多模态输入技巧：让 AI 听懂你的"导演意图"

多模态不是简单叠加

Seedance 2.0 的多模态输入并非「素材越多越好」，关键在于每种模态承担明确的分工。优秀的多模态 prompt 就像一份精简的分镜脚本。

四模态分工模型

模态	最佳用途	建议数量
文字	叙事逻辑、细节补充、情感基调	1 段精炼指令
图片	画面风格、角色外观、场景构图	3–5 张
视频	运镜方式、动作节奏、转场风格	1–2 段
音频	配乐风格、音效特征、语音节奏	1 段

场景一：品牌广告

目标：生成 15 秒产品展示视频

• 图片：产品高清图 3 张（正面、侧面、使用场景）
• 视频：参考品牌已有广告的运镜节奏
• 音频：参考品牌广告配乐
• 文字：「简约高端风格，产品从暗处缓缓亮起，360 度旋转展示，最后定格在 logo 上」

场景二：叙事短片

目标：生成有故事感的 12 秒短片

• 图片：角色设定图 2 张 + 场景概念图 2 张
• 视频：参考电影片段的运镜
• 文字：完整的场景描述，包含起承转合

场景三：音乐 MV 片段

目标：音画同步的舞蹈/表演片段

• 音频：目标歌曲片段（模型将理解节奏）
• 视频：参考舞蹈动作或表演风格
• 图片：舞台/场景视觉参考
• 文字：补充灯光和氛围描述

指令撰写的「导演思维」

1. 先定基调：这段视频的情绪是什么？
2. 再定结构：几个镜头？每个镜头多长时间？
3. 然后定细节：每个镜头的具体内容
4. 最后定风格：视觉风格和音频特征

调试技巧

如果生成结果偏离预期，按以下顺序排查：

1. 检查模态之间是否存在矛盾
2. 减少参考素材数量，逐一添加定位问题
3. 将文字指令拆分为更具体的描述
4. 利用视频编辑功能微调而非完全重新生成