最近不少人问我：

Grok 3.5 能不能一句话直接生成 30 秒视频？

我的实测结论是：别把它理解成“输入一句话，30 秒成片直接交付”。

更稳的做法是，先生成一段 6 秒左右的核心画面，再通过延长功能逐段接续，最后用剪辑把素材整理成 30 秒内容。

我这次测试时，先在元壹AI聚合梳理了可用模型和提示词框架，再进入对应的视频生成入口操作。

对普通用户来说，聚合平台最大的价值不是“替你生成”，而是少走找工具、试工具、整理提示词的弯路。

下面把我实际采用的流程拆开讲。

---

一、先定一个 30 秒内能讲完的故事

第一次测试时，我犯了一个典型错误：提示词里同时写了雨夜、外卖员、老人、送餐、对话、递伞和情绪反转。

结果画面虽然好看，但人物一直在变，故事也没讲清楚。

后来我把内容收缩成一句话：

暴雨夜，外卖员给独居老人送餐，临走时老人递给他一把伞。

这句话不是最终提示词，而是视频主线。

接着，我把它拆成 5 个镜头，每段控制在 6 秒左右：

1. 外卖员穿过雨夜街道；
2. 雨水落在头盔和保温箱上；
3. 他停在老旧居民楼前确认门牌；
4. 老人开门接过外卖；
5. 老人递伞，外卖员停顿后走进雨里。

这样拆以后，每段只做一个动作，生成结果明显更稳定。

---

二、提示词要写得像拍摄说明

我一开始写的是：

一个温暖感人的雨夜外卖故事。

生成结果不算差，但完全不可控：有时是欧美街景，有时人物衣服颜色变了，有时保温箱直接消失。

后来我改成下面这种写法：

中国老城区，夜晚暴雨，一名 28 岁男性外卖员，短黑发，穿深蓝色雨衣和黑色头盔，骑电动车穿过积水路面，车后有橙黑色保温箱，暖黄色路灯映在湿漉漉的柏油路上，低机位跟拍，写实电影光影，16:9 横屏。

这条提示词里，真正有用的是六类信息：

要素	需要写清的内容
人物	年龄、外形、服装
场景	地点、时间、天气
道具	头盔、保温箱、电动车
动作	骑行、停车、抬头、递伞
镜头	跟拍、近景、推进
规格	横屏或竖屏

“高级感”“大片感”“震撼”等词，我现在基本不用。

它们听起来很有气势，但不如把画面写具体。

---

三、先选对第一段，再考虑延长

这一步最容易被忽略。

我第一次生成了 4 条起始素材，前两条的问题很明显：

• 第一条：人物脸部变化太快；
• 第二条：雨衣颜色从深蓝变成了黑色；
• 第三条：动作自然，但保温箱比例不对；
• 第四条：人物、光线和构图相对稳定。

最后，我选了第四条作为“母片”。

原因很简单：后面的延长内容，通常会继承第一段的人物、光线和构图。

第一段选错，后面越接越难修。

选好后，我没有直接要求它跳到“老人递伞”的结尾，而是一次只推进一个动作。

第二段延长提示词：

外卖员减速停在一栋老旧居民楼前，抬头确认门牌号，雨势未减，镜头从人物侧后方缓慢推进。

第三段延长提示词：

外卖员站在单元门前，按下门铃，门内透出暖黄色灯光，保持相同人物、服装、雨夜环境和写实风格。

我实际测试下来，越是“少发生一点事”的延长，连续性越好。

不要上一秒还在骑车，下一秒就让人物进入屋内、换衣服、开始对话。

---

四、人物不换脸，靠重复关键设定

想让角色连续出现，提示词里必须重复人物锚点。

比如每一段我都会保留这句话：

28 岁男性外卖员，短黑发，深蓝色雨衣，黑色头盔，橙黑色保温箱。

环境锚点也一样：

中国老城区、夜晚、暴雨、暖黄色路灯、地面反光。

看起来重复，实际是在提醒模型：

• 演员别换；
• 衣服别换；
• 天气也别换。

如果平台支持参考图，我建议先做一张人物定妆图，再用它作为后续镜头参考。

这样比纯文字描述更稳，特别适合做系列内容。

---

五、30 秒成片，最后靠剪辑完成

视频生成结束后，我不会直接发布。

这次素材里，人物开门前有一帧手部略微变形，我直接剪掉了 0.4 秒。

短视频观众未必会逐帧看，但一眼不自然，就会影响整体质感。

我最后补了三样东西：

1. 旁白：控制在 100 字以内，前 3 秒直接给冲突；
2. 字幕：只保留关键信息，不做逐字字幕；
3. 环境声：加入雨声、车轮压水声和开门声。

成片 30 秒，真正由模型生成的只是视觉素材；节奏、情绪和信息表达，还是要靠后期完成。

---

六、哪些内容更适合普通人先做？

如果你刚开始尝试，建议从这几类内容入手：

• 商品氛围短片；
• 小说或故事片段可视化；
• 知识类视频的前 3 秒开场；
• 城市、历史、科幻场景展示；
• 情绪感短片。

不建议一上来就做：

• 多人对话；
• 长镜头打斗；
• 复杂变装；
• 口型同步。

这些场景变量太多，返工成本很高。

---

结语

我的经验是：

先让模型完成“一个镜头”，再把镜头剪成“一个故事”。

不要指望一句话解决全部制作流程。

一句话生成 30 秒视频，听起来很轻松；但真正能稳定出片的人，靠的是：

• 拆镜头；
• 控人物；
• 选素材；
• 做后期。

把这四步跑通，普通人也能做出可发布的视频内容。