我如何用 AI 製作寫實維京人影片（完整工作流程）
Aug 2026
我用 AI 製作了一部名為 Ulysses 的寫實維京短片，完全沒有攝影機、劇組、演員或佈景。只用了四百多個鏡頭，花了大約八天建立，看起來就像真實拍攝的畫面。以下是完整的工作流程，從頭到尾，完全按照畫布上實際發生的方式。如果你想先看成品，請在 Flick TV 上觀看完整影片；下面是它的製作過程。
這是一部關於兩個看似普通的遊戲 NPC 在空曠的等待空間中等待的短片,但我們逐漸意識到他們可能比控制他們的玩家更有生命力。我們不再將 NPC 視為靜態的背景程式碼,而是想像他們即使在看不見的時候也繼續存在,擁有自己的意識、不確定性和存在感。故事一開始是一場荒誕的等待遊戲,但慢慢地變成對可見性、表演以及擁有內在生命意味著什麼的反思。
1. 先有故事,再有鏡頭
Ulysses 是一個維京時代的故事:一位蜜酒廳老闆、一名年輕守衛、一位身披盔甲的戰士,還有一條龍。在生成任何內容之前,我先將它拆分成鏡頭,就像為任何影片製作分鏡腳本一樣。每個鏡頭都有粗略的規劃:誰會出現在其中、鏡頭位置在哪裡,以及會發生什麼事。
製作你自己的 AI 影片
從一張圖片開始，逐鏡建立完整影片。
2. 將角色製作成參考表
這是最重要的一步。我為每個角色生成了一張清晰的三視圖參考表,包含正面、側面和四分之三視角,背景是純灰色,就像選角照片一樣。
這張參考表成為角色的「演員」。該角色之後的每個鏡頭都以它為基礎建立,因此面容不會改變。我的主角參考表在七十九個不同的鏡頭中被重複使用作為基底。服裝和盔甲也採用相同方式處理:我手繪盔甲草圖,然後將草圖轉換成完整的照片級真實全視角圖。
3. 手繪每個鏡頭的草圖
這是最讓人驚訝的步驟。在生成畫面之前,我先粗略地繪製了構圖草圖,只畫形狀:角色站在哪裡、地平線在哪裡、鏡頭看向哪裡。在這部影片中,我為數百個鏡頭都這樣做了。
草圖同時包含了場面調度和鏡頭角度。它快速、可拋棄,並且為模型提供了確切的遵循對象,而不是從文字中猜測構圖。
4. 將草圖轉換成照片級真實畫面
然後我在 Nano Banana 中結合了三樣東西:構圖草圖、角色的參考表和簡短指示,要求生成照片級真實的實拍畫面。提示詞禁止模型偏離:
Use the provided sketch as the only composition reference, use the provided guard
reference as the guard character reference. Convert the scene into a photorealistic
live-action cinematic image. Composition 100% exactly matches the provided sketch.
Camera position 100% unchanged.粗略的草圖加上固定的角色,從另一端產生出看起來像拍攝出來的鏡頭。
5. 透過編輯而非重新生成來精修
這部影片中幾乎沒有任何內容是從空白文字提示詞開始的。在我的圖像生成中，371 次是對現有畫面的編輯，只有 21 次是文字轉圖像。當畫面稍微有偏差時，比如下顎太重、陰影奇怪或細節錯誤，我會編輯該畫面而不是重新開始。一致性來自於在鎖定的基礎上進行編輯，而不是來自完美的措辭。
6. 動畫化並讓角色開口說話
靜態畫面鎖定後，我使用 Kling 將選定的畫面製作成影片動畫。有些鏡頭是簡單的動作；其他則是對話，角色直接對著鏡頭說話。這些提示詞對表演有具體的描述：
Handheld camera, extreme close-up of his face. His eyes stay locked on the camera,
no drift. He says, "Still, here." Then a brief pause, still staring, with visible
strain, as if forcing the words out.靜態畫面保持身份特徵；影片則增添呼吸和聲音。
7. 所有工作發生的畫布
以上每個步驟都在一個工作區中完成。這是實際的專案縮圖：左側是草圖列，右側是寫實圖列，底部是角色設定圖，中間是迭代過程。424 張圖片和 38 個影片鏡頭，全都可追溯到它們的參考來源。
放大任何地方都會看到相同的模式重複:一個構圖、多個拍攝版本、一個存活者。這就是兩位主角在迭代過程中的樣子,穿著鎖子甲的守衛和穿著束腰外衣的守門人,每個版本中都是相同的臉孔,因為每個版本都指向相同的參考表。
8. 背後的數據
為了讓您了解規模，以下是完成專案所包含的內容：
| 來自 Ulysses 畫布 | 數值 |
|---|---|
| 生成的圖像 / 失敗次數 | 424 / 20 |
| 參考圖像連結 | 653（佔所有連結的 92%） |
| 圖像編輯 vs 文字轉圖像 | 371 vs 21（95% 為圖轉圖） |
| 單一參考表重複使用 | 79 個鏡頭 |
| 製作時間 | 約 8 天，一人完成 |
9. 開始之前我會告訴你的事
- 先建立參考表。這是整個遊戲的關鍵。沒有參考表的角色會飄移變形。
- 繪製您的鏡頭草圖。一張構圖正確的粗糙草圖勝過一段華麗的文字描述。
- 編輯，不要重新生成。鎖定基礎圖像，盡可能少做改動。
- 預期會有失誤。有二十個鏡頭完全失敗，還有更多需要修正。這很正常；整個流程本來就能承受這些失誤。
創作您自己的作品
從一張圖片開始,逐個鏡頭建構影片。最重要的步驟是參考表,我們的一致 AI 角色指南正是針對這一點的深入探討。
常見問題
製作這樣的 AI 影片需要多長時間?
Ulysses 在大約 8 天內執行了 432 個生成任務,一個人,沒有團隊。大部分時間都花在選擇不同的版本,而不是等待算圖。
影片實際使用了哪些 AI 模型?
Nano Banana 用於靜態圖片和編輯(392 次圖片生成中有 371 次是對現有畫面的編輯),Kling 用於動態:完成的畫布包含 37 個 Kling 視訊鏡頭,包括口語對話的拍攝。
角色如何在 400 個鏡頭中保持一致?
參考表,連接到所有內容:專案包含 653 個參考圖片連結,佔所有連線的 92%,光是主角的參考表就支撐了 79 個鏡頭。沒有任何鏡頭是單獨從文字生成的。
角色真的能說話嗎?
可以。對話鏡頭是從鎖定的靜態畫面動畫化而來,使用指定台詞、停頓和眼神動作的表演提示詞。靜態畫面保持身份;視訊處理則加入呼吸和聲音。