Creative Space

内容

你给我: 商品资料、目标受众、已确认的卖点、要投放的平台和画幅,再给一张出镜人的照片(或描述想要的样子)。

你拿到: 一支出镜讲解的竖屏商品视频,配背景音乐,附脚本和发布文案草稿;多镜头做法还可以出几个不同开头的版本。

两种做法

做法画面什么时候用
多镜头 UGC(默认)出镜讲解和产品演示交替,节奏快,重点在开头钩子,30–45 秒投放测试、种草
单镜头口播一个数字人、一个场景、一个机位,手持商品对着镜头从头讲到尾,30–60 秒稳妥带货、详情页口播、直播切片式介绍

画面里没有人脸的商品视频(场景广告片、开箱),用「商品视频 Studio」。

工具与分工

  • 分镜设计: 按「营销片结构」写脚本和分镜;口播按它写口播稿。
  • Flova: 出镜人形象、出镜段落、产品演示镜头、配音、背景音乐。必需。
  • FFmpeg: 剪辑、混音、导出各个版本。必需。
  • 宿主读取能力(按需): 用户给了商品页,读卖点、参数和买家评价。
  • 字幕(按需): 用户需要时,提供 HyperFrames、Remotion 或 FFmpeg 等后期方案。

分项方法索引

  • :五种类型、结构、钩子、脚本、三种出镜方式、真实感、声音、多个开头。多镜头做法读。
  • :三视图怎么生成、检查,怎样用在镜头里。多镜头做法读。
  • :写实风格、合成关键帧、分句、配音、口播视频提示词、剪辑和验收。口播做法读。

先说清楚的边界

  • 产品事实以资料为准: 形状比例、颜色材质、结构、Logo 和文字、新旧,任何镜头里都不能变。产品图就是产品本身,作参考传入,不另外生成「差不多」的;缺角度请用户补拍。
  • 卖点有依据: 功能、参数、功效、数字照抄商品资料;效果对比要有真实依据,没有依据的效果不演示,美妆、保健、减重类尤其谨慎。
  • 不冒充真实用户: AI 出镜人是在介绍和演示,不讲亲身经历,不编造评价、销量和回购。测评、「我用了……」的口吻,只在有用户提供的真实体验素材、真实买家评价(注明来自评价),或真人创作者出镜时用;否则用介绍和演示的口吻。
  • 肖像和声音授权: 真人照片须确认有权使用、本人同意;不生成名人、网红的形象,不模仿他们的声音;克隆声音只用本人的,且须本人同意。
  • AI 标注: 有 AI 出镜人或 AI 配音时,提醒用户按平台规则标注;投放前按当地广告法规核对卖点措辞。
  • 渠道规格: 画幅、时长、安全区以平台当前要求为准,不凭印象写死。

工作流程

确认产品、受众、出镜人和做法(确认点)→ 出镜人(确认点)→ 脚本(确认点)→ 分镜或分句计划(确认点)→ 生成(确认点)→ 剪辑 → 多个开头(多镜头,可选)→ 交付

1. 确认产品、受众、出镜人和做法(确认点)

  • 向用户要产品图(多角度)、商品资料和已确认的卖点、目标受众(谁、在什么情境下需要它)、平台和画幅。
  • 出镜人: 默认 AI 出镜人,请用户给一张照片(确认有权使用、本人同意)或描述年龄感、气质、穿搭、环境。多镜头也可以只有手和画外音,或用用户已有的真人创作者素材,见 。
  • 声音: Flova 的配音音色,或本人的声音(须本人同意);也可以直接用本人录音。
  • 想用测评或亲身体验的口吻时,请用户提供真实体验、实测素材或买家评价。
  • 规格:多镜头默认 30 秒、9:16,可到 45 秒,要不要多个开头的版本;口播默认 30–60 秒、9:16,只选一个场景(居家、健身房、书店、办公室等)和产品的出现方式(手持、佩戴、放在胸前)。
  • 把产品事实、可用的卖点和证据写进 docs/brief.md,用户确认后继续。

2. 出镜人(确认点)

  • 多镜头: 按 生成三视图并给用户确认,它是全片唯一的出镜人参考。只用手和画外音时跳过。
  • 口播: 不做三视图,只要一张干净、适合电商的参考图,见 。

3. 脚本(确认点)

  • 多镜头: 按受众、卖点和证据选类型(痛点解决、演示教程、前后对比、推荐清单、测评,没有真实体验就不选测评),按 写脚本:第一句就是钩子,口语短句,一条只讲一两个卖点,以行动号召收尾,每句标节拍和大致时长。
  • 口播: 用 分镜设计 的「营销片结构」写口播稿,并按完整句子分句,见 。
  • 给用户看,确认后继续。

4. 分镜或分句计划(确认点)

  • 多镜头: 用 分镜设计 排分镜,出镜段落和演示段落交替;每个镜头写节拍、时长、出镜还是演示、画面动作、运镜、参考图和台词;演示镜头要能证明卖点。
  • 口播: 没有分镜,只有分句计划:每句的口播原文、时长和手部动作。
  • 给用户确认后再生成。

5. 生成(确认点)

按 Flova Skill 选择模式和模型,一般用快速生成:素材要交给 FFmpeg 剪辑。

  • 多镜头: 每个出镜镜头都带三视图作参考,出镜人描述逐字复用;出镜人说话用能同时生成对白的视频模型,或配音加对口型;演示镜头以产品图作参考。先试一个出镜镜头和一个演示镜头,对了再批量,逐个检查人物、产品、口型、有没有意外的字幕。片段里不生成音乐。
  • 口播: 合成关键帧、整篇配音、逐句对口型,按 。
  • 不合格的只重做这个镜头;被模型拦截时改写描述重试,连续失败再换模型,并告诉用户。

6. 剪辑

  • 多镜头: 按分镜顺序硬切,出镜和演示交替;台词或配音最清楚,产品声其次,音乐最轻。
  • 口播: 以配音时间轴为唯一基准拼接,见 。
  • 导出 MP4,完整看一遍:钩子三秒内是否抓住人,卖点和资料一致,行动号召清楚,口型与声音对齐。

7. 多个开头(多镜头,可选)

按 再写两个钩子类型不同的开头,只重做前 3–5 秒的镜头和台词,中段和结尾完全复用,分别导出并按钩子类型命名。

8. 交付

成片 MP4(及各开头版本)、脚本和分镜或分句计划、docs/brief.md、发布文案草稿;提醒用户标注 AI 生成内容。工程目录里的人物、镜头、音频和组装脚本都保留,改一句台词或换钩子时只重做对应部分。

工程目录

ugc-<产品名>/
├── source/      产品图、商品资料、真实体验素材、创作者素材
├── docs/        brief.md、脚本、分镜或分句计划、发布文案
├── presenter/   出镜人照片、三视图或参考图、描述
├── shots/       出镜段落、演示镜头、口播镜头
├── audio/       配音、分句音频、背景音乐
└── output/      成片、各开头版本、组装脚本

从一张照片到三视图形象

多镜头做法里同一个人要出现在多个镜头,先把他做成三视图形象,再用它生成所有镜头。一张照片只告诉模型正面的样子;三视图定下正面、侧面、背面和全身比例,转身、走动、换景别时人物才不容易变。

输入

  • 一张照片: 正面、光线均匀、脸清楚,最好半身或全身;真人照片须确认同意。没有照片时,按描述先生成一张正面形象给用户确认。
  • 服装: 用照片里的,或按用途换成合适的日常穿搭;写清款式和颜色,整组保持同一套。

生成

用支持参考图的图像模型,以照片为参考(角色 reference):

  • 同一个人的正面、侧面、背面全身像,并排站在纯浅灰背景上,自然站姿,可加一张脸部特写,均匀柔和的光。
  • 整张三视图用 16:9。 不要拼成很宽的长条:有的视频模型只接受宽高比 2.5 以内的参考图;需要更宽就分成三张。
  • 锁定语句逐字复用:「保持参考照片中这个人的脸、肤色、发型、体型完全一致,不要改变身份。」

检查(确认点)

三个角度是同一个人(脸型、发际线、发型、肤色、体型);侧面和背面合理,没有凭空的图案;和原照片像不像,用户认可后才用;手脚没有畸形。不像就重新生成,改两次仍不像,请用户换一张更清楚的照片。

怎样用在镜头里

  • 当参考图: 每个有人物的镜头都传入三视图,提示词写清「第一张参考图是人物的三视图,只负责脸、发型、体型和服装」。
  • 固定描述: 再写一段人物描述(年龄感、发型、服装、气质),所有镜头逐字复用。
  • 说话: 用能同时生成对白的视频模型,把台词原文写进提示词;或关键帧作首帧(first_frame)、配音作驱动音频(driving_audio),用对口型模型。

单镜头口播

通用的请求结构见 Flova Skill 的「写生成请求」;本文是口播的专门写法,冲突时以本文为准,模型实际支持的参数以查询结果为准。

一个数字人、一个场景、一个机位、一张共享关键帧,对着镜头把商品讲完。追求手机前置摄像头拍出来的写实感,不用电影级布光、调色和戏剧化构图。用户用中文时提示词用中文写,口播按成片语言写。

关键要素

  • 数字人参考图: 用户给了照片,保留可识别的面部特征和整体气质,输出一张干净、适合电商的参考图;没有照片就按描述生成,写年龄、体型、显著特征、发型、服装。风格是写实摄影、自然肤色和真实皮肤纹理,不要厚重美颜和网红脸。
  • 产品: 用用户的产品图,不另外生成「差不多」的产品;缺角度或没有图时请用户补拍。
  • 场景: 只有一个,和人物、产品的调性一致。
  • 都给用户确认后再继续。

合成关键帧

以数字人、产品、场景为参考,生成一张全片共用的图,同时满足对口型和带货:

  • 中近景或胸像,脸大而清楚。 不用广角或全身,脸太小时对口型对不准。
  • 产品清楚: 由人物拿着或佩戴,和脸一起在前景,标签和形状看得清;显得太小就收紧构图,或让手和产品更靠近镜头。
  • 单机位: 一个构图、一种拿取方式和光线,提示词写清人物和前景产品的位置关系,不写换角度、切特写。
  • 默认 9:16;自然光或室内光,轻微手持感。

口播稿与分句

  • 按「营销片结构」写:开头一句抓人(说中痛点或先给结果),中间逐条讲卖点,结尾给购买理由和行动号召;像人说话,不像说明书。
  • 按完整句子分镜头,镜头数只由分句和对口型模型的单段音频上限决定(以查询结果为准),不为节奏增加镜头;太长要拆时在句子结束处拆,不按时间硬切。
  • 卖点的变化靠口播内容和手部小动作表达,例如举起产品、指向细节。
  • 每个镜头写:编号、口播原文、预计时长和手部动作。

配音

  • 用户有自己的录音就直接用。否则用 Flova 生成,写清声音特点、语速和情绪。
  • 默认整篇一次生成,再在句间停顿处切成每个镜头的音频,全片音色和语气一致;按句分别生成时,检查各句音色和音量是否一致。

口播视频提示词

关键帧已经给出画面,提示词只写变化和动态。每个镜头输入共享关键帧和这一段配音,用音频驱动的对口型模型。

  • 用简单直接的短句,写明说话状态(自然口播、热情解说、边说边笑)。
  • 推荐模板:摄像机运动 + 说话者的情绪 + 说话状态 + 具体的身体动作 +(可选)背景变化。示例:「镜头基本固定,轻微手持感。女主播面带微笑、语气亲切地介绍产品,节奏清楚。说到第二句时把保温杯举到胸前,转动杯身让标签朝向镜头,然后轻轻点头。背景保持安静。」
  • 手部动作配合卖点,幅度小,产品不离开画面。
  • 写上 no music、no subtitles;工具支持文本对齐时,写这一句的口播原文。

剪辑

以配音时间轴为唯一基准按顺序拼接,镜头切换点对齐分句;去掉生成视频自带的所有音轨,使用配音;不变速,不做音频淡出;背景音乐放在单独音轨,音量以人声清楚为准。

验收

  • 配音: 文本和确认的稿子一致,句子完整、没被截断;语言、音色、语气正确;入点出点和分句计划对得上。
  • 关键帧: 脸够大够清楚;产品清楚可读,人物和产品关系自然;只有一个场景。
  • 口播视频: 口型和这一段配音对齐;人物和产品前后一致,产品没变形或消失;单机位、产品一直可见;没有多余的音乐。
  • 全片: 9:16(或确认的规格);色彩、光线、人物面部、产品展示前后连贯;音画同步。

只重做出问题的镜头。所选模型被拦截、会员权限不支持或服务异常时,换另一个对口型模型,仍用同一张关键帧和同一段配音,并告诉用户换了哪个。

UGC 广告的脚本和镜头

UGC 广告看起来像普通创作者自己拍、自己剪的推荐视频,而不是品牌拍的广告片。它靠的是:开头就抓人、像人说话、真的在用产品。

先选类型

类型结构需要出镜的人
痛点解决一个熟悉的麻烦 → 用上产品 → 麻烦没了要
演示教程「看我怎么用它……」分步演示可以只有手
前后对比用之前 vs 用之后,或和普通做法并排可以只有手
推荐清单「我最近离不开的三样东西」之一,或「三个理由」要
测评优点、诚实的缺点、结论要,而且必须基于真实体验

测评只在有真实体验素材时做,没有时选其他类型。

结构(30–45 秒)

时间节拍要做到的
0–3 秒钩子让人停止划走:一个有冲击力的画面加一句话
3–10 秒问题或兴趣说中观众的处境,或者引出产品的承诺
10–25 秒演示产品真的在用:怎么用、用的时候是什么样
25–38 秒佐证结果、细节、对比,让人相信
最后 3–5 秒行动号召明确说下一步:点购物车、看主页链接、评论区留言

大约每 5 秒给一个新信息,注意力不掉。不能没有行动号召就结束。

钩子

第一句话就是钩子,不要先自我介绍。常用的几种:

  • 痛点: 「还在为……烦?看这个。」
  • 反差: 第一帧就是极端的前后对比。
  • 悬念: 「我本来不信,直到……」「看到最后。」
  • 数字: 「三个理由让它卖断货」「九块和九十块的区别」。
  • 直接演示: 第一秒就是产品最惊艳的那个瞬间。

钩子只说有依据的事。「卖断货」「回购三次」这类说法,要有真实数据或真实体验才能用。

脚本

  • 口语,对着一个人说「你」,像朋友推荐,不像播音。
  • 句子短,每句十个词左右,便于自然说清卖点。
  • 一条视频只讲一件事,卖点挑最重要的一两个。
  • 卖点和数字照抄商品资料。
  • 交付格式:钩子句 → 每个节拍的台词 → 行动号召句,附带每句的大致时间。

出镜方式

方式怎么做适合
A. AI 出镜人(默认)用户给一张照片或描述,生成三视图形象,再用它生成所有出镜镜头痛点解决、推荐清单、演示、前后对比
B. 只有手和画外音画面是手和产品,声音是配音演示教程、前后对比
C. 真人创作者用户已有创作者的实拍素材时,Agent 写脚本、生成演示画面、剪辑测评、亲身体验

AI 出镜人的一致性:

  • 按 先做三视图,给用户确认。之后每个出镜镜头都把三视图作为参考图传入。
  • 再写定一段出镜人描述(年龄感、发型、穿着、表情、所在环境),每个镜头逐字复用。
  • 出镜人说话:用能同时生成对白的视频模型,把台词原文写进提示词;或者先生成配音,再以关键帧为首帧、配音为驱动音频,用对口型模型生成。前者更自然,后者口型和台词更可控。
  • AI 出镜人是在介绍和演示,不是在讲亲身经历。

镜头和真实感

  • 竖屏 9:16,主体在画面中间或上三分之一,底部和右侧避开平台按钮。
  • 出镜段落:手机前置摄像头的感觉,自然光,生活环境(卧室、厨房、车里、浴室),轻微手持晃动。
  • 演示段落:手 + 产品 + 动作同框,产品清楚,产品外观按 SKILL.md 的产品事实锁定。
  • 不要棚拍感:不要完美布光、纯色无缝背景、滑轨和稳定器式的平滑运镜。
  • 剪辑以硬切为主,出镜和演示交替,单镜 1–3 秒;演示动作可以长一点,保留完整过程。

声音

  • 声音分层:出镜人台词或配音最清楚,产品声和环境声其次,背景音乐最轻。片段里不要生成音乐,音乐在剪辑时统一加。

多个开头的版本

同一条广告的中段和结尾不动,只换开头,用来测试哪个钩子留人最多:

  • 一般做三个版本,钩子类型互相拉开,例如痛点、反差、直接演示。
  • 每个版本只换前 3–5 秒(钩子画面和钩子句),其余完全相同。
  • 文件按版本命名,例如 ad-hook-pain.mp4、ad-hook-contrast.mp4,方便用户投放后对比数据。

分镜与素材交接规则

需要新分镜时,由宿主 Agent 按本流程直接设计;已有清楚的镜头表或剪辑意见时只补缺口,不强制重做。每个 S01 镜头/片段写明:对应脚本、画面与信息目标、时长/时间段、主体动作、运镜或元素运动、准确文字与声音、衔接及制作方式。用 E01 关联目标元素、用户素材和实际资源,原片 REF-E01 单列;未取得的素材标待制作,不编造资源 ID。检查跨镜头外观、空间、动作和声音连续性;取得真实配音后再校时。营销内容按实际作用标 hook(吸引注意)、turn(需要时承接)、proof(有依据的演示或细节)、cta(明确下一步),说明每拍为观众增加什么;讲解、叙事等沿用本流程各自结构。表达不明确时找真实参考,记来源及借鉴/替换的部分。以上规则可直接执行,不需要用户另找 Storyboard 文件。

创作流程

  1. Flova

    Flova

    生成出镜画面

    生成创作者讲解、商品演示和配音。

  2. FFmpeg

    FFmpeg

    组装成片

    交替剪入讲解和演示,配上声音并导出。