先确定动作、运镜、环境反应和结束画面，再让静态图片变成完整镜头。
作者：Sonya，MkAnime 内容贡献者 · 发布于 2026 年 8 月 8 日
说明：我参与 MkAnime 的内容工作，本文会介绍其 GPT Image2 to Video 工具。文章借助 AI 完成整理与编辑，并由我依据 2026 年 8 月 8 日的实际产品流程核对。
把一张动漫图片转成视频，首先要回答：这个镜头里究竟要发生什么变化？ 静态图片已经定义了人物外观和画面构图；视频还需要时间、动作、镜头、环境反馈以及明确的结束状态。
可以先写出这五项：
身份锚点 + 连贯动作 + 镜头职责 + 环境反馈 + 结束画面
缺少其中一项，生成系统就需要自行补全。画面可能依然好看，但更容易出现脸部漂移、随意运镜、服装乱动，或结尾无法衔接下一镜的问题。
看源图准备如何影响最终成片
在增加更多动作前，先对照视觉方案与成片。这张原创冰淇淋分镜把角色、产品、场景、五个镜头、镜头语言、声音提示和结尾都集中在一张图中。
源图让视频生成前的视觉与时间设计变得可检查。
成片沿着已确认的顺序，从场景揭示推进到角色动作和产品结尾。
先判断图片是否适合承载动作
完成度高的插画不一定适合直接动画化。先把它当作制作素材检查。
主体是否清晰
人物、道具或产品需要有易读的轮廓。手与衣服粘连、头发融入背景、脸部已经严重模糊，都会减少视频可以稳定继承的信息。
写动作前，记录三个可见的身份锚点。例如：
- 银色短发，左侧有红色发夹；
- 铁锈红短夹克，内搭深色立领；
- 黑色肩带从右肩斜跨到左胯。
这些细节能形成明确的验收标准。“保持人物一致”很难判断；“发夹始终在左侧，肩带方向不变”可以逐帧检查。
画面是否留有运动空间
动作需要空间。脚已经被裁掉时，很难完成全身跳跃；脸部铺满画面时，推进镜头也不会带来多少新信息。
| 目标动作 | 更合适的源图构图 |
|---|---|
| 表情变化或对白表演 | 脸和肩部清晰的中近景 |
| 手与道具互动 | 双手可见的中景 |
| 行走、转身或身体动作 | 能看到地面接触的全身或四分之三身 |
| 镜头穿过环境推进 | 前景、主体、背景层次明确 |
| 动态海报或循环 | 主次居中，留白可控 |
景深关系是否明确
检查哪些元素属于前景、中景和背景。如果层次边界含混，先固定镜头，只做一个主体动作。复杂运镜会把原图里轻微的空间矛盾放大。
重要文字是否在画面内
标志、字幕、招牌和对话框在运动中容易变形。重要文案尽量在剪辑阶段添加。必须保留时，应使用稳定构图和极小形变，并逐帧检查。
分镜可以预先确定人物、环境和镜头顺序；动作说明仍需交代这些画面如何连成一段视频。
写出一条看得见的动作链
很多提示词只堆叠氛围，没有说明事件。
较弱的写法：
电影感、情绪强烈、动态丰富的高质量动漫场景。
更有效的写法：
快递员看到站台灯闪烁，回头看向左侧，用左手拉紧包带，朝站台边缘迈出一步；列车灯进入背景后，人物停下。
第二种写法包含顺序、方向、触发原因和终点。短视频中优先安排一个主要动作，最多再配两个辅助动作。人物、镜头、衣物、粒子、背景和光线同时大幅变化，会迅速增加失控概率。
只给镜头一个职责
运镜应该帮助观众读懂动作。常用职责包括：
- **固定：**保护构图，让人物完成表演；
- **推进：**强调表情、道具或决定；
- **拉远：**揭示尺度或新信息；
- **跟随：**伴随主体穿过空间；
- **摇摄或俯仰：**在画面内两个元素之间转移注意力；
- **短弧线：**围绕相对稳定的主体展示景深。
不要在一个短镜头中同时要求推进、环绕、升降、甩镜和拉远。想要固定镜头时，直接写清楚：
三脚架锁定机位，构图和地平线固定，不变焦、不摇摄、不环绕。只有人物眼睛、呼吸和夹克下摆轻微运动。
提示词提供方向，最终结果仍需检查。
让环境对动作作出因果反应
小幅环境运动能增强可信度，例如人物转头后发梢跟随、列车驶入后衣摆和纸张受到气流影响、光源进入后反射改变。
先写原因，再写结果：
列车进入后，外套下摆和站台纸张受到气流影响。
环境运动要服从故事重点。如果这个镜头要表现人物发现信号，过量粒子和强风反而会遮住表演。
明确最后一帧
没有终点的动作容易持续到最后一帧，让镜头看起来没有落稳。把结尾写成静态构图：
结束在稳定的中近景。快递员面向隧道，左侧红色发夹清晰可见，手停在包带上，接近的列车灯从右肩后方形成暖色轮廓光，并短暂停留。
这个结束画面可以为标题留出空间、匹配下一镜姿势，或回应开场提出的问题。
可直接套用的动漫图片转视频模板
Create a [DURATION]-second original anime shot using the approved visual design.
IDENTITY: Preserve [THREE VISIBLE IDENTITY ANCHORS]. Keep the same face, body proportions, outfit construction, palette, and side-specific details.
START: Begin from [OPENING COMPOSITION AND CHARACTER STATE].
ACTION: [PRIMARY ACTION], then [SUPPORTING ACTION], caused by [VISIBLE TRIGGER]. Keep the action readable and physically connected.
CAMERA: [ONE CAMERA ROLE]. Keep [HORIZON / FRAMING / SUBJECT POSITION] stable.
ENVIRONMENT: [ONE OR TWO SECONDARY RESPONSES] after the primary action.
END: Finish on [SHOT SIZE, POSE, PROP POSITION, BACKGROUND RELATIONSHIP, AND HOLD].
VISUAL FINISH: [LINEWORK, SHADING, COLOR, LIGHT, AND MOTION TREATMENT].
AVOID: [UNWANTED CAMERA MOVES, EXTRA SUBJECTS, TEXT DEFORMATION, IDENTITY CHANGES, OR SPECIFIC ARTIFACTS].
英文结构词有助于把信息分块，方括号内容可按项目替换。完整示例和更多场景可以继续查看动漫图片转视频提示词模板。
实例：安静的车站表演
Create a 10-second original 2D cel-shaded anime shot. Preserve the adult courier’s angular face, short silver hair with a small red clip on the left, cropped rust jacket, dark collar, and black shoulder strap crossing from right shoulder to left hip.
Begin in a steady medium shot on an elevated station before sunrise. A distant platform light flickers twice. The courier looks toward it, takes one quiet breath, tightens the bag strap with the left hand, and shifts one step toward the warning line. A train light appears in the tunnel and the courier stops.
Camera: one slow stable push from medium shot to medium close-up. No orbit, no pan, no sudden zoom, no cut. Environment: the jacket hem moves slightly after the train enters; one paper ticket slides along the floor; the warm tunnel light grows across the right side of the face.
End in a steady medium close-up with the courier facing the tunnel, red clip still visible on the left, left hand resting on the strap, and warm light behind the right shoulder. Clean linework, simple cel shadows, restrained motion, cool blue dawn palette with warm amber contrast. No subtitles, logos, extra people, duplicated accessories, face drift, or unreadable signs.
这段提示词设置了清晰的触发事件、简短的动作链、一次运镜、两处环境反应和明确的结束画面。如果第一次生成时人物脸部或肩带发生变化，先简化动作，再增加氛围效果。
分五轮检查结果
| 检查轮次 | 核心问题 |
|---|---|
| 人物身份 | 脸、发型、服装、色彩、配饰和左右细节是否保留？ |
| 动作 | 因果是否清楚？手与道具的接触是否可信？ |
| 镜头 | 运镜是否帮助理解主体？地平线和构图是否稳定？ |
| 环境 | 次要运动是否有原因，并且没有盖过主体？ |
| 终点 | 最终构图是否到位、停稳，并能支持后续剪辑？ |
保留可用版本，每次只改一个变量。身份漂移时，减少身体和镜头运动；画面太静时，加强一个核心动作；结尾无力时，只重写结束状态。
多镜头使用同一角色时，可参考AI 动漫角色一致性工作流，把永久身份信息与单镜头的动作、光线和表情分开。
多个事件需要先做分镜
一张肖像适合指导一次表演。包含多个事件的片段，更适合先用分镜确定人物、环境、镜头顺序和节奏。
脚本转动漫分镜指南介绍了如何把故事节点变成可检查的镜头。分镜确认后，可继续使用分镜图片转视频工作流，为每个节拍分配职责、安排过渡并保持连续性。MkAnime 的 GPT Image2 to Video 工具也采用这个顺序：输入短故事、选择风格、生成宽幅分镜图、审核分镜，再依据整张分镜制作 15 秒视频。当前公开流程会在工具内生成分镜，无需先上传一张完成的外部图片。
更长的内容可以纳入完整的 AI 动漫视频工作流，统一保存角色、故事、镜头目的和连续性决定。
常见问题
所有动漫图片都能转成视频吗？
图片可以提供视觉方向，但清晰轮廓、可见双手、明确景深和足够运动空间会让结果更容易控制。还应使用你创作或已获得动画改编授权的图片。
应该要求多少运动？
先使用一个主要动作、一个镜头职责和一到两个环境反馈。第一轮能保持人物与构图后，再增加复杂度。
如何减少意外运镜？
明确写出锁定三脚架、固定地平线和构图、不变焦、不摇摄、不环绕，同时说明仍需保留的主体动作。生成后仍要检查。
负面提示词有用吗？
使用简短、可见的冲突项，例如额外人物、重复配饰、脸部漂移、镜头环绕、文字变形和裁切手部。正向说明仍应定义目标动作与构图。
一张图片和分镜该怎么选？
一次表演或单一构图可用一张图片；多个连续事件、机位变化或较强连续性要求，更适合用分镜。
总结
一张动漫图片具备清晰身份、空间和景深，再补上时间设计，才会成为可用的视频素材。写清动作链，只给镜头一个职责，让环境运动有因果，并在明确构图上结束。
重点在于每一次变化都能被指导、检查和用于剪辑。