第二课：从图片到视频——换人、换商品、导演图与数字人

主题 02 / 14 · 课程阅读版

第一课解决了“图片有没有把对象交代清楚”。这一课接着处理：当人物开始转身、商品被拿起、镜头切换之后，怎样判断整段视频仍然做对了，以及哪里出错时应该回到哪一步。

课程原主题为“AI视频生成、人物与商品替换、导演图和数字人”。读完本课，你应当能为一个视频任务选择制作路线，写清参考材料的分工，并对失败片段提出有依据的修改要求。

本课依据相关录音转写和课堂照片、录像画面整理。“课堂内容”重述当时的讲授；“教学解释”“练习”是整理者补充。图片可以点击放大。本次没有重新运行生成工具，也没有全量听校原音；工具名称、按钮、价格和参数不清楚的地方保留缺口。

一、先说清楚，你要“做”的是哪一种视频

课堂把多种操作放在一起演示，工具也可能把它们都叫“复刻”。但输入材料和要保留的东西不同，检查结果的方法就不同。

这个表是对课堂的教学整理。本知识库沿用的“一比一复刻”指原视频人物替换；借鉴表达结构重做，称为模仿视频。 “一比一”说明任务目标，不表示生成结果已经达到逐帧一致。

课堂内容｜录音15，00:31:20—00:35:08。 演示分别上传参考图、参考视频与参考音频，并在要求中明确引用各自对应的素材。随后播放换人及换裤子示例。讲师又强调：生成过一次满意结果，并不能保证下一次也稳定。

教学解释： 在写提示词之前，先完成一句话：“我要改变的是____，要保留的是____，分别以____为依据。”例如，换人任务可以要求保留原片的镜头顺序与动作；数字人口播则可能重新生成说话画面。两种任务都出现同一个人，但不能据此认为采用同一条流程。

二、长视频先拆镜头，决定哪些值得生成

课堂内容｜录音02，00:16:21—00:19:44。 讲师将短展示与多镜头营销视频分开讨论：较长内容可以只生成难拍的开头或局部镜头，其余采用实拍，再剪辑组合。举书展示的动作，现场拍摄可能比先做图、再生成更直接；旅居素材则可把人物表达与现场生活画面组合。

因此，不应把“用了AI”理解为所有画面都必须重新生成。课堂提到的30秒等长度，是当时划分任务的讲解方式，不是所有软件的统一能力上限。真正影响路线的是镜头数量、动作复杂度、现有素材和需要证明的商品事实。

教学例子： 假设要做一条介绍桌面收纳盒的视频，有三段：桌面杂乱、打开收纳盒展示分格、收纳后的桌面。先问每一段要让观众看见什么，再决定制作方式。

这不是课上的收纳盒案例，而是用于理解路线选择的练习。重点是把生成用在合适的镜头上。一个吸引人的开头做好了，整条视频仍可能缺少商品说明、声音或结尾；这些工作分别接到第三主题的文案结构和第四主题的剪辑组织。

三、人物与服装替换：先把参考关系摆清楚

课堂内容｜录音01，01:30:24—01:38:14。 上午演示先选服装、模特和动作参考，再要求图片中的人物穿上指定服装，模仿视频动作。讲师特别解释：如果还需要包、鞋，也要说明。随后查看上身图与场景，并提醒检查刺绣、包的位置等细节。现场继续上课等待任务，不能把这段输入和审图过程直接写成整条成片已验收。

第一步：分清谁提供身份，谁提供商品，谁提供动作

人物图主要回答“换成谁”，商品图回答“穿什么、拿什么”，原视频回答“原来发生了怎样的动作和镜头变化”。音频又是独立的一层。上传数量多，不代表这些分工已经清楚。

课堂内容｜录音15，00:32:07—00:32:36。 工具演示中用明确引用的方式说明参考哪个图、哪个视频、哪个声音。这说明的是素材分工；不同工具能否使用相同的引用符号，需要在实际界面确认。

教学示例： “视频A提供原有动作和镜头顺序；图片B、C提供目标人物的脸部与全身体型；图片D提供衣服款式。先检查人物穿上这件衣服的静态画面，再尝试指定片段。声音暂按任务单独处理。”这是一种需求表达，不是已测试、能保证生成成功的固定提示词。

第二步：先确认人物真的穿对了

课堂内容｜录音02，02:35:09—02:38:22。 讲师回看一种常见遗漏：直接将商品图和参考视频提交生成，没有先把模特与衣服融合。课堂建议先看上身效果，满意后继续视频；不合身时也可能需要调整模特选择。

看这张图时，沿着“产品与模特→上身图→参考视频→结果”走一遍。中间的上身图使问题变得可见：服装款式是否变了、体型是否适配、包鞋是否漏掉。如果这一步已经错误，后面应先修图片。静态合格之后，仍需检查运动中的形变。

第三步：把人物的身体信息补够

只有大头照时，工具可能拿到了脸部参考，却没有得到肩宽、身形和整体体态的依据。晚上的画布演示也当场指出，仅用大脸参考会有比例问题（录音23，01:14:58—01:15:05）。

教学解释： 当成片脸像目标人物、身体却不像时，不要只继续提高脸部相似度。先检查是否提供了全身参考，并分别看远景、近景、转身后的外观。反过来，提供全身图也不等于解决了所有遮挡与动作问题。

第四步：用画布保留输入与结果的对应关系

课堂内容｜录音23，01:11:33—01:20:47。 画布将视频、人物图和生成任务放在同一处，通过连线复用参考，多个结果可以并排比较。重点是看得清“这次用了哪些材料、得到哪个版本”，避免在多个对话里反复翻找。

配套课堂录像 IMG_0587 的末尾约262秒明确说为节省算力不继续生成。因而，本段可以学习上传、连接与比较的组织方式，不能把连线完成当成这条分支的成片成功。

不使用画布也可以保留这种关系。练习时给材料和结果命名，例如“动作参考A、人物B、商品C、试作01”，再记录本次改了哪一项。不要把三次不同输入的输出混在一起，最后只凭印象说某个工具更好。

四、红薯换土豆：为什么前半段对了还会失败

课堂内容｜录音02，01:43:26—01:45:42、01:48:40—01:51:30。 原片里的人在介绍农产品，商品在画面中的面积较小，又会被拿起、靠近镜头。课堂尝试把红薯改成土豆，并提出先截取不同状态的画面，在图片里处理商品，再把多张参考用于视频。

到后面的结果复看（02:39:16—02:42:52），讲师指出土豆形状异常，前后段也不一致。课堂解释是小商品细节没有被充分抓住，进一步要求对拿起、掰开、吃等关键状态分别取图和处理。

这里的“关键帧”应该怎样理解

本课沿用课堂的说法，指值得拿出来检查、提供参考的关键时刻截图，不是视频编码中的技术参数。选择依据是对象发生了什么变化，不必机械地每隔一秒截一张。

下面按课堂提到的动作整理检查思路；并非断言每个动作都在同一段15秒素材里完整出现。

教学解释： 按上述思路修改，需要完成三个小循环：先确定问题发生的时刻，再补能说明那一状态的真实材料，最后检查新生成片段的前后衔接。只把某一张截图修好，还不能认定它前后两秒也已正确。

生成以后怎样复看

先正常速度看完整段，辨认明显跳变；再回到拿起、转动、遮挡和切镜附近慢看或暂停对照。记录问题时写清“哪个时刻、哪个对象、与什么依据不符”。这是基于课堂案例补充的审看办法，不是课堂给出的统一验收标准。

例如，“后半段土豆变长，和目标商品特写不一致”，比“这个视频很假”更能指导下一步。前者可以回查该状态的参考和生成结果；后者可能让工具把光影、背景一起重做，商品问题却还在。

课堂提出多图补充，并复看了结果，但没有提供可复算的成功率。学习时保留这个做法及适用问题，不能写成“补五张图就必定成功”。

五、旗袍、裙子、豆浆与牛奶：何时应该重新编排

课堂内容｜录音02，02:05:00—02:08:04、02:45:31—02:52:59。 讲师提醒，裙子可能有摆动裙摆的动作，旗袍展示的动作条件不同；参考视频的风格和产品跨度太大，机械替换容易失效。豆浆与牛奶的例子进一步涉及产品样式、文字及多个场景。

这张课堂照片中，左侧是豆浆包装，右侧是牛奶包装，字幕仍出现“豆浆”。至少在这一帧，画面对象与文字没有一起完成对应修改。课件还讨论了包装文字与场景变化；仅凭照片不能检查整段视频中的每一次变化。

教学解释： 找对标时，除了题材相似，还要看动作依赖什么。摆裙摆依赖服装结构，拧瓶盖依赖包装方式，倒出液体又涉及产品状态。新商品不具备这个条件，要求“全部照着做”本身就需要调整。

可以按三个问题决定是否继续替换：

1. 原动作是否适用于新商品？若不适用，先改动作或另选参考。
2. 原文案与字幕是否仍然成立？商品名称、成分、规格、卖点都要重新核对。
3. 真正想借鉴的是某个画面，还是介绍顺序与节奏？如果是后者，转向脚本与分镜改编更明确。

课堂给出的另一条路

产品跨度大时，课堂转向分析参考视频的脚本、提示与关键画面，再带入新商品组织故事板。转写中的若干模型名称不稳定，本课保留操作关系：理解参考表达什么→按新商品重写→准备对应关键画面→审查后再生成。

例如，借鉴“提出常见误解→展示关键细节→说明使用条件”的结构时，三个内容环节可以重新写；旧商品的动作、规格和承诺不能跟着自动继承。这属于模仿结构，不属于原视频换人。

课堂对某个仅用文字生成的结果说过“80%相似”。这只是当时的观感，没有评分方法；不作为你判断任务完成的量化门槛。

六、复杂动作与多套换装：修正前先定位错误

复杂舞蹈并非只有一张脸的问题

课堂内容｜录音02，02:43:40—02:45:27。 演示讨论舞蹈动作多、人物体貌没有正确替换的情况，并提出“黑白深度视频”来辅助约束动作。

课件保留了这条改进方向，但名称、工具链、生成深度参考的具体操作和可复现结果尚未完整核实。不能把普通视频去色理解为已经得到可约束动作的深度参考。 图中的一段概括文字，也不足以形成逐按钮教程。

本课能先教清楚的判断是：出现问题时，分别问“动作没跟上”“体貌没换对”“衣服在运动时穿模”中的哪一个发生了。明确类别后，才能决定补全身参考、检查动作条件，还是另外核验专门的控制方法。不能把它们全部归咎于脸部照片。

五套衣服只换对三套，应该怎样反馈

课堂内容｜录音16，00:42:35—00:47:13。 讲师展示一段多套服装替换，指出第一、第二套等部分正确，第三、第四套出现问题。随后提出将错误视频和正确参考一起提交，说明目标与未换全的问题，让工具帮助完善提示。

这里有一个必须保留的现场条件：演示中没有找到预期的正确视频，临时用另一段视频假设为正确参考来说明原理；最后明确没有继续生成。因而这段可支持“怎样表达对照关系”，不能证明新的提示已修好五套换装。

教学补充： 真正尝试前，先为五套服装建立对应表：第几套出现在原片哪个时段、要换成哪张商品图、当前结果哪里不符。时间段应从自己的原片观察，不能照搬别的案例。

可把反馈写成：“视频A是原片，视频B是当前错误结果，图片C至G依次对应五套服装。请先核对每段的对应关系，指出遗漏或含糊的要求，再整理修改方案。第三、第四段尚未换成指定服装，请优先处理；修改后仍要检查其余段落是否受影响。”这是教学示例，没有在特定工具上实测。

正反参考必须真正反映目标。随便挑一条漂亮视频当“正确样例”，可能在人物、动作和衣服上同时引入新变化，使对照失去意义。

七、导演图：先看清每个镜头准备出现什么

课堂内容｜录音09，01:43:12—01:51:35。 第三天补充了导演图路线。讲师先展示人物、产品、环境和分镜，再播放对应视频；不喜欢哪个人物、背景或镜头，先修改图片，确认后再生成动态内容。讲师也说，如果更重效率、能承受尝试成本，可以直接生成，因此这是一条有条件的路线。

这幅画面来自课堂录像。左上放人物，左下放产品，中间按时间排列镜头，右侧放环境和机位参考。读图时先忽略装饰界面，检查各部分是否彼此一致：镜头里是不是同一个人、同一件商品，动作是否能在该环境发生。

课堂的制作顺序

1. 将参考内容、产品图和描述要求交给分析工具，得到视频与分镜的描述。课堂提到Gemini。
2. 用描述和产品图生成导演图。课堂接着提到ChatGPT生图。
3. 审查人物、背景、商品和各段镜头，针对不满意部分修改。
4. 确认后交给视频生成工具，再检查动态结果。课堂提到豆包及其他工具，没有证明每个工具都可互换。

这里记录的是当时的串联方式，不是对当前产品能力的核验。可迁移的重点是每一步的交付：分析后得到可审的描述，生图后得到可见的计划，生成视频后再核对动作。

这张提示模板照片将角色、产品多视角、分镜和环境拆成区域。它同时包含装饰性的界面元素与参数文字。图片上写着4K或某个镜头参数，不表示实际生成文件已具备该参数；绘制一个认证图标也不能证明商品取得认证。 这些应和真实商品信息、最终文件属性分开核对。

不会写复杂模板，也可以先填写这张镜头表

以下仍用教学收纳盒例子，假设实际材料只确认“盒盖可打开、内部有四格”，其他性能未知。

如果表格第二行还不知道盒盖如何打开，就先补实拍，不能让导演图替你决定产品结构。如果静态图对、开盖动作错，问题进入动态阶段；继续润色导演图的标题，通常不能直接修好开合动作。

八、数字人口播：文案、声音、人物和出镜是四件事

课堂内容｜录音15，00:35:08—00:40:27。 演示建议准备自然讲话的人物片段，不要只机械读数字；随后展示声音、人物形象、台词朗读和各分镜是否显示数字人的设置，并播放口播及英语样例。

可按四层理解这条流程：文案确定说什么，声音决定怎样读出，人物画面承载说话表情与口型，剪辑安排在哪些镜头出镜。课堂的数字人批量界面又将这些内容与其他画面组合。

课堂内容｜录音15，00:35:59—00:36:46。 讲者承认方言克隆和口型会有问题，提出某些情况下直接使用原声。课程中关于哪些语言可用的说法有工具与时间条件，不扩展成今天所有数字人工具的能力清单。

第三天也展示过从无台词的人物片段，结合文字、声音再做口型的路线（录音09，01:53:29—01:56:40）。这是另一种准备方式；不应与第四天“自然说话的训练片”拼成一套适用于所有工具的上传规范。

教学解释： 一段英语样例可播放，不等于翻译、商品事实和发音都正确。学习时分开听台词与看口型，逐句确认内容，再看人物是否自然。课堂说的“99%真实”没有提供评测，不作为验收分数。

九、把一次试作变成可以判断的过程

本节是整理者根据上述案例归纳的手工试作记录方式。它服务于学习，不代表本次已经完成视频生成，也不要求安装新技能。

开始前写清任务。 选择换人、换商品、图生视频或数字人口播中的一条主线；列出改变项和保留项。取一个能暴露关键动作的短片段，具体时长由素材与工具条件决定。

整理必要输入。 标明每份素材提供人物、商品、动作还是声音信息。遇到未知商品结构或关键状态，补资料或缩小任务，不把推测当作确认。

先检查可见的中间结果。 该路线如果需要上身图或导演图，先审这些图片。再生成动态结果，并保留本次输入和版本，方便比较。

按问题决定下一步。 下表用于定位，不是承诺每一类错误只存在一个原因。

讲师在录音15明确区分一次效果与多次稳定性。你自己的记录至少应能回答：用了什么输入、改了什么、哪些地方变好、哪些问题还在。只有这样，下一次尝试才有比较依据。

十、四个练习：先检查判断，再考虑生成

练习一：这属于换人，还是结构模仿？

一条参考视频按“工作误区→现场对比→操作建议”展开。你把它换成新案例、新人物、新台词，保留这三段顺序。能否把结果叫作原视频人物一比一替换？

练习二：第一帧对，后半段错，先改什么？

人物拿着目标商品时正常，转身后商品形状变了。有人建议直接增强清晰度。你会怎样安排下一步？

练习三：导演图画得漂亮，是否可以直接通过？

收纳盒导演图的人物和场景都很好看，但第二个镜头把四格变成六格，还画了一个材料没有提供的认证标志。你会如何反馈？

练习四：数字人的声音很像，为什么还不能交付？

生成口播的音色接近目标人物，但规格数字读错，某句话的嘴型也不同步。你会把问题分别记录在哪一层？

读完可以留下三行笔记：我想做的视频属于哪条路线；需要哪些不同用途的参考；最需要检查哪个动作或时刻。能解释这三点，再做小范围试作，通常比直接要求“做一个一样的视频”更容易知道下一步。

原课定位与本课保留的缺口

本课没有恢复完整的深度控制教程、全部模型参数和每次生成的动态成片验收。课堂静态照片、播放示例、讲者评价与独立稳定性测试属于不同证据。上述缺口保留在知识库中，不用外部教程或合成结果冒充课堂已完成的内容。

下一主题讲文案、开头、卖点与内容结构；第四主题再讲分镜库、编辑、混剪和批量生产。本课先掌握的是：选对制作路线，让材料各有用途，并能沿着具体错误回查过程。