AI 短剧动作戏别让模型「自己演完」：把一个动作拆成可拍的三段
AI 短剧动作戏崩，多半崩在「让模型一次演完一整套动作」。稳的写法不是少写动作，而是把动作拆短、写清起止、降低单镜爆发强度，让每个镜头只承担一个可验证的肢体变化。
先给结论：动作越像「完整表演」，越容易失控
很多 AI 短剧动作戏的问题，不在拳打脚踢本身，而在提示词把「冲过去、抓住、转身、摔倒、怒吼、镜头甩动」全塞进一个镜头。模型要同时理解身体重心、接触关系、服装摆动、景别变化和运镜，任何一项没对齐，画面就会出现穿模、肢体数量错误、接触点漂移或表情突变。
更稳的动作提示词，不是追求文字上的激烈，而是追求镜头上的可执行：
- 一个镜头只表现一个主要肢体变化；
- 动作有明确起点和终点；
- 速度、幅度、重心方向可被画面看见；
- 运镜不跟动作抢戏；
- 参考图负责外观，文字只负责动作。
这也是 AI 竖屏短剧和真人拍摄最不一样的地方：真人演员可以完成连续调度，AI 模型更适合被喂给「短、清楚、低歧义」的镜头任务。
高爆发瞬间为什么容易崩
高爆发动作通常同时包含三个难点：快速位移、身体接触、剧烈形变。比如挥拳、踢腿、扑倒、摔砸、转身抽刀、拥抱后推开。它们在真人片场可以靠武术指导、替身、剪辑点解决，但在 AI 视频里，如果一个镜头要求模型从头演到尾，就容易出现以下问题。
| 崩坏类型 | 常见原因 | 更稳的处理 |
|---|---|---|
| 手部畸形、多出手指 | 手部在高速运动中缺少稳定姿态 | 把手部动作停在明确姿态：握拳、抓住衣领、按住桌面 |
| 接触点漂移 | 模型没有真正理解「谁碰到谁」 | 写成静态接触关系，减少接触中的滑动 |
| 脸部突变 | 头部快速转动或头发遮挡 | 改成转头前或转头后的稳定表情 |
| 服装穿模 | 大幅动作叠加宽松衣物 | 降低动作幅度，让衣料变化保持连续 |
| 道具消失或变形 | 快速挥动时道具形态不稳定 | 先拍手持道具的稳定画面，再切反应镜头 |
| 镜头晃到失焦 | 动作和运镜同时剧烈变化 | 一镜一运镜，动作段用固定或缓慢推进 |
这里的关键不是「AI 不能拍动作戏」，而是不要把动作戏的高潮全部压在同一个生成片段里。短剧观众要的是节奏和情绪，不一定需要每个打击点都被完整看见。
把动作拆成三段：起势、过程、落点
传统剪辑里，动作常常不是靠一个长镜头完成，而是靠多个镜头拼接。AI 短剧也可以借用这个思路。一个完整动作可以拆成三段，每段只让模型完成一个稳定任务。
1. 起势：让观众知道要发生什么
起势镜头负责蓄力。它不一定激烈，但必须给出方向和意图。
可写的动作：
- 人物肩膀微沉，右手缓缓握拳；
- 目光锁定对方，脚步向后撤半步；
- 手指触到杯沿，停住；
- 衣袖下的手慢慢收紧。
这类动作的优点是幅度小、重心清楚、脸部稳定，模型更容易生成可信画面。
2. 过程：用局部动作代替全身爆发
过程镜头不要写「他冲过去把对方打翻在地」这种整句表演。更好的方式是写局部：脚步、手、眼神、衣角、道具接触。
比如：
- 皮鞋向前迈一步，地面水纹被踩开；
- 一只手猛地扣住对方手腕；
- 椅腿在地上擦出短距离；
- 袖口扫过桌面，茶杯晃动。
局部动作能降低身体协调难度，也更适合竖屏构图。观众通过碎片自己补完动作，反而比模型硬演完整打斗更顺。
3. 落点：把结果拍清楚
落点是动作戏里最重要的一刀。观众真正记住的，往往是打完之后的状态。
可写的落点：
- 对方靠墙，衣领被揪住，呼吸急促；
- 刀落在地上，人物的手还悬在半空；
- 主角站定，衣角缓慢落下；
- 杯沿碎裂，茶水沿桌沿滴落。
落点要稳定、明确、可回看。它承担的是情绪结果，而不是继续增加动作复杂度。
低缓连续动作为什么更稳
低缓连续动作，不等于慢动作，也不等于没有张力。它指的是动作方向单一、速度可控、起止清楚。
比如：
- 缓缓抬头；
- 手指收紧；
- 向前逼近半步；
- 放下手中的照片；
- 眼神从闪躲变为直视；
- 雨水顺着发梢滴落。
这些动作之所以稳，是因为它们不需要模型在短时间内解决大量身体协调问题。它们有连续轨迹，没有突然的方向反转，也较少出现手脚同时大动的情况。
在竖屏短剧里，低缓连续动作还有一个优势：它更适合近景和特写。竖屏画面的视觉焦点集中在人物上半身、脸和手部，细微变化更容易被看见。与其让模型生成一个全身飞踢，不如拍三个稳定近景：眼神、手部、落点。
提示词里少写「剧烈副词」，多写可画出来的细节
很多动作提示词看起来很猛，其实很难生成。比如「极其愤怒地狠狠一拳砸在桌上，震得杯子全部飞起，镜头剧烈晃动」。这句话里有情绪、有动作、有道具反应、有运镜，但没有给模型一个稳定的视觉终点。
更可执行的写法是把程度量化、把结果固定：
| 不稳定写法 | 更稳的写法 |
|---|---|
| 狠狠一拳砸过去 | 右拳砸在桌面，指节发白，杯盏轻颤 |
| 他暴怒地冲过来 | 他向前逼近半步，肩膀压低，目光锁住对方 |
| 一把甩开她 | 他的手扣住对方手腕，向侧面推开半臂距离 |
| 刀光一闪 | 刀刃停在对方面前，寒光从刀面划过 |
| 镜头疯狂晃动 | 镜头固定，人物动作带起衣角轻微摆动 |
判断标准很简单：如果一句话需要演员花五秒钟连续表演，它就不适合直接塞进一个 AI 镜头。如果它能被画成一张关键帧，再让动作从这个姿态轻微延续，它就更稳。
运镜要给动作让路
动作戏一崩，很多人以为是模型不够强。其实常见问题是提示词同时要求「人物大动作」和「镜头大运动」。一镜内推、拉、摇、移叠加，会让模型更难判断主体边界。
更稳的原则是：一个镜头只给一个运镜任务。
- 对峙戏：固定镜头或极慢推进；
- 逼近戏：跟一步即可，不要绕拍；
- 打击落点：切近景，镜头不甩；
- 情绪爆发：让表情和手部承担张力，镜头保持稳定；
- 环境反应：单独拍空镜或道具特写，不要和主体动作混在一起。
镜头语言不是越满越好。短剧节奏快，靠的是剪辑点和信息密度，不是每个镜头都在运动。
参考图管外观，文字管动作
AI 短剧角色一致性最容易在动作戏里破功。原因之一是提示词一边绑了人物参考图，一边又用文字重新描写服装、发型、配饰。模型在参考图和文字之间摇摆，就可能出现换装、换脸、饰品消失。
更稳的规则是：
- 有参考图的人物，不再写服装和外观；
- 文字只写动作、表情、伤情；
- 需要换造型时，先换对应定妆图，不要靠文字临时改；
- 道具如果本场重要，先准备道具参考图；
- 动作中不要追加复杂外观变化。
一句话：参考图决定人物长什么样，提示词决定人物这一秒做什么。
用剪辑点替代「一次生成完整打斗」
如果一场戏必须有强冲突，可以用剪辑结构制造激烈感，而不是强迫单个片段完成高难度动作。一个可参考的短场结构是：
- 环境或道具特写，给出危险信号；
- 人物起势近景，交代意图；
- 局部动作特写，表现接触；
- 反应镜头，表现情绪；
- 落点镜头，交代结果。
这样做有三个好处：
- 每个生成片段更短、更稳定；
- 观众通过剪辑自行补完动作，减少穿模被注意到的概率；
- 某一条不满意时，只需要重拍单场，不必整段重来。
高质量短剧从来不是一条长生成硬剪出来的，而是一条条可控单元堆起来的。动作戏尤其如此。
什么时候可以用高爆发动作
不是所有高爆发动作都要回避。以下情况可以尝试，但仍建议缩短时长、减少同屏元素：
- 动作方向单一，比如直直倒下、向前伸手；
- 没有复杂身体接触；
- 人物服装贴身，头发和飘带较少；
- 景别较近，只拍局部；
- 结果比过程重要，可以用落点镜头承接；
- 可以接受多拍几条，从中择优。
不建议硬上的情况包括：多人混战、连续踢打、宽松长袖大动作、快速转身加道具、水中或雨中打斗、角色同时奔跑加台词。这些场景对模型的身体理解和物理一致性要求太高，成片率通常不稳定。
一个更稳的动作提示词检查清单
写动作镜头前，可以逐项过一遍：
- 这个镜头是否只有一个主要动作？
- 动作的起点和终点是否清楚？
- 是否避免了快速方向反转？
- 是否把全身大动作拆成了局部动作？
- 运镜是否只有一种？
- 有参考图的人物，是否没有再写服装外观？
- 道具是否有明确位置和状态？
- 是否可以用落点镜头代替过程镜头？
- 如果这一条崩了，是否能只重拍这一个场块？
如果其中超过三项答不上来，就不要急着出片。先把镜头拆小，往往比反复换模型更有效。
诚实边界
这套方法能提高动作戏的稳定性，但不能保证每条都一次成功。它的本质是降低单镜任务难度，而不是让模型自动完成复杂武行调度。多 take、改词重拍、局部替换，仍然是专业流程的一部分。
猫斯卡的做法，是把这些稳定性原则固化进镜头提示词规范和场块流程：约 10 秒一个视频场块，每场独立提示词、独立参考图、独立成片与历史 takes；提示词按主体、动作、环境、光影、运镜、风格、画质、约束来组织，并强调一镜一运镜、低缓连续动作、有参考图不写外观。它不替代导演判断，而是把容易漂移的执行细节变成可检查、可回退的生产步骤。
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