AI 视频参考素材怎么选？多模态参考完整指南

“最多支持 50 个参考文件”是 X 和 Reddit 上最吸引眼球的讨论之一。Seedance 2.5 单次最多可以接收 30 张图片、10 段视频和 10 段音频，它们可以共同控制人物、产品、环境、动作、运镜和声音。

但参考位数量只是上限，不是建议用量。

真正决定结果的不是上传了多少文件，而是每一份 AI 视频参考素材有没有清晰、唯一的任务。当角色图、风格图和动作视频互相矛盾时，更多参考反而意味着更多干扰。

四种 AI 视频参考素材分别负责什么

1. 人物与产品图片：负责“它是谁”

图片最适合锁定静态视觉特征：

• 人脸、发型与服装
• 产品结构与品牌颜色
• 场景布局
• 材质和光影风格

同一人物可以准备正面、四分之三侧面和侧面图片。产品则应优先准备整体图、侧面图和关键细节图。

不要同时上传多个差异明显的版本。如果三张图片中的产品按钮位置不同，模型就必须猜测哪一张才是正确答案。

2. 参考视频：负责“它怎么动”

视频参考更适合传递文字难以准确描述的信息：

• 人物动作和表演
• 舞蹈与肢体节奏
• 镜头轨迹
• 产品运动方式
• 转场速度

如果你需要的只是镜头运动，就在提示词里明确写出“仅参考运镜，不参考人物、服装和场景”。否则，模型可能同时借用视频里的主体、色彩和环境。

3. 音频：负责“它按什么节奏发生”

音频可以承担不同任务：

• 背景音乐
• 对白语气
• 环境声音
• 动作节拍
• 情绪变化

不要用一段同时包含音乐、对白和大量噪声的复杂音频去控制所有内容。参考目标越单一，结果通常越容易控制。

4. 白模：负责“它在哪里”

白模是没有最终材质的三维场景，可以提前规定人物站位、物体位置、运动路径、镜头角度和空间关系。

对于复杂广告、建筑镜头或多人调度，白模比一大段空间描述更直观。

使用最小充分参考集

正确的方法不是一开始就填满 50 个位置，而是建立一套“最小充分参考集”。

以一条产品广告为例，可以先从以下组合开始：

• 3 张产品图片：正面、侧面、细节
• 2 张人物图片：正面、侧面
• 2 张场景图片：整体空间、灯光氛围
• 1 段视频：运镜参考
• 1 段音频：音乐节奏

先用这 9 份素材生成第一版。如果人物不稳定，再补充人物角度；如果产品细节错误，再加入更多产品特写。

不要在不知道缺少什么的情况下继续堆素材。

给每份参考素材明确分工

推荐在提示词里逐项绑定素材：

@Image1：女主角正面身份参考
@Image2：女主角侧面身份参考
@Image3：产品正面结构参考
@Image4：产品侧面与接口参考
@Image5：室内空间与色彩参考
@Video1：只参考从特写拉到全景的运镜
@Audio1：控制整条视频的音乐节奏

保持 Image1 和 Image2 的人物身份不变。
产品结构严格遵循 Image3 和 Image4。
不要复制 Video1 中的人物、服装和背景。

这种写法相当于给每份素材一张工作证。模型不必猜测哪个文件控制人物，哪个文件只负责镜头。

三种最常见的参考冲突

风格冲突

一张是写实摄影，一张是动漫插画，另一张是塑料感 3D 渲染。除非你明确要求风格转换，否则模型很难建立统一视觉方向。

动作冲突

文字要求人物快速奔跑，视频参考却是缓慢行走。动作速度和身体姿态可能因此出现异常。

身份冲突

多张人脸参考如果不是同一个人，或者年龄、妆容差异过大，很容易造成五官漂移。

解决原则很简单：一个参考只负责一个任务，同一任务尽量只有一个明确答案。

一套可复用的素材整理流程

1. 先列出视频中必须保持不变的对象。
2. 为人物和产品建立统一的参考图组。
3. 把动作参考与视觉风格参考分开。
4. 删除重复、模糊和互相矛盾的文件。
5. 在提示词中标注每份素材的具体职责。
6. 生成第一版后，只针对暴露的问题补充参考。

准备完成后，可以进入视频生成器选择多模态参考模式，也可以先阅读30秒 AI 视频叙事方法，把素材与时间轴一起规划。

常见问题

参考素材越多，角色一致性越好吗？

不一定。高质量、同一身份且角度互补的素材有帮助，重复或矛盾的素材则可能降低稳定性。

图片和视频参考应该优先使用哪一种？

图片更适合锁定外观，视频更适合传递动作和运镜。人物主导的视频通常需要两者配合。

可以只上传素材而不说明用途吗？

可以，但模型需要自行判断每份素材的作用。素材较多时，逐项说明职责通常更可控。

结语

AI 视频参考素材不是越多越专业。真正专业的工作流，是用最少的素材表达最明确的创作要求。

先确定人物、产品、环境、动作和音频各自需要什么，再逐项添加素材。50 个位置提供的是创作上限，而不是需要完成的上传任务。

参考资料：ByteDance Seed 官方技术博客