微缩世界里的北京：AI 视频创作全流程拆解与「我 AI 北京」大赛备赛指南

2025 年 8 月 18 日，AI 视频创作者娜乌斯嘉（娜娜酱）在 WaytoAGI 社区「晚八点共学」直播中，围绕「我 AI 北京——第二届北京城市形象 AI 创作征集」比赛，分享了一套从微缩景观视频制作到比赛投稿的完整方法论。她结合自己制作全国省份地标微缩视频的实战经验，逐一拆解了 Midjourney、即梦、豆包、可灵等主流 AI 工具的使用技巧，并给出了针对大赛的选题、避坑与时间管理建议。无论你是准备参赛的创作者，还是想系统了解 AI 视频制作流程的入门者，这份指南都能帮你少走弯路。

微缩景观视频的起点：提示词与垫图技巧

▶ 23:34 · 看这一节

娜乌斯嘉的微缩景观视频灵感来自一个网络梗——将中国地名机翻成 RPG 地图风格的名字，再配上各省地标建筑的微缩模型。她强调，微缩模型的提示词核心就两个关键词：cinematic Micro photography（微缩摄影）和 isomax bird EYES view（鸟瞰视角），其余描述不必照搬。

「没有必要说跟我一模一样。」她建议，可以把这段核心关键词交给 Google 的 Gemini（免费版即可），让它按省份批量生成提示词，并指定「挑选每个省份的地标建筑」。这样生成的提示词质量很高，像悬空寺、南天门、少林寺等建筑，甚至不需要垫图就能直接生成。

不过，并非所有地标都能一次生成成功。娜乌斯嘉的经验是：像天坛、布达拉宫、福建土楼、东方明珠这类世界闻名的建筑，Midjourney 直接认识；但像广州塔（小蛮腰）、白塔这类建筑，直接生成的效果不稳定，就需要垫图。

垫图时，她推荐使用 Midjourney 官网版（国内版叫「悠船」），因为大部分操作可以可视化完成，不用记复杂的命令。垫图有三种模式，区别很大：

• Style reference：管画风，会继承垫图图片的风格，但不保留具体元素。
• Image transform：类似图生图，几乎保留原图所有元素，但会改变构图。
• Only reference：记录主体物的细节或特征，适合垫角色、产品、地标建筑。

垫图时有个关键细节：「尽量给它裁一下，不要垫整个这么大一张图，把周边的一些信息少带进去一点。」如果垫图后质感还不够好，她建议「循环垫图」——把生成结果再截下来垫回去，反复几次直到满意。

如果 Midjourney 垫图始终出不来想要的建筑效果，娜乌斯嘉有个巧妙的替代方案：先用豆包画一张微缩模型图，再拿这张图去 Midjourney 垫图。「豆包是认识中国地标建筑的，只是美学不如 Midjourney。」她提醒，豆包和即梦的模型同源，同一个提示词生成结果基本一致。

从生图到改图：工作流与效率工具

▶ 44:02 · 看这一节

Midjourney 虽然审美最强，但每月 30 多美金（约 200 元人民币）的费用不低。娜乌斯嘉建议新手可以先在淘宝找人合租账号，6～10 人合租每人只要几十块钱，但要注意别买到中转或套壳的账号。

对于不想付费的用户，她推荐了开源模型方案。在 Runninghub 工作流平台上，可以找到大量免费或低成本的工作流：

• 千问 Image：相当于即梦 3.0，部署到本地不花钱，但网站生成速度稍慢。
• 万 2.2：动作迁移能力「已经吊打一些闭源工具」。
• Multitalk：开源领域对口型的 top 级别工具，上传图片加音频即可生成对口型视频，支持多人对话和音色克隆。

Runninghub 的使用门槛很低：「如果你是小白，就去 AI 应用里面，打开一个就像一个小 APP 一样，上传图片或输入文本就能生成。」高阶用户可以直接使用或搭建工作流，云端运行按分钟计费，几分钱一分钟，非常便宜。

改图方面，娜乌斯嘉重点推荐了 Context 模型，可以实现「万物改图」——把头发改成短发、金色，一句话就能完成，速度快且不影响画面其他部分。她现场演示了一个 Context 改图工作流：「你只需要知道往哪放图、往哪打字、这个工作流是干嘛用的就可以了。」她特别强调，工作流不必从头搭建，用现成的就行，就像玩电路玩具，「你作为一个使用的人，只需要点击一下运行」。

对于图片放大，她推荐在 Runninghub 搜索「万 2.2 分块」工作流，放大效果非常清晰。她还提醒，即梦的「细节修复」和「智能超清」两个功能要配合使用，先用细节修复重绘细节，再用智能超清提升清晰度。

视频生成：首尾帧与抽卡哲学

▶ 1:26:00 · 看这一节

视频生成是娜乌斯嘉分享的重头戏，她最常用的工具是即梦，原因有三：生图模型好用、更新了首尾帧功能、费用相对较低。

首尾帧的原理是让首帧和尾帧的画面元素保持一致性，这样穿梭动画会更丝滑。她以「一家人在电视机前看电视，电视中是古罗马斗兽场」为例演示了完整流程：先分别生成客厅画面和斗兽场画面，用 PS 把斗兽场图片放进电视屏幕区域，保持两张图的画面元素一致，然后作为首帧和尾帧上传，提示词写「穿梭动画镜头穿梭到电视机里的古罗马斗兽场」。

「你让你画面里的某些元素保持一致性，他就能做出非常非常顺滑的首尾帧。」她强调，首尾帧的提示词要根据不同画面单独写，而且「最重要的就是抽卡，大力出奇迹」。她透露，自己那条全国省份微缩视频的完整版，抽卡抽了将近 1 万个积分。

即梦的 Agent 模式（灰度测试中）也是她强烈推荐的功能，尤其适合小说推文创作。它能自动完成故事大纲编写、画面风格创建、角色形象生成、分镜绘制，甚至直接跑成视频。「当这个功能出来之后，基本上小说推文应该就是 all in 了。」她展示了自己用该功能制作的暗黑版白雪公主故事，人物一致性和分镜连续性都相当出色。

平面作品与字体技巧

▶ 1:31:55 · 看这一节

针对大赛的平面作品赛道，娜乌斯嘉分享了一批她收集的字体提示词，包括金属字、大米字、皮质字、鎏金字、绿色锈迹字、微观景字等。她提醒，在即梦中写字「一定要把所有的字放在文字效果增强的双引号里面，否则没有办法正确打出文字」。

她以「北京天坛 C4D 建模风格海报」为例，演示了平面作品的提示词写法：先说主体物（天坛 C4D 建模风格），再说整体色调（红色和金色），然后指定字体（毛笔字体）、构图（居中构图）和细节（精致的细节）。生成后如果出现乱码文字，可以用即梦的智能画布消除笔修掉，或者用 PS 处理。

她还介绍了即梦的参考图功能，上传参考图时可以选择不同的模式：角色特征（保持人物形象一致）、主体识别（相当于把主体抠出来换背景）、边缘轮廓（保持构图线条不变）、风格参考（模仿画风）、景深（适合建筑物）、人物姿势（模仿动作）。这些功能对保持角色一致性很有帮助。

现场问答

▶ 2:03:25 · 看这一节

Q：PS 有什么平替工具吗？ A：没有平替。「如果你玩 AI 的话，我是真的建议你一定要会一下 PS，不会 PS 你的坑会很多，你会很痛苦。」PS 主要用于裁剪、缩放、修掉多余元素等基础操作。

Q：做分镜用哪个工具比较好？ A：即梦的 Agent 模式最好，但目前还在灰度测试。现阶段推荐用豆包做分镜，人物一致性非常好，适合小说推文类内容。

Q：国内有哪些图片下载网站？ A：花瓣、包图等都可以。

Q：Midjourney 太贵了，怎么达成角色一致性？ A：如果只是需要「人大概长这样」的还原度，在 Midjourney 的 Only reference 里垫图即可。如果需要更高的一致性，可以在 ComfyUI 里加载 Flux 底模，配合 Lora 模型做图生图重绘。

Q：即梦怎么去水印？ A：目前只有即梦超级创作者（超创）能去水印。有观众分享技巧说，通过即梦 AI 的画布编辑后导出，选择两倍可以去除图片水印。

要点回顾

• 微缩模型提示词：核心是 cinematic Micro photography 和 isomax bird EYES view，其余描述可让 Gemini 按省份批量生成。
• 垫图三模式：Style reference 管画风，Image transform 是图生图，Only reference 记录主体物特征；垫图前先裁剪，减少无关信息。
• 循环垫图：生成结果不满意就截图再垫，反复迭代直到满意。
• 豆包辅助：Midjourney 垫图不出效果时，先用豆包画微缩模型图，再拿去 Midjourney 垫图。
• 改图用 Context：一句话改图，速度快、不影响其他元素；工作流用现成的即可，不必从头搭建。
• 首尾帧关键：首帧和尾帧画面元素保持一致，提示词根据画面单独写，穿梭动画会更丝滑。
• 抽卡哲学：视频生成「大力出奇迹」，重要作品要预留足够积分反复抽卡。
• 即梦写字：文字必须放在「文字效果增强」的双引号内，否则无法正确生成。
• 比赛建议：围绕北京主题创作（胡同、天坛、紫禁城、全聚德等），加中英文字幕利于国际化传播；回避国徽、伟人头像、国旗等敏感元素，地图必须完整；不要拖到最后一天提交，预留审核和修改时间；平面作品成本低，可以多抽卡多参赛。