一个动作意图
一镜一运镜之外，还要一镜一动作。不要在同一段视频提示词里写「他猛地站起来，掀翻桌子，冲过去掐住对方脖子」——这是三个动作，每个都涉及不同的关节组合和重心变化，模型会在切换处乱掉。
正确做法是拆成三个场块：
| 场块 | 动作 | 运镜 |
|---|---|---|
| 场 1 | 男子双手撑桌，缓缓站起，椅子向后滑开 | 中景固定 |
| 场 2 | 男子手臂横扫，桌面物件散落 | 侧近景，轻微横移 |
| 场 3 | 男子跨步上前，伸手抓住对方衣领 | 正面中景，跟随 |
每段只做一件事，每件事的速度都可控。观众在剪辑台上连起来看，感受到的是一气呵成的爆发；模型在生成时面对的是三个稳定的单步。
原则二：用程度量化代替情绪形容词
「狠狠扇过去」是情绪，不是动作指令。模型不知道「狠狠」对应多大的角速度、多大的手臂摆动幅度。
把形容词翻译成可量化的肢体描述：
| 情绪化写法（不稳） | 量化写法（稳） |
|---|---|
| 猛地一拳砸在桌上 | 右手握拳抬起约二十厘米，向下砸向桌面，接触时手指微微张开 |
| 狠狠一巴掌 | 右手从肩侧抬起，手臂伸直，向左水平挥出，停在对方脸颊侧 |
| 突然转身就走 | 双脚不动，上半身向左转约九十度，然后迈步向前走 |
| 悲痛地跪倒 | 双膝依次弯曲，膝盖触地，上身缓慢前倾 |
注意「停在对方脸颊侧」这种写法——它给了模型一个明确的终点位置，避免挥击动作因为没有终止条件而无限延伸、导致手臂变形。
原则三：爆发的前一拍和后一拍比爆发本身更重要
真正让观众感受到力量的，不是击中的那一帧，而是击中前的蓄力和击中后的反应。这两拍恰好都是低缓动作，模型最擅长。
一个完整的「打耳光」爽点，在 AI 短剧里应该这样分配：
- 蓄力（稳）：抬手，手臂后引，表情收紧——约 1.5 秒，低缓。
- 挥击（可省略或极短）：手臂挥动的中间过程——这是最容易崩的半秒，能不拍就不拍，用切镜或音效盖过去。
- 击中反应（稳）：对方头部被打偏，头发甩动，手捂脸，停顿——约 2 秒，低缓。
观众脑补出来的那一巴掌，比模型硬画出来的一巴掌要狠得多，也稳得多。
提示词里的动作写法清单
写视频提示词的动作部分时，按这个顺序检查：
- 主体明确：谁在动，哪个身体部位在动，写清楚。
- 方向单一：一个动作句里只有一个方向（上/下/左/右/前/后），不要「先左后右再转身」。
- 幅度量化：用「约几厘米」「约九十度」「两步」「微微」「缓缓」这类可感知的程度词。
- 有终点：动作停在哪里、手放在什么位置、身体朝向哪里，交代清楚。
- 速度均匀：优先「缓缓」「慢慢」「匀速」，少用「猛地」「突然」「瞬间」。
- 减少联动：能只动手就不动腰，能只动头就不转身。
- 道具最后加：先把裸动作写稳，再让手里拿东西。道具是额外的变量，能晚加就晚加。
这七条对应的是同一件事：降低每一帧需要同时猜对的变量数。
场块粒度与动作稳定性
短剧成片看起来节奏快、冲突密，但那是剪辑的结果，不是单场生成的结果。把剧本切成约 10 秒一个场块，本质上就是在帮你把动作拆到模型能承受的粒度。
如果一场戏的正文超过约 200 字、或者包含多个连续动作，应该主动再拆。拆的依据不是时间码，是动作节拍：一个动作意图结束、下一个动作意图开始的地方，就是切点。
群演和泛指角色（「围观的人」「几个手下」）要从主演名单里剥离，因为他们的动作不可控，会挤占模型对主角动作的注意力。人越少、动作越简单、画面越稳。
什么时候可以用高爆发动作
不是所有高爆发动作都不能用。以下情况可以尝试，但要有心理预期：
- 远景或全景：人物在画面里占比小，肢体细节看不清，轻微崩坏不明显。
- 剪影或逆光：轮廓为主，关节错位被光影掩盖。
- 遮挡转场：挥击的瞬间用前景物体（门框、柱子、甩过的头发）遮挡半秒，切到反应镜头。
- 非写实画风：动画、漫画、黏土等风格本身对肢体精确度的容忍度高于写实。
即便在这些场景里，也建议先出低缓版本确认构图和运镜，再在确认过的基础上替换动作描述——不要在构图都没定的时候就上高难度动作，浪费 takes。
诚实边界
动作稳定性最终受限于底层视频模型的能力上限，提示词优化能显著降低崩坏率，但不能让一个本身不擅长复杂动作的模型突然变得擅长。多 take 择优、改词重拍、必要时用剪辑和音效规避高难度中间帧，仍然是专业流程的一部分。
把重复的、易漂移的、易失控的部分变成可约束的流水线，审美判断仍然坐在人这边。
关于猫斯卡 ｜ 猫斯卡 · 专业AI视频自动生产系统。把创意评估、剧本写作、人物场景道具定妆、镜头提示词与出片串成一条可审、可改、可回退的生产链。官网：www.maosika.com