只有17条作品的新号，做出74.8万赞AI爆款：我从0到1复刻了它的前18秒
一个只有17条视频作品的新号，跑出了一条3分21秒爆款，这条AI爆款视频74.8万点赞、1.0万评论、10.2万收藏、13.3万转发，非常值得拆。
它用人物冲突、数字钩子和跨时空悬念，在前18秒内完成了抛出钩子、制造冲突并留下悬念。账号的页面数据会继续变化，本文采用的是我拆解时记录的截图口径。
我用Codex、豆包和剪映验证它到底能不能被普通人复刻。如果只看最终成片，这次复刻似乎是一条很标准的 AI 视频工作流，拆原片 → 做定妆 → 生成分镜 → 图生视频 → 剪映配音和包装。
但我重新看完与 Codex 的全部聊天记录后，发现真实过程完全不是一条直线。Codex 会逐帧分析、做表格、写提示词、检查帧数，也会把事情规划得非常完整；但它同样会误判说话人、跨过尚未完成的阶段、忽略软件最短只能生成 5 秒、设计出画面不匹配的补救方案，甚至把“已经做了试片”误报成“角色资产已经完成”。而我在这个项目里做得最多的事，就是不断问：
- 这一步真的完成了吗？
- 原片里到底是谁在说话？
- 这个方案在豆包和剪映里真的能操作吗？
- 为了做一篇拆解教程，有必要把每个细节抠到逐帧一致吗？
所以，这不是一条AI 自动复刻视频的成功案例。它更像一次完整的人机协作实验，AI 负责展开可能性，人负责纠正方向、约束成本，并决定什么时候停止。
最终，我完成了一条 17.74 秒、1080P、30fps 的教程展示版复刻片。它与原片并非逐像素完全一致，但人物、故事、说话人、时代转换、关键道具和声音节奏都能成立。这篇文章复盘了一条视频怎么做，以及 AI 的制作方案是怎样被一步步纠正的。
一、为什么只复刻前 18 秒？
原视频长 3 分 21 秒。第一次做人工高还原复刻，如果直接挑战整片，变量太多，比如人物会漂、口型会错、场景会变，任何一个镜头返工都会拖累后面。Codex 对原片做了技术检查后，建议先取前 18.8 秒，因为这已经是一个完整的最小叙事单元：
- “500 块奖金”制造数字钩子
- 女孩想买玩偶，引发同学的道德指责
- 女孩产生“何为善”的困惑
- 眼部光效完成穿越
- 古街和孔子登场，以提问留下悬念
这一段同时包含现代多人场景、道具特写、中文题板、视觉转场、古代场景和双人对白，足够测试一条 AI 视频工作流是否真的能跑通。
后来逐帧整理出的工程基准是18.8 秒、564 帧、9 个语义镜头、8 句对白。最终剪映版本根据实际配音和观看节奏收在 17.74 秒。
这里的第一个通用结论是：
第一次复刻，不要按越长越完整选片段，要选一个能够覆盖主要技术风险的最小闭环。
二、《从0到1复刻流程总览》：10步跑通这18秒
如果你也想复刻一条AI爆款视频，可以先按下面10步跑通最小闭环：
1. 选择最小完整片段：不要直接挑战整条长片，先截取同时包含钩子、冲突和悬念的10~20秒。
2. 给原片技术建档：统一帧率，确认分辨率、总帧数、镜头边界和音频情况。
3. 建立原片事实母表：逐镜记录时间、人物、动作、台词、声音、景别和转场，不急着写提示词。
4. 锁定人物与关键资产：为核心角色、群像、场景、道具、年代和特效建立可复用参考图。
5. 制作可执行分镜：把“原片发生了什么”翻译成每个镜头需要哪些输入、工具、动作和验收条件。
6. 先锁定对白与说话人：确认谁说哪句话、什么时候开口、其他人是否闭口，再决定生成时长和口型方案。
7. 生成静态分镜首帧：先验收身份、构图、文字和道具，再进入图生视频，避免错误被带到动态阶段。
8. 逐镜选择生产路线：自然动作交给图生视频；准确汉字、推拉、白闪等内容优先使用确定性动画和后期。
9. 把生成结果当素材池：平台生成5秒，不代表成片必须使用5秒；从母片中裁出最自然、最符合原片的连续窗口。
10. 剪映装配并逐项验收：对齐画面、对白、字幕、音乐和音效，把失败原因与修正方案记录下来。
整条路径可以概括为：
原片证据 → 事实母表 → 资产锁定 → 可执行分镜 → 静态首帧 → 动态素材 → 剪映装配 → 对照验收
这套流程不是要求每个项目都做几十份文档，而是确保每次生成前都知道：输入是什么、风险在哪里、什么结果才算可用。
三、第一次真正的纠错：方案很专业，但流程走快了
项目一开始，我明确要求 Codex先规划，我确认后再执行，而且要一步一步来。
最初的流程也很合理，参考视频建档 → 原片事实母表 → 角色/场景/年代锁定 → 可执行分镜脚本 → 音频时间轴 → 静态分镜 → 动态视频 → 剪映装配 → 对照验收。问题是AI 很容易把知道下一步该做什么，误当成现在就应该把它做掉。
在正式可执行分镜脚本还没有完成时，Codex 已经开始生成身份试片和第一批关键帧；后来又提前制作工具校准包，准备测试豆包和即梦。
我只能把它拉回来：
“你要一步步来啊！”
接着，我又追问：
“已经完成的在哪放着呢？人物定妆照没有吗？就直接可执行分镜脚本了？”
这一问暴露出第二个问题，所谓的“角色／场景／年代资产锁定已完成”，实际上只有几张场景化身份试片，男同学甚至还只有原片裁切，并没有真正可投产的角色定妆资产。
于是状态被重新改回“进行中”，补齐女孩、男同学、孔子、同学群像、现代教室、古街、路人、证书、红包、黑板和穿越特效，最终形成 42 项正式锁定资产。
这段经历让我意识到，在这类长链路制作任务中，AI 最擅长把流程写完整，但是不擅长判断某个阶段是否真的完成。
所以，以后每个阶段都必须同时具备三样东西：
1. 明确的交付文件
2. 可核验的验收条件
3. 用户确认后才能继续的停止门
如果没有产物路径和验收证据，那“已完成”就只是一个说法。
四、先还原事实，再决定怎么生成
原始逐字稿只告诉我前 18 秒讲了什么，不能直接充当剪辑表。
Codex 把原片统一到 30fps 后逐帧检查，发现早期拆镜有两处错误：
- 奖状与红包不是两个镜头，而是一个连续拉远镜头；
- 女孩问“您是孔子？”和孔子回答“你因何而困惑？”不是同一构图，中间还有约 10 帧溶解。
因此，我把观察原片和决定怎么做拆成两张表：
- 原片事实母表，只记录原片真实存在的镜头、人物、动作、对白、声音和切点
- 复刻执行表，记录使用哪些角色图、交给哪个工具、怎样生成、怎样后期、怎样验收
这两个层级不能弄混了。事实层一旦写错，后面再精美的角色图和提示词，也只是在高质量地复刻错误。
| 资料类别 | X文章展示什么 | 免费包内可领取 |
|---|---|---|
| 原片拆解 | 9镜头总览与拆解结论 | 空白镜头事实母表 |
| 台词与说话人 | 认错说话人的纠错案例 | 台词—角色—时间映射表 |
| 角色与资产锁定 | 角色定妆板、42项资产总览 | 角色／场景／道具清单模板 |
| 可执行分镜 | 展示一张分镜卡 | 空白分镜卡与生产路线表 |
| 静态分镜提示词 | 展示一条提示词结构 | 提示词公式与填写说明 |
| 图生视频 | 展示一条完整镜头案例 | 可直接复制的单镜示例与空白提示词卡 |
| 剪映装配 | 展示时间线与声音节点 | 轨道结构、字幕与验收清单 |
| 纠错和验收 | 展示典型失败 | 一页纠错检查表 |
| 成本和生成记录 | 讲控制额度的原则 | 空白成本与生成记录表 |五、角色定妆的价值，不只是“防止变脸”
一开始，我也把角色定妆理解为保持脸、发型和衣服一致。真正进入多人对话以后，我才发现它还有一个更关键的作用，让模型知道谁有资格开口。
原片开头三句对应三个明确角色：
- 左前方、紫白条纹上衣的短发女同学：“哇，500 块！”
- 两名女孩身后、穿深蓝色 Polo 衫的男孩：“你想怎么花呀？”
- 戴圆框眼镜、手持证书和红包的获奖女孩：“我想买一个布拉拉玩偶。”
后面的三句批评，则继续使用同一个男孩音色：
- “你太自私了吧。”
- “别人拿奖金都是捐出去做好事。”
- “这才算得上真正的善良。”
Codex 最初把前两句的说话人弄反了。我对着原片指出后，它重新抽取 0—6 秒密集序列帧，才把角色归属纠正过来。这不是一个小问题。说话人错了，角色定妆再统一、画面再漂亮，剧情也是错的。
后来，多人镜头的提示词不再只写“几名同学讨论奖金”，而是同时写清六件事,角色外观与位置 + 具体台词 + 开口时间 + 其他人闭口 + 动作幅度 + 禁止交换说话人。例如：
只有画面左前方、紫白条纹上衣、黑色齐耳短发的女同学开口；深蓝 Polo 男孩、获奖女孩和其他同学全部闭口。
所以，角色参考图不是“灵感图”，是一套身份和行为权限。
六、精确中文到底该前置，还是留到后期？
早期方案把“何为善？”、奖状和红包文字全部安排到剪映后期，因为生成模型容易写错汉字。这个原则只对了一半。
我提出，奖状和红包一直被女孩拿在手里，画面还会轻微运动。如果最后再贴字，就要处理跟踪、透视、遮挡和晃动，操作反而更复杂。于是路线被改成：
- 黑板题字、白闪等平面效果，可以后期确定性制作；
- 跟随人物移动的奖状和红包，先做成文字准确的完整道具图，再作为唯一参考进入静态分镜和图生视频；
- 视频阶段只允许轻微运动，尽量不让模型重绘文字。
奖状最终写入“证书”、“作文比赛一等奖”、“在本次作文比赛中表现优异”等内容，红包正面锁定“奖金”。更准确的通用规则是：
屏幕上的字，看运动关系决定放在哪一层；静止平面可后期叠加，附着在移动物体上的关键文字应尽量在生成前烘焙成品。
七、不要让图生视频包办一切
9 个镜头里，最终只有 6 个使用图生视频，另外 3 个采用确定性动画：
- 奖状红包特写：静态大图做连续拉远
- “何为善？”题板：准确排版后做轻微推进
- 眼部穿越：眼睛底图、青绿色光带、增亮、白闪和古街显影组合
这三处如果交给模型自由生成，汉字、道具和转场节奏都会增加随机性；用关键帧和剪辑反而更稳。
工具分工的原则很简单：
- AI 图像负责身份、场景和构图
- 图生视频负责呼吸、转头、低头、短口型等自然运动
- 剪映负责准确时长、裁切、配音、字幕、音乐、音效和转场
- 能确定性完成的内容，不继续用概率模型抽卡
八、模型选择不是看版本号，而是用最难镜头做受控测试
R07 是压力最大的镜头：现代女孩进入古街，孔子从后方接近，女孩要走半步、回头，道具、路人、石板路和门楼都要保持。
我用相同首帧、相同提示词、相同比例和时长，分别测试：
- Seedance 2.0 Mini
- Seedance 2.0
- Seedance 2.5
结果是 Seedance 2.0 最适合这个镜头。2.5 对首帧的主动重绘更明显，回头动作反而更晚；Mini 的后半段动作也不够稳定。
于是我确认，“R07 锁定 Seedance 2.0，停止继续测试 Mini 和 2.5。”
这只是 R07 的单镜头结论，不是通用模型排行榜。但它证明了一点：
版本更新，不等于更适合高约束复刻。先拿最难镜头测，再决定主力模型。
同时，豆包、即梦的会员权限和积分提示都在最终提交前人工确认。工具可以建议生成，是否消耗额度必须由你自己决定。
九、5 秒生成限制，不等于 5 秒叙事限制
豆包图生视频最短只能生成 5 秒，但原片中很多镜头只有 0.967 秒、1.733 秒或 2.067 秒。Codex 一度建议把多人镜头拆成三个短生成任务。我发现每段最短都是 5 秒，三段就会得到 15 秒素材，根本不是原片的 5 秒。
最后形成两种处理方式：
- 同一构图内多人轮流说话：用一条 5 秒母片，引用对应角色定妆照，按时间段交接唯一开口者；
- 说话人或构图已经改变：分别生成 5 秒素材，再从每条中截取真正有效的 1—2 秒窗口。
不能把 15 秒素材整体加速成 5 秒，否则口型、低头和拉远都会变得机械。
最终，R02 从 5 秒母片中保留 29 帧，R04 保留 52 帧，R07 保留 57 帧，R08 与 R09 分别保留 62 帧并用溶解衔接。
所以说，平台给的是素材长度，剪辑决定的是叙事长度。
十、口型问题暴露了整条流程最重要的设计错误
前期为了避免模型乱说台词，Codex 把动态图统一按“无声视频，剪映后配音”处理。
R01 导入剪映并配上乖巧萌妹音后我发现声音合适，但女孩根本没有正在说话的口型。这时又出现了几次方案纠错：
- Codex 先以为剪映 AI 对口型必须“用音频生成”，我指出“用文案生成”同样可以选择已经确认的音色；
- AI 对口型随后触发“真人校验”，由于画面是 AI 生成的虚拟儿童，这条路线被停止，没有绕过验证；
- Codex 建议用奖状静态图覆盖女孩正脸，我发现上层图片和下层视频不是同一时刻，画面明显不匹配；
- Codex 又建议把 R01 拆成三条视频，我指出豆包最短 5 秒，拆分会制造新的时长问题；
- 最后才回到更合理的源头，重新图生视频，在提示词中指定角色、台词、开口顺序和所有闭口者。
正确流程应该是台词与说话人确认 → 角色参考绑定 → 图生视频时直接生成正确开口动作 → 剪映只负责配音对齐和微调
而不是先做无声画面 → 最后配音 → 再想办法遮住错误口型
这是本次复刻中最有价值的一次反推，后期不是所有前期错误的垃圾桶。能在生成阶段解决的问题，不要故意留到剪映。
十一、声音“技术成功”，也可能听感失败
我原本希望只删除原片人声，保留背景音乐、环境声和特效声，这样可以少做很多声音工作。
Codex 安装本地分离工具，技术上成功导出了背景轨。但我一听就否决了，因为有噪杂、抽吸、不连贯，配了还不如不配。
最终直接退回无声粗剪，在剪映里重新铺一条干净 BGM，并补上六个声音节点，奖金提示、情绪转折、黑板悬念、能量上升、穿越呼啸和古街环境。
这件事说明工具显示“处理完成”，只是技术结果；耳朵听起来能不能用，才是成片结果。
十二、这次真正有效的，是“双重纠错闭环”
做完后，我把整个项目总结成两条同时运行的循环。
第一条是视频纠错：
原片事实 → 锁定资产 → 单镜生成 → 逐镜验收 → 局部修正 → 剪映装配
第二条是方案纠错：
Codex 提案 → 用户现实检查 → 指出冲突 → 回到证据 → 重写方案 → 用户确认
本次复刻中8类常见错误及修正方法
纠错时还要遵守三个原则：
1. 冻结已经正确的部分
2. 一次只改一个关键变量
3. 先修影响叙事的错误，再修不影响理解的细节
出现的问题 | 不该怎么做 | 更合适的修法 |
|---|---|---|
| 切点或说话人错 | 继续改提示词 | 回原片逐帧复核，先修事实层 |
| 人物换脸、换装、换位 | 整条随机重抽 | 修正角色参考、首帧和位置约束 |
| 汉字随视频变形 | 继续堆“文字不变” | 预先烘焙移动道具，或转确定性后期 |
| 动作时间不对 | 把整条素材暴力变速 | 从母片裁取有效连续窗口 |
| 错误人物开口 | 后期遮嘴 | 重写角色映射，并明确其他人闭口 |
| 自动生成错误对白 | 因画面可用就保留 | 删除平台音轨，使用正确角色配音 |
| AI 方案跨阶段 | 跟着继续做 | 核对交付物和确认门，退回未完成阶段 |
| 工具权限或扣费阻塞 | 绕过或盲点生成 | 停在提交前，由人决定是否继续十三、如果重新做一次，我只保留这6条原则
- 先事实，后生成。镜头、动作和说话人没有合适之前，不着急写提示词
- 对白必须前置。先确定谁说、何时说、其他人是否闭口，再设计画面和口型
- 先测试最难的镜头。多人对白、复杂专场和跨时代场景跑不通，就不要批量生产简单镜头
- 每个镜头单独选择路线。图生视频、静态动画、合成和剪辑各有边界，不默认全部交给生成模型
- 生成结果只是素材池。平台生成5秒，不代表成片必须使用5秒，只截取最自然的有效窗口
- 每个阶段都要设置确认门。没有交付文件、验收证据和人工确认，就不能宣布完成
十、什么时候应该停止继续复刻？
R07 最初按严格标准仍有小问题，孔子的脚步没有在理想帧完全停住，平台水印也还在。但我重新明确了目标这条片不是商业交付，而是教程展示片。于是我把标准从“逐帧高还原”调整为“教程展示级可用”：
- 人物、时代、说话人和关键道具不能错
- 剧情顺序与动作意图必须成立
- 轻微步幅、表情、构图和秒点差异可以接受
- 继续生成只能改善少量细节时，就停止消耗额度
这个决定反而让项目真正完成了。AI 很容易不断提出“再优化一轮”；但是我们必须知道作品是为谁、在什么场景使用、做到什么程度已经够了。
十五、《本次使用的资料清单》哪些展示，哪些可以领取
文章公开展示与免费领取资料对照：
我把右栏资料整理成了《74.8万赞AI爆款·从0到1复刻作战包》，里面有空白模板、填写说明和完整单镜示例，足够你独立跑通第一条10~20秒AI视频复刻。
如果你不想每次都从零摸索，后续还可以使用完整案例库、模型实测记录和错误决策树，进一步提高效率和稳定性。
需要免费领取作战包，可在主页简介找我，备注：X-AI文史。
结尾：我们不是 AI 的操作员，而是它的总导演
这次复刻里，Codex 最有价值的部分是逐帧分析、结构化记录、生成提示词、文件归档、模型对比和技术验收。而我们人不可替代的部分是看懂原片、识别真正的说话人、发现方案无法在软件里落地、判断声音好不好听、控制成本，以及决定什么时候停止。
我最后得到的，不只是一条 18 秒左右的视频，而是一条更可靠的人机协作原则，不要只验收 AI 的生成结果，也要验收 AI 给你的制作方案。当人负责目标、事实和取舍，AI 负责展开、执行和验证，生成才不再只是抽卡，而会逐渐变成一套可复用的生产系统。
如果你想照着这套方法自己跑一遍，我已经把原片事实母表、角色与说话人映射、分镜卡、提示词模板、生成记录和剪映验收表整理成免费行动包。私信或主页简介找我后发送关键词 “X-AI文史” 即可领取。
说明：本文记录的是 AI 视频制作与人机协作方法，不替代原作。示例中的 AI 生成画面保留平台标识；公开使用原片画面、音乐或其他素材前，应自行确认来源、授权与平台规则。