多模態輸入技巧：讓 AI 聽懂你的「導演意圖」

多模態不是簡單疊加

Seedance 2.0 的多模態輸入並非「素材越多越好」，關鍵在於每種模態承擔明確的分工。優秀的多模態 prompt 就像一份精簡的分鏡腳本。

四模態分工模型

模態	最佳用途	建議數量
文字	敘事邏輯、細節補充、情感基調	1 段精煉指令
圖片	畫面風格、角色外觀、場景構圖	3–5 張
影片	運鏡方式、動作節奏、轉場風格	1–2 段
音訊	配樂風格、音效特徵、語音節奏	1 段

場景一：品牌廣告

目標：生成 15 秒產品展示影片

• 圖片：產品高清圖 3 張（正面、側面、使用場景）
• 影片：參考品牌已有廣告的運鏡節奏
• 音訊：參考品牌廣告配樂
• 文字：「簡約高端風格，產品從暗處緩緩亮起，360 度旋轉展示，最後定格在 logo 上」

場景二：敘事短片

目標：生成有故事感的 12 秒短片

• 圖片：角色設定圖 2 張 + 場景概念圖 2 張
• 影片：參考電影片段的運鏡
• 文字：完整的場景描述，包含起承轉合

場景三：音樂 MV 片段

目標：音畫同步的舞蹈/表演片段

• 音訊：目標歌曲片段（模型將理解節奏）
• 影片：參考舞蹈動作或表演風格
• 圖片：舞台/場景視覺參考
• 文字：補充燈光和氛圍描述

指令撰寫的「導演思維」

1. 先定基調：這段影片的情緒是什麼？
2. 再定結構：幾個鏡頭？每個鏡頭多長時間？
3. 然後定細節：每個鏡頭的具體內容
4. 最後定風格：視覺風格和音訊特徵

調試技巧

如果生成結果偏離預期，按以下順序排查：

1. 檢查模態之間是否存在矛盾
2. 減少參考素材數量，逐一添加定位問題
3. 將文字指令拆分為更具體的描述
4. 利用影片編輯功能微調而非完全重新生成