做AI动作戏时，最容易出现一种错觉：提示词写得越长，人物就会越会打。实际上，模型能从训练资料里学到奔跑、挥拳、闪避和摔倒的视觉样式，却未必知道你这一拳从哪里起、打到哪里、对手为什么后退，以及下一个镜头该怎样接上。复杂动作一旦只靠文字描述，常常就会变成手脚软绵、发力方向混乱，甚至人物在同一镜头里突然换了姿势。
这并不完全是模型“不会动作”，而是文字很难承载连续动作中的空间关系。导演在现场会用走位、节拍和镜头调度把动作拆开，AI创作也需要类似的准备。动作戏的质量，往往从生成之前就已经决定了一半。
第一层：动作参考图，成本最低，适合短镜头试做
小批量制作或临时补一个镜头时，可以先画出或生成一组动作分镜图。不要只做一张“人物正在打斗”的海报，而要把起手、出拳、命中、受击和收势分别表现出来，同时固定人物的服装、武器、场景方向和光线。输入图片参考时，再用提示词补充镜头景别、动作顺序和运镜，模型更容易理解这场戏的变化。
目前不少图生视频工具都提供图片或多帧参考能力，例如Seedance、Kling、Vidu，以及部分开源工作流中的视频模型。不同版本支持的参考张数、首尾帧方式和控制强度并不相同，使用前应以当期官方文档为准。这种方法成本相对低，适合短镜头和快速试错，但如果动作本身很复杂，几张静态图仍然难以交代完整的重心转移。
第二层：白模与影视参考视频，增加中等成本换取更强控制
当镜头要求翻滚、追逐、连续格挡或多人交手时，可以先用Blender等工具制作简单白模视频。白模不需要漂亮，只要把人物位置、身体朝向、动作节奏和镜头运动交代清楚。再把文字说明和白模一起作为参考，生成模型得到的约束会比单看一张图更完整。白模需要额外的预演和镜头设计，成本会高于动作参考图，但通常还没有动捕那么重，适合对空间关系有明确要求的中等复杂镜头。
也可以使用经过授权的动作参考视频，提取其中的节奏、构图或运动关系。这里要分清“参考”和“拿来用”：参考视频应经过授权，最终成片还要重新设计镜头，不能把原片段换个画风就当成原创。实际制作中，多段参考往往需要拆解、重组，再通过剪辑建立新的动作逻辑。需要视频参考输入的能力并非所有模型都有，不能看到宣传页面有示例，就默认自己的账号和版本一定支持。
第三层：动捕参考视频，成本最高，换取最强的动作控制
如果是主角打斗、武术表演或需要严格还原身体力学的镜头，动作捕捉会提供更稳定的运动轨迹。动捕数据或拍摄的动作视频可以先确定人体关节、速度和重心，再交给AI完成角色外观、环境和风格转换。它的准备成本更高，也需要专业人员清理数据、调整节奏和处理穿插遮挡，但换来的控制力更适合高要求项目。
无论选哪一层方法，都不要把希望寄托在一次抽卡上。动作戏应先拆成可验收的镜头，逐条检查起止姿态、受力方向、人物距离、武器连续性和剪辑节拍，再处理烟尘、音效、配乐与调色。AI降低了画面生成门槛，却没有替代动作设计、镜头调度和后期判断。若项目需要编导、分镜、AI生成与后期协同，可以在AI视频制作服务中寻找合适的承制团队，让动作标准在制作前就被说清楚。
