一件衣服要变成一条能投放的短片，中间隔着两步：先让它穿在一个具体的人身上、站在一个具体的地方，再把这个人拍成几个镜头。前一步决定片子长什么样，后一步决定片子怎么动。
AI 把这两步都压到了参考图加提示词上，两张图进去、一段话出来。实际做的时候，卡住的往往不是哪一步不会，而是两步之间的衔接——定妆图做歪了，视频只能照着歪的拍；定妆图做对了，镜头拆分才有东西可拆。
AI 穿搭视频怎么做，真正决定成片的两件事，在生成视频之前就已经定了：衣服换没换对，人站没站对。这两件事都可以在一张图上先验完，再往下走。
一、先数清两张图里各有几件东西
白底模特图上看着只有一套衣服，把它拆开数，是一份完整的清单：浅黄的坑条针织开衫、深色牛仔阔腿裤、白色褶皱手袋、黑色平底鞋，脖子上一根细项链。穿搭拼图更容易数，它本来就是一件一件摆开拍的，棕色吊带背心、米白打底长袖、格纹不规则半身裙、波点丝巾、豹纹手袋、薄荷绿运动鞋，六件各占一块。
图：左为白底棚拍的模特原图，右为拼在一张图上的整套穿搭单品。
两份清单摆在一起，差集就出来了。要把人换成拼图上这一整套，就得同时处理背心、打底长袖、裙子、丝巾、手袋、运动鞋六项，还得决定原来那件开衫和那条牛仔裤是撤掉还是留着。这一步在纸上做完，提示词才好写，因为这时你已经知道自己要动的是六件东西，而不是笼统的"衣服"。
清单不必写到纤维和针脚那么细，能把两边的单品一一对上号就够。吊带和打底算两件还是一套，不影响后面的写法；但把"包"和"鞋"漏掉，结果就会差出很远——这两样恰恰是最先被动过的。
穿搭拼图之所以好用，是因为几件单品被摆在同一张图里，模型一次能看全它们之间的关系：打底在吊带里面、丝巾不属于任何一件衣服、鞋和包是各自独立的两件。如果把单品拆成几张图递进去，哪件配哪件就得靠提示词另行交代，多一层出错的机会。
二、换装那一句要写清换哪几件、留哪几样
提示词里关于换装的那一句，通常和换场景连在一起写，一句话里塞了两件事：
把图2的服装换到图1的模特身上，动作不变。同时将人物换到路边，能看到远处蔚蓝的大海，蓝天，行驶车辆、白色护栏，光影自然融合。这句话读起来没有歧义，落到画面上，"服装"覆盖的范围却是由模型自己裁定的。这一次的结果，是把六件单品一起换了上去：白色褶皱手袋变成豹纹手袋，黑色漆皮平底鞋变成薄荷绿运动鞋，丝巾系在颈侧打了个结，连原来脖子上那根细项链，在这个画面里也找不到位置了。
图：一次生成之后，服装、配件与背景同时被替换，人物站到了公路边的路面上。
这一版的"服装"把配件也算了进去，包、鞋、丝巾都在替换范围内。它们恰恰是最容易出问题的部分，因为手袋和鞋的款式识别度往往比衣服还高，换错一只包，整套搭配的味道就散了；反过来，如果这批图要保留原来的包，模型很可能不声不响地把它换掉。
要把范围收住，得把两个方向都写出来。要换的逐项点名，要留的也逐项点名，脸、发型、身形比例、站姿这四样是换装时最容易被顺手一起改掉的。这一单如果只换上衣，提示词里补一句"裤、鞋、手袋保持图1不变"，比把要换的那件上衣描述三遍更管用。
丝巾在拼图上只是平铺着的一块方巾，成图里却被系到了颈侧、打了个结——模型不只是把物件搬过去，它还要决定这件东西穿在身上的样子。围巾、腰带、帽子都有同样的问题，拼图上摆得再清楚，戴法仍然是一个需要写明的变量。
也不必每次都把六项写满，只改一件的时候，把要留的那几件点出来就行，写多了反而让句子重心偏移，模型分不清哪一句是重点。
这一版还有一处没守住，就是那句"动作不变"。输入里模特左手抬到脸侧、右手提着包，成图里她低着头，左手落到了腰前。
图：左为白底原图里的抬手姿势，右为成图里的低头站位，抬到脸侧的那只手在成图里落到了腰前。
要保住姿势，就得写到具体：哪只手、抬到多高、视线朝哪个方向、重心压在一条腿还是两条腿上。写"动作不变"等于把这个决定权交回给模型，而换装和换场景本来就已经占满了这段指令，姿势是最容易被挪开的那一项。
三、场景按远中近写可见物，不写形容词
同一段话的后半截交代了人物换到哪里去：路边，远处是大海和天，中段有行驶的车辆，最近的是白色护栏。这一截里没有一个形容词，全是能看见的东西：大海、蓝天、车辆、护栏，四样分布在不同的距离上——海和天在最远处，车辆在中段，护栏离人最近。顺序也不是随手排的，它从远往近写，跟画面从背景往前景铺开的顺序一致，读的人顺着这句话，眼睛是从天边一路收到脚边的。
图：从成图里分别取出的三段画面，对应提示词写到的海与天、护栏与车辆、路面与鞋。
换一种写法，"海边公路、风景优美、氛围浪漫"，得到的大概是一片空旷的海滩，人物站在沙子上，护栏和车辆都不会出现——这三样没有任何一样被写出来，模型没有理由自己加。场景描述的可执行程度，取决于里面有几样能被指认的实物。
场景里还得交代人物和这些东西的位置关系。站在路面上还是站在护栏外侧，护栏在身前还是身后，出来的画面完全不同：护栏在身后，人和海之间没有遮挡，整身轮廓是完整的；护栏在身前，人被切掉一截，视线也被引向公路那一边。这一版成图里护栏在人物身后横穿画面中部，人站在靠近镜头这一侧的柏油路面上，肩到裙摆都完整留在画面里。同样几个字，效果差得很远。
场景不必写全。写住人站的位置，再加两三样能定住空间的东西就够了，写太多会把画面塞满，模特反而没地方站——六件单品加一片海加一条公路，画面里能容纳的东西本来就有限。
四、换场景就得把光一起换掉
白底棚拍是四面均匀的散射光，正面打亮，四周补光，人物身上几乎没有影子，脚下也留不下一道。户外傍晚不一样，太阳压得很低，从侧后方过来，人会在地面上拖出一道很长的影子，护栏也在自己脚下投出一道。
只换衣服不换光，人就变成了剪下来贴在背景上的纸片。这也是为什么那段提示词的末尾要专门留五个字：光影自然融合。
这五个字单看很虚，落到能写的层面是三样东西：光从哪一侧来、色温偏暖还是偏冷、影子落在哪个方向。成图里人物站在路面上，影子朝画面左侧拉出去，护栏立柱的投影也是同一个方向，两道影子对得上，人才算真的站在那条路上。如果人物有影子、护栏没有，或者两个方向拧着，一眼就能看出是合成的。
影子的长度也是信息。正午的影子短，缩在脚下；傍晚的影子长，能拉到半个身位以外。这一版成图的影子从脚下一直伸到画面左下角，把这层意思写进提示词，比只写"傍晚"两个字更能定住时间。
落到句子里，这三项可以合成一句：傍晚的低角度侧光从人物右后方打过来，暖金色，路面上的影子朝左前方拉长。这样一句比"光影自然融合"多给了三个可以照着写的项，模型不必自己猜是正午还是黄昏。这一句是按案例整理出来的写法，尚未单独用于生成验证。
如果只是把白墙换成灰墙、把影棚背景换成室内一角，光其实不用动，因为两种环境都是均匀的散射光。一旦跨到户外，白天还是傍晚、太阳在哪一侧，这几项必须跟着重写，衣服描述得再细也补不回来。
五、这张定妆图拆成三个取景范围
图做到这一步，画面里已经有一个穿对了衣服、站在对的地方的人。接下来要把它拆成一条十秒的片子，拆的依据不是镜头数量，而是取景范围——同一套衣服，从腰以上、腰以下、全身三个范围去看，各自能证明的事情不一样。
先数部件。这套搭配摊开来有八件：浅豆绿长袖内搭、深棕色方领吊带、棕底白波点围巾、细链吊坠项链、棕黑格纹不规则下摆半裙、两条带金珠的编织腰绳、豹纹小方包、浅蓝拼色低帮系带鞋。八件东西没法在一个镜头里说完，必须分给不同的取景范围：领口、肩带、围巾归上半身，裙摆的不规则下摆、腰绳、鞋归下半身，整套比例和整体气质交给全身镜头。
再给每个范围配一个带动布料的动作。上半身可以抬手整理围巾、扶一下领口；下半身可以迈半步、让裙摆自己晃起来；全身镜头留给站定与转身。动作不用大，够让衣料动一次就行——静态的裙子看不出垂感，动一下才看得出。
最后按"局部—整体—局部"的顺序排。这是用上面那张定妆图和上面那段提示词生成的视频，分镜与成片效果可以对照着看。
这条成片 10.05 秒，竖版画幅，按场景变化检测出 7 个切点，切成 7 段：
图：画面包含领口附近的手部动作、裙摆与鞋的局部、全身站姿，以及头发向一侧扬起的半身画面。
腰以上的 3 段合起来 5.58 秒，腰以下的 3 段 3.13 秒，全身只有 1 段、1.33 秒。平均每段 1.44 秒，最短 0.79 秒，最长 2.25 秒。一半以上的时间给了上半身，全身只出现一次。
这个分配里最要紧的一点是：全身镜头虽然只有一段，位置却在中间偏后，前面先用两个上半身镜头把脸和领口交代清楚，再退到全身看整套比例，接着又切回下半身的裙摆与鞋。观众记住的是搭配的整体印象，看见的却是被拆开的零件。
案例记录里的完整提示词只有一句要求，没有具体写法：
完整案例提示词
根据这一套衣服出一个带货穿搭视频服装的细节要展示,同时符合爆款带货视频的节奏,注意语气,要有感情,和情绪,全程不要出现字幕,要有时尚感和个性,非常吸引人,根据视频配服装搭配的热门音乐,不要出现任何字幕，任何旁白成片原片
视频：这套海边穿搭的动态展示，保留原片画面与声音。
片中头发与裙摆的摆动延续了海边的环境感，人物幅度很小的动作让围巾、领口和腰部装饰成为视觉重点。全片没有字幕，原提示词里两次提出的"不要出现任何字幕"兑现了；音轨是一层连续的配乐，语音转写返回空文本，所以只能说识别不到台词，不能据此判断有没有人声。
拆镜头的顺序不必每次都按这个模板。造型的重点如果落在裤型或鞋上，腰以下的比例就该加大；如果重点是整体气质，全身镜头可以多给一段。这里给的是这条片子实际的时间分配，不是一套通用比例。
六、从成片核对，哪些兑现了、哪些被改掉
把成片和那张定妆图放在一起逐件对，能对上的和不能对上的都很清楚。
图：左侧为棕色吊带、浅色内搭与波点围巾的叠层，右侧为格纹裙腰及垂下的腰绳。
内搭的颜色和圆领保住了，围巾的花色与系法保住了，半裙的格纹和不规则下摆保住了，两条带金珠的腰绳也还在，只是比定妆图里更粗更短。场景从公路、护栏到两侧车辆，一路延续下来。
被改掉的有三处。吊带原本是方领、宽肩带，成片里变圆领、细肩带；鞋原本是浅蓝米白的低帮系带款，成片里变成厚底、鞋身明显更大；人物比例在全身镜头里被压矮，腰线变低，腿短了、脚大了。
这三处差异指向同一件事：颜色和花纹是最稳的，形状和比例不是。写提示词时把"方领、宽肩带、低帮、薄底、腰线在肚脐以上"这类形状描述写进去，比写"一件棕色吊带背心和一双浅蓝运动鞋"有用——后者只交代了品类和颜色，形状全靠模型自己填。
这里只有一条成片，不能说这些改动是必然的。能说的是：在这一条里，被改掉的全是形状，被保住的全是颜色、花纹和场景。想要哪一样稳，就得在提示词里给它一个看得见的形状，而不是一个品类名。
总结：图对了，片才有得拆
先数清两张图里各有几件东西，把换的和留的逐项点名；场景按远中近写可以指认的实物，光跟着场景一起换；定妆图落定之后，再按腰以上、腰以下、全身三个范围拆镜头，让每个范围配一个带动布料的动作。这一路做下来，最容易被改掉的从来不是衣服的颜色，而是衣服的形状和人的姿势。
