开篇引入
上个月有个朋友兴冲冲跑来找我，说他刷到一个云上天宫的视频，单条点赞57万，评论区全在问怎么做的。他花了三天时间，用AI生成了几十张图，没有一张能看。要么宫殿像普通庙宇，要么人物比例完全不对，云海跟棉花糖似的糊成一团。
他问我：那些爆款到底是怎么做出来的？
我做了3年AI视频副业，踩过的坑比他看过的教程还多。这类中式仙宫视频看着玄乎，拆开来看核心就三件事：图片质量、动态生成、剪辑节奏。图片决定你能不能火，视频决定观众愿不愿意看完，剪辑决定完播率。
这篇文章我把整套流程掰开揉碎讲清楚，包括提示词模板、模型选择、成本控制、变现路子，全部来自实操经验。
核心逻辑：巨物比例与透视错觉
先搞明白一件事：这类视频之所以爆，不是因为AI生成的画面有多精致，而是它精准击中了人对”巨物”的本能震撼。
你去看那些高赞的云上仙宫视频，几乎都有一个共同特征：人物在画面里只是一个小色点，宫殿却大到超出画框，向云端无限延伸。这种比例反差制造出强烈的空间压迫感，配合云海流动和光影变化，观众会不自觉停下来放大看细节。
具体怎么实现？记住三个关键词：巨物尺度、留白构图、光影层次。
人物要小，建筑要大，两者之间形成至少几十倍的体量差。画面上要有大面积的云海或留白，不能塞得太满。光线方向要统一，最好有那种穿透云层的丁达尔效应，或者夕阳斜照的暖色调。
做这类内容，构图最忌讳的是”板正”。正对着宫殿拍，画面完全对称，这种图生成出来大概率是废的。稍微带点仰角，或者人物放在画面三分之一的位置，空间感立刻就不一样了。
图片生成：提示词模板与画面风格控制
图片是整个视频的地基。我试过市面上几乎所有主流生图模型，GPT、banana、Stable Diffusion都跑过，折腾一圈下来，Midjourney在生成这种东方仙宫风格上还是最稳的。虽然也要抽卡，但出图质量和对提示词的理解能力确实领先。
生图提示词有个稳定模板，直接套用就行。核心结构是：场景描述+建筑细节+人物状态+镜头语言+光影色调。
我常用的一个模板长这样：
> 宏伟的东方仙宫建筑群，朱红巨柱，玉石栏杆，飞檐翘角，宫殿向云端延伸。前景有渺小的人物行走，中景是层层叠叠的宫殿楼阁，远景是连绵云海和巨大的日月。超广角镜头，仰拍视角，丁达尔光线穿透云层，整体色调偏暖金，国风水墨意境，8K高清。
注意几个容易出问题的点。第一，AI经常在画面里生成莫名其妙的文字或水印，生图时在提示词末尾加一句”画面不要出现任何文字、logo或水印”，能省掉不少后期修复的功夫。第二，同一段提示词最好多跑几次，Midjourney同一提示词出图的多样性很强，构图和光线差别可能很大，从中挑最满意的一张再进入下一步。
如果你实在不擅长写提示词，有个取巧的办法：找一张你觉得好看的参考图，直接发给AI让它反推提示词。比起电图，这种方式给AI的发挥空间更大，生成出来的画面往往更有惊喜。
图片生成后，如果有些细节不满意，比如画面里多了一栋不想要的房子，或者某片区域觉得碍眼，可以用局部编辑功能框选那块区域，输入”去除这里的房屋”之类的指令精准修改。视野不够宽广就用扩图功能，角度不合适就调整构图。
视频生成：动态提示词与模型选择
图片搞定后，真正让画面”活”起来的是视频生成环节。这里有两个选择：在线API生成，或者本地部署ComfyUI跑。
先说在线方案。目前CogVideoX 2.5（简称CD2.5）是这类风格视频综合效果最好的模型之一，动态表现比2.0版本强不少。操作流程不复杂：把选好的图片拖进去，配上视频提示词，选好模型和分辨率，点生成就行。
视频提示词和图片提示词是两套逻辑。图片提示词重点描述”画面里有什么”，视频提示词要写清楚”画面怎么动”。云往哪个方向飘、水怎么流动、人物是走路还是回眸、镜头是推近还是拉远，都要交代清楚。
我准备了两套视频提示词模板，一套低动态，一套高动态。低动态适合氛围静谧的开场镜头，云和水的运动幅度小，整体画面沉稳。高动态适合音乐情绪起来后的高潮段落，云的翻涌更剧烈，画面冲击力更强。根据视频的叙事节奏交替使用，观感会好很多。
关于模型选择，有个容易忽略的坑：每个模型对提示词的偏好不一样。CD2.5那套提示词风格，未必适用于MiniMax或其他模型。最好先让AI去查一下官方示例和社区里的提示词参考，按照目标模型的偏好改写一遍，出片效果会有明显提升。
模型参数方面，画面比例保持16:9，分辨率720P起步。CD2.5的720P每秒成本大概在0.78元左右，480P折合下来约0.21元每秒，可以根据预算选择。时长建议单镜头5到8秒，别拉满。我测试过，5秒视频生成大约4分半钟，15秒就要接近50分钟，时长翻3倍但时间翻了10倍，得不偿失。
本地部署是另一条路，适合有显卡、想省API费用的玩家。流程大概是这样：下载爆款视频，丢给AI自动截取关键帧并高清重绘，拿到参考图后让AI扩展出同场景的不同镜头，再反推出每个关键帧对应的视频提示词。
本地生视频的最大成本是时间不是钱。我用的4090，5秒视频大约4分半钟，15秒要接近50分钟。所以镜头时长控制在5到8秒最划算，具体让AI按每个镜头的内容自己安排就行。
这里插一句，本地部署对新手不太友好。要装ComfyUI，配置工作流和模型，还要处理各种依赖。我当初折腾了整整两天才跑通。如果你只是想试试水，建议先从在线API开始，跑通整个流程再考虑本地化。
后期剪辑与调参
所有视频片段生成好后，剪辑环节直接决定最终成片质感。
我用的是剪映，免费且够用。流程很简单：导入所有片段，按叙事顺序排列，调整每段时长，添加转场和滤镜，最后配上合适的背景音乐。
音乐选择上，适配中式仙宫主题的曲子目前主要就两首，一首叫《相逢是》，另一首叫《空山野马》。我个人更喜欢前者，旋律和这类画面的契合度更高。导入音乐后，用剪映的”自动踩点”功能拆分节拍，再按照节拍节奏去安排片段切换，卡点准确的话，成片的观赏性会提升一个档次。
滤镜别加太多，选一两个淡雅风格的就够了。这类视频本身的色彩层次已经很丰富，过度调色反而会破坏原有的光影质感。
有个经验供参考：视频生成时单个场景出4到5秒就够了，我习惯出5秒，为了给剪辑留出缓冲空间。所有片段拼接时，注意相邻镜头之间的色调统一，避免画面风格跳跃太突兀。
变现方式与创新方向
视频做出来了，怎么变现？我实操下来主要有三条路。
第一是创作者激励。平台对这类原创视频有流量扶持，播放量直接换算收益。不过这个收入不稳定，爆款和扑街的差距能到几十倍。
第二是IP授权和视觉定制。当你的账号做出名堂，会有游戏公司或品牌方来找你合作，制作游戏视觉画面、概念宣传片之类的。这个单价高，但需要积累。
第三是动态壁纸。把视频做成手机或电脑的动态壁纸出售，属于被动收入，适合批量产出后挂到相关平台。
关于创新方向，我提供两个思路。一是从纯风景展示升级为叙事或微剧情，加入简单的故事主线或角色动线，让观众有代入感。二是做跨界风格融合，比如东方赛博、中式科幻，把传统建筑和未来机械、霓虹光效组合在一起，视觉反差越大越容易出圈。
总结
这套流程跑下来，你会发现中式仙宫视频的制作门槛没有想象中那么高。核心就三步：用Midjourney生成高质量图片，用CogVideoX让画面动起来，用剪映完成节奏把控。每一步都有成熟的工具和模板支撑，真正考验人的是审美和耐心。
如果你刚接触这个领域，可以先从模仿开始。找几个你喜欢的爆款视频，拆解它们的构图和运镜方式，用同样的逻辑去生成自己的内容。跑通一遍完整流程后，再慢慢摸索属于自己的风格和叙事方式。
先做出一条完整的视频，哪怕只有10秒。做完第一条，你就知道下一步该往哪个方向使劲了。
视频教程下载
文章可能无法完整分享清楚，下面是原项目视频教程，粉丝朋友可以自行下载学习。提前说明：资源链接内可能会存在引流广告信息，请自行甄别。
百度网盘：
