無法取得影片資訊
2026-07-25
FuFu
19
從一張數字人圖片開始，到影片分析、分段、提示詞與字幕後製的完整實測 最近我看到一支節奏很吸引人的口播影片。 原本只是人物坐在鏡頭前說話，但影片會隨著內容切換鏡位、加入人物描邊、背景變化與各種視覺特效，讓一支普通的口播影片變得更容易看完。 我知道這類效果可以使用 Gemini Omni Flash 的影片編輯功能製作，所以先把參考影片放進資料夾，再請 Codex 分析它的製作方式。
最近我看到一支節奏很吸引人的口播影片。
原本只是人物坐在鏡頭前說話，但影片會隨著內容切換鏡位、加入人物描邊、背景變化與各種視覺特效，讓一支普通的口播影片變得更容易看完。
我知道這類效果可以使用 Gemini Omni Flash 的影片編輯功能製作，所以先把參考影片放進資料夾，再請 Codex 分析它的製作方式。
我一開始對 Codex 說：
幫我分析資料夾裡的影片如何製作。我知道它是用 Gemini Omni Flash 做的，但我想複製它的畫面感，不要直接照抄，我想做一個類似的版本。
不過在分析過程中，我很快就改變了方向。
參考影片使用大量紙張拼貼、撕紙、拍立得、便利貼、手繪箭頭與社群介面。這些特效已經形成對方很明顯的視覺風格，如果我把內容翻成繁體中文，再照著使用相同特效，最後還是很像在模仿原作。
所以我重新告訴 Codex：
算了，不要抄他的特效。特效也要有自己的風格，我要做出差異。
這個決定，也成為後面整支影片最重要的方向。
因為這次的目的是測試 Gemini 的影片編輯能力，我暫時沒有安排真人拍攝。
當時我已經做好一張 Ivy 坐在鏡頭前的圖片，畫面中有桌面、麥克風與暖色錄音室，所以我決定先把圖片製作成一支正常的數字人口播影片，再把生成完成的口播交給 Gemini 加入特效。
我告訴 Codex：
我已經先做好一張 Ivy 坐在鏡頭前的圖片。影片不用太長，大約 30 秒，內容也不用先介紹 Gemini，單純測試怎麼做出一支狠抓眼球的影片。
後來我們決定用「注意力被消耗」作為影片主題，腳本是：
有時候，你不是懶。只是腦袋同時開了太多分頁。你想工作、想回訊息、想追上進度，還在擔心一些根本還沒發生的事情。明明每一件事都沒有真正開始，卻已經把你的注意力全部用完了。我後來做了一個很簡單的改變。不是逼自己更專心，而是每天只留下現在最重要的一件事。當你願意把其他分頁先關掉，腦袋才終於有空間，把眼前的事情做好。
這段腳本很適合測試視覺特效，因為裡面包含「分頁」、「注意力耗盡」、「關掉其他分頁」及「只留下一件事」等可以被具象化的概念。
接著，我使用數字人工具完成口播，最後得到一支約 35.72 秒的直式影片。
完成口播後，我把影片放回資料夾，再請 Codex 進行分段。
我的要求是：
Gemini 一次可以處理的影片長度有限，所以要先分段。如果一句話剛好講到一半時碰到 10 秒，就把剪輯點往前移，不要切斷句子。分段完成後，再給我每一段可以貼到 Gemini 的提示詞。
這裡最重要的不是每 10 秒切一次，而是要以完整句子為單位。
如果第 10 秒剛好位於一句話中間，就必須往前找到上一個自然停頓。寧願讓其中一段只有五、六秒，也不要把一句話切成兩半。
Codex 分析影片的台詞與停頓後，將整支影片分成五段：
五段加起來仍然是原本的完整內容，而且每一個剪輯點都位於自然句尾。
這個階段我主要使用 Codex 的 video-use Skill，讓它根據語音、停頓與完整句子尋找剪輯位置，而不是只按照固定秒數切割。
中途我也發現部分 Gemini 介面似乎可以接受更長的影片，甚至嘗試重新整理成接近 15 秒的片段。不過考量穩定性與前後銜接，這次最後分享的流程仍然以每段不超過 10 秒為主。
完成分段後，下一步是決定每一段要加入什麼特效。
因為我已經明確要求不要模仿參考影片，所以 Codex 幫我建立了一套新的視覺語言，稱為「透明注意力空間」。
主要元素包括：
第一段提到「腦袋同時開了很多分頁」，背景就出現多片透明玻璃視窗。
第二段談到工作、訊息、進度與還沒發生的事情，玻璃視窗中便依序出現檯燈、光點、延伸光軌與模糊煙霧。
第三段說注意力已經被用完，橘色光粒就逐漸熄滅。
第四段只留下現在最重要的一件事，因此畫面最後只保留一個透明方塊與橘色光點。
第五段則讓其他視窗依序闔上，最後回到乾淨、安靜的錄音室。
每一個效果都必須呼應正在說的內容，而不是為了讓畫面熱鬧，隨機加入一堆動畫。
提示詞設計的部分，我使用了 realistic-video-prompting Skill，協助把抽象台詞轉換成具體的物件、動作、時間與空間關係。
剛開始時，我們把提示詞寫得非常詳細。
裡面包含人物的臉、髮型、服裝、身形、座位、麥克風位置、色碼、材質、口型、原始聲音與大量禁止項目。
原本以為要求寫得越完整，Gemini 就越不會改變人物，但實際測試後，過多重複描述反而可能造成誤解。
所以我開始刪除不必要的內容。
最後真正使用的第一段提示詞是：
請直接編輯我上傳的直式口播影片，並保留原聲。 畫面安排： - 0.00–0.60 秒：維持原始正常口播，鏡頭極輕微向 Ivy 推近。 - 0.60–1.80 秒：她身後原本沉重的暗影像一層透明霧氣般向上散開，表示問題不是懶惰。Ivy 本人不變形。 - 1.80–3.20 秒：第一片無文字的透明玻璃視窗從鏡頭右側滑入，停在 Ivy 身後的景深區。 - 3.20–5.04 秒：更多不同大小的透明視窗從左右和後方依序展開，像腦中同時打開很多分頁，但不要遮住 Ivy 的眼睛、嘴巴和麥克風。最後停在「多個分頁懸浮」的狀態，方便接下一段。 動作必須一個接一個出現，使用柔和的 ease-out 減速，不要同時爆出所有元素。不要加入字幕、文字、Logo、紙張拼貼、手繪箭頭、社群介面、卡通風格、科幻 HUD、故障閃爍或液態變形。
這個版本只保留四種必要資訊：
我刪除了重複的人物設定、材質說明、顏色色碼及過長的禁止清單。
這次實測讓我發現，Gemini 的影片編輯提示詞不是越長越好。重點是把「什麼時間、發生什麼事情、哪些地方不能被遮住」寫清楚。
聲音是我一開始很擔心的問題。
如果原始影片是中文口播，Gemini 在重新生成影片時，有可能改變聲音內容，甚至將原本的中文變成英文。
因此，我最後在提示詞開頭直接寫：
請直接編輯我上傳的直式口播影片，並保留原聲。
成功保留原聲後，後製時不需要重新配音，也不需要再做一次口型同步。
這裡要注意，我不是請 Gemini 修改聲音，而是要求它保留影片原本已經存在的音軌，只處理畫面中的視覺效果。
如果遇到系統拒絕聲音相關指令，也可以準備無聲影片作為備用方案，先讓 Gemini 處理畫面，最後再接回原始音軌。但這次我的最終成品是直接保留原聲，沒有重新配音。
完成部分片段後，我又遇到另一個問題：Gemini 把原創數字人判定成知名人物。
第五段在刪減提示詞後可以成功生成，但第三段與第四段不管怎麼修改，都一直無法通過驗證。
我們先刪掉 Ivy 的名字，也移除「維持人物身分」、「保留原本五官」等描述，再把提示詞改成英文。最後甚至縮成：
讓背景出現幾片透明玻璃，然後慢慢變暗。其他畫面不變。
以及：
在桌面上加入一個透明方塊，裡面亮著橘色光點。其他畫面不變。
結果仍然被擋。
這時我們才確定，問題不在提示詞，而是輸入影片中的人臉被系統誤判。
Google 官方文件也提到，部分含有「可辨識人物」的上傳素材可能無法編輯，而且安全檢查會同時分析提示詞與輸入影片。Gemini Omni Flash 官方說明
如果提示詞已經縮到只剩一句話，仍然出現相同錯誤，就沒有必要繼續改寫。這種情況比較適合改用一般剪輯工具製作該段效果，避免持續消耗生成額度。
完成影片特效後，我沒有讓 Gemini 直接生成繁體中文字幕。
目前生成式影片模型仍然可能出現繁體中文錯字、缺字或無法辨識的假文字。如果只錯一個字，卻要重新生成整段影片，時間與生成額度都很浪費。
所以我把字幕留到最後處理。
我先使用 Codex 整理正確的字幕內容與時間，再透過 HyperFrames 將字幕後製到完整影片上。
這樣可以確保：
如果沒有使用 HyperFrames，也可以改用剪映、CapCut、Premiere Pro 或其他字幕工具。重點是把需要高度精準的文字留到最後製作。
這次的實際分工如下：
video-use 按照完整句子分段，每段不超過 10 秒。realistic-video-prompting 規劃每段特效與提示詞。這次主要使用兩個 Codex Skills，加上 HyperFrames 完成影片分析、分段、提示詞設計與字幕後製。
Skills 是提供給 AI Agent 的可重複工作流程。安裝後，不需要每次重新解釋全部技術細節，只要告訴 Codex 要使用哪一個 Skill，以及這次的目標即可。想進一步了解 Skills，可參考 OpenAI Skills 官方說明。
簡易安裝方式：對話欄裡貼上: github網址, 幫我安裝這個skills 就行了
GitHub：
https://github.com/browser-use/video-use
安裝說明：
video-use 是一個對話式影片剪輯 Skill，可以協助處理：
GitHub：
https://github.com/zhouwei713/seedance-prompt
這個 Skill 原本是為 AI 影片生成模型設計的真實感提示詞方法，可以應用在 Seedance、Sora、Kling、Runway、Veo，以及這次使用的 Gemini Omni Flash。
它會協助規劃：
GitHub：
https://github.com/heygen-com/hyperframes
官方文件：
https://hyperframes.heygen.com/introduction
HyperFrames 是一個使用 HTML、CSS 與 GSAP 製作影片的開源工具。它可以將網頁式的構圖逐格輸出成影片，特別適合製作：
這次測試並不是把整支影片丟進 Gemini，就能自動得到完整成品。
真正重要的步驟，是先讓 Codex 理解影片內容，找出每一句話可以被視覺化的地方，再依照完整句子分段，替每一段設計清楚、簡潔的提示詞。
Codex 負責內容理解、分段與提示詞；Gemini Omni Flash 負責加入原本拍攝不到的視覺效果；HyperFrames 則負責需要高度精準的中文字幕。
整個過程中，我確實遇到聲音處理、提示詞過長、繁體中文錯誤，以及數字人被誤判為知名人物等問題。
它還不是百分之百穩定的製作方式，但這次實測證明：即使只有一張數字人圖片與一段普通口播，也能透過 Codex＋Gemini Omni Flash＋HyperFrames，做出一支具有自己視覺風格的 AI 特效影片。
FuFu
112 Followers
0則留言
FuFu
112 Followers
我們使用本身的Cookie和第三方的Cookie進行分析，並根據您的瀏覽習慣和個人資料向您展示與您的偏好相關的廣告。如欲瞭解更多資訊，您可以查閱我們的隱私權政策。