AI 视频思考：用 AI，让现在的自己与年轻的自己跨时空重逢

Mon, 29 Jun 2026 10:38:00 +0800

用 AI，让现在的自己与年轻的自己跨时空重逢

这次我做的是一支专家主题短片：把每位专家年轻时和现在的照片，生成“跨时空相望、对话、互动”的视频，再剪辑成一支完整的致敬影片。

最初的想法是“新老自己相拥”。做下来发现，真正打动人的，是从注意到对方、认出自己，到交流、靠近、给予鼓励的情绪过程。整个工作流也逐渐从“上传两张照片，写一段提示词”，发展成了素材管理、动作设计、接口生成和后期剪辑相结合的制作流程。

一、先整理素材，让每个人都有明确的对应关系

素材来源是一份嵌有照片的 Excel，以及少量单独存放的图片。第一步是按表格顺序提取照片，并统一命名：

01-姓名-young.jpeg
01-姓名-old.jpeg
02-姓名-young.jpeg
02-姓名-old.jpeg

最终从表格中提取了 27 条记录、54 张图片。其中有两位专家在表格中重复出现，分别对应不同的照片组合，因此保留不同编号，没有直接去重。

统一命名的价值很明显：上传时能快速找到配对照片，生成的视频也可以沿用相同编号，后期剪辑不会混淆。

随后检查图片规格，统一满足：

单张小于 10 MB。
短边大于 400 像素。
保留原始文件名和新老照片的对应关系。

实际处理了 5 张不符合要求的图片：4 张等比放大至短边 512 像素，1 张超过 10 MB 的图片压缩至约 5.13 MB。这里的放大只是满足输入尺寸要求，并不能恢复原图中本来就缺失的面部细节。

二、先建立统一规则，再针对每位专家修改

为了让几十条视频剪在一起有系列感，我逐步确定了几条统一规则：

年轻的自己固定在画面左侧，现在的自己固定在右侧；采用横屏 16:9；单条时长由最初的 5 秒调整为 8 秒；整体保持写实、温暖、克制的电影感。

但每个人的照片和经历不同，背景、动作不能完全照搬。因此，提示词采用“统一骨架＋个人适配”的方式。

统一骨架负责位置、时长、人物身份、画面风格和动作顺序；个人适配负责照片类型、背景补全、服装、道具及具体互动。

例如：

证件照没有真实环境，需要依据年代、服装和身份补全场景。
旅游照尽量保留原来的景点、天气和旅行氛围。
工作照、讲课照保留职业环境和人物工作状态。
多人照片必须明确只选哪个目标人物。
年轻照片中抱着玩偶时，需要明确人物识别不受玩偶影响。
毕业照可以设计为如今的自己为年轻的自己拨穗，再给予鼓励。

这些细节决定了视频是不是“这个人的故事”。

三、人物比例和面部真实，是最需要反复强调的部分

两张照片的拍摄距离和构图往往差别很大。一张可能是大头照，另一张是全身照。如果直接继承原图的人物大小，就容易出现一个人头大、另一个人身体小，或者新老自己身高差过大的问题。

因此，我把比例要求提前到提示词最前面：

忽略参考照片中的人物像素大小和拍摄距离，从视频第 0 秒开始，以统一、真实、自然的人体比例呈现两个阶段的人物。

两人应处在可比较的地面和景深位置，头部大小、肩宽和身体比例自然协调。对于明确知道身高的专家，可以补充真实身高，例如年轻时 177 cm、现在 176 cm，视觉上应几乎同高。但这些数值只是生成指导，最终仍要看实际画面，不能靠提示词保证厘米级准确。

另一个重要要求是不美化脸部。年轻和现在的面部特征要分别忠于各自照片，保留真实脸型、五官比例、发际线、肤色、皱纹与年龄痕迹。年轻的青涩、现在的从容，都来自原照片，不额外磨皮、瘦脸或年轻化。

四、把“相拥”改成有情绪起伏的动作过程

最初的提示词常常把“相望、穿越、走近、握手、拥抱、微笑”全部塞进 5 秒里，动作容易仓促。

后来调整为 8 秒，并明确先后关系：

各自在自己的背景中自然活动
→ 察觉对方
→ 转头、目光相接
→ 简短交流
→ 背景融合、走近
→ 完成一次主要互动
→ 自然停留

其中最重要的是“察觉到对方”。人物不能一开始就机械地看向画面中心，要先做自己的事，再停下动作、移动视线、轻轻转头，最后看向另一个自己。

对话采用轻微口型、点头和自然手势表达，不预设具体台词。头部、眼神、肩部和手部动作要连贯，人物的注意力应落在对方身上，而不是看向镜头。

在这支影片的动作设计中，男性专家主要采用握手、拍肩、扶上臂等鼓励动作；女性专家主要采用牵手、轻握双手、温柔拥抱等互动。这是本片的创作选择，也会依据具体人物气质调整。

每次只选一组主要动作，变化可以来自谁先伸手、停顿多久、是否轻拍肩膀、如何回应。单靠“随机动作”几个字无法保证每次不同，更稳妥的办法是给每位专家分配明确的动作版本。

五、背景变化承担“穿越时间”的表达

我希望开场能同时看到两个时期：

左侧保留年轻照片的环境，右侧保留现在照片的环境。两个人先在各自背景下相望、交流，之后右侧当代背景逐渐淡出，最终融合到年轻时期的场景中。

这样，现在的自己像是回到过去，与人生起点的自己相遇。

背景转换要有空间连续性，避免突然换景、闪白或夸张特效。没有背景的照片，则依据已有信息补全合理场景，而不是所有人都使用同一个金色房间。

六、通过百炼 API 验证多图生成流程

实际调用时，确认使用的多参考图模型是：

happyhorse-1.1-r2v

它采用异步流程：

提交图片和提示词
→ 获得 task_id
→ 查询任务状态
→ 成功后取得视频链接
→ 下载保存

请求中的图片顺序很重要：第一张参考图对应 [Image 1]，第二张对应 [Image 2]。不能仅凭“年轻、现在”的惯例判断，必须每次检查绑定关系。

接口需要服务端可访问的图片地址，本机文件路径不能直接作为公网图片 URL 使用。模型、API Key 和接口地域也需要匹配。

我使用系统环境变量 QWEN_KEY 做了一次真实测试，提交官方示例图片后，任务经历了 PENDING、RUNNING，最终返回 SUCCEEDED 和视频下载链接。这验证了当前密钥能够调用该视频模型。

这次还发现一个容易误判的地方：OpenAI 兼容接口的模型列表里没有显示某个视频模型，并不能据此断定百炼不支持它；应以对应模型的原生 API 文档为准。

七、生成失败时，先看清是哪一层出了问题

遇到过 DataInspectionFailed，其中两类提示要分开看：

text (input)：输入文本审核未通过
image (input)：输入图片审核未通过

错误信息只指出被拦截的输入类型，不能据此确定具体是哪一个词、哪一个图像元素触发。之前对制服、标识或动作词的推测，都不能当成已经确认的原因。

文本问题可以先检查表达是否准确、冗长或自相矛盾；图片问题则应确认素材内容、使用权限和平台要求，必要时换用更清晰、适合该平台的照片，或联系平台反馈误判。修改提示词并不能解决已经明确指向图片的审核失败。

八、批量制作需要任务记录和并发控制

多位专家的视频可以分别提交，但“提交成功”和“同时开始生成”是两回事。账号实际能同时运行多少任务，要看模型配额和平台限流。

批量制作时，每条任务至少记录：

专家编号、姓名
两张参考图的顺序
提示词版本、动作版本
task_id、任务状态
下载文件名、审核结果

并发数量应根据实际额度逐步调整。任务成功后及时下载，避免临时链接过期；查询任务状态即可，不需要反复创建相同任务。

九、片头片尾采用设计图驱动动画

片头文字是：

与年少的自己跨时空对话

片尾文字是：

医路漫漫，薪火相传，步履不停

最初尝试让视频模型直接生成中文大字，后来为了减少错字，改为先设计好静态文字图，再让模型生成蓝色背景流动、星轨、金色微光和字体鎏金扫光。

整体视觉统一为深蓝渐变背景、克制的金色光效、立体艺术字和庄重温暖的电影感。

不过，参考图也不能保证生成过程中每一帧文字都不变形。需要严格准确的中文时，最可靠的做法是生成背景动画，再在剪辑软件里叠加原始标题图或文字图层，单独添加扫光、浮雕和淡入淡出效果。

十、后期剪辑把独立片段连接成完整作品

整支长片由每位专家的独立短视频、片头片尾、音乐和字幕共同组成。

单条生成后，重点检查：

人物身份、年轻与现在的脸是否准确。
年轻在左、现在在右的关系是否稳定。
身高、头部和身体比例是否自然。
视线是否看向对方，动作有没有跳变。
手部接触、握手、拍肩或拥抱是否合理。
背景变化与结尾是否便于衔接。

每人生成 8 秒，不代表剪辑时必须全部用完。可以保留最动人的几秒，让整片的节奏有变化。较长的个人故事也可以拆成多个镜头，但需要持续核对脸、服装、背景和道具的连续性。

这次制作留下的思考

AI 视频提示词越长，并不意味着结果越稳定。真正重要的是明确身份、参考图用途、左右位置、比例、动作起点和终点。

“温暖、感人、电影感”只能提供方向。让情绪落地的，是具体动作：先停下手里的事，认出对方；对视时短暂停顿；握手后轻轻拍肩；拥抱时留一点时间。

这支影片想表达的，是走过多年之后，终于有机会回头看一眼年轻的自己，给予理解、感谢和鼓励。技术流程的每一次调整，都是为了让这个瞬间更真实。

提示词 on XEDCZQ的博客