在生成 AI 视频时，道具经常面临变形、材质漂移或尺寸忽大忽小的问题。要在不同分镜里稳住同一件物品，不能只靠在提示词里反复强调“保持一致”，而需要在前期准备合适的参考图。参考图画什么、提供到什么精度，取决于视频的具体类型以及镜头要交代的信息。
一、按视频类型决定道具要求
准备参考图之前，先看视频属于商品展示还是剧情叙事。两类视频各有需要优先确认的信息。
商品或广告视频里，物品本身就是展示主体，观众需要看清它是不是同一件真实商品。这类参考应当优先采用有权使用的真实商品照片，并确认所有图片对应同一型号、同一颜色和同一版本，不要混用不同批次或不同配件的图片，以免模型自行拼凑出不存在的产品结构。光线变化可以改变表面反射，但不应让拉丝金属变成光滑塑料，也不能为了画面好看而改动真实结构。
例如要制作一条保温杯视频，参考图可以按镜头任务拆开准备：
- 真实商品主图：展示完整的瓶身曲线、杯盖比例、提手位置和品牌标识，避免严重遮挡或夸张透视，用来约束静物展示镜头里的基本外观。
- 局部与状态细节图：根据脚本里的动作，补充杯盖螺纹、按键结构或打开后的内胆开口。如果镜头里有开盖喝水的动作，却没有给打开状态的参考，生成结果可能出现与实物不符的内部结构。
- 手持比例图：展示手掌抓握瓶身的位置以及杯子相对人体的大小，避免切到人物镜头时保温杯突然变成水桶或迷你小杯。
电影或短剧中的道具则主要服务于人物、动作和剧情。观众不一定需要看清道具背面的每一颗螺丝，但必须认出它属于哪个角色、怎么使用、在故事里起什么作用。比如一把随身武器，重点在于轮廓是否鲜明、角色握持与拔出是否顺畅；一张充当线索的房卡或一件旧信物，重点在于观众能否在特写镜头里看清那个推动剧情的缺口、编号或裂痕。
并非所有叙事道具都要画成工程级别的三视图。可以先确定镜头里真正会出现的特征，把形状、材质和关键识别点交代清楚，再根据生成结果判断是否需要补充参考。如果短剧里包含了商业植入，那么那件植入商品依然要按真实商品的标准准备参考，而同场戏里的其他环境道具则按剧情重要程度分配精力。
二、整体外观与关键细节
对于电影或短剧里的原创核心道具，可以先做一张包含完整外观与局部放大的设定图。整体图用来交代这件物品的轮廓、主色调和结构比例；局部放大图则用来固定那些会在近景或特写中露出的材质与装饰。不需要机械地排列正面、侧面、背面视图，重点是所有局部放大图都必须取自同一件物品，不能在放大时让模型画出另一种包裹方式或另一套零件。
下面这张英文武器设定图展示了一把原创弯刀。画面上方是完整的四分之三角度主图，下方分别放大了刀身纹理、皮革刀柄、护手和柄首四个部位。
这张设定图为后续视频提供了四个层面的外观依据：
- 刀身纹理（BLADE TEXTURE）：规定了微弯的刀身弧度、流动的钢材纹理，以及靠近刀背的一条窄装饰边。这些纹样需要贴合在金属表面，避免在动态画面里演变成裂痕或发光条。
- 皮革刀柄（LEATHER GRIP）：明确了深棕色皮革的颗粒感、斜向交叠的缠绕方式以及边缘磨损。在手部抓握的近景里，刀柄的缠绕逻辑比远景里的细碎花纹更容易穿帮。
- 护手细节（GUARD DETAIL）：展示了做旧黄铜的色泽、弯曲造型，以及它与刀身、刀柄相接处的结构，保证各部分材质属于同一套设计。
- 柄首细节（POMMEL DETAIL）：固定了多面体黄铜尾部和深色镶嵌石的特征，适合在拔刀或转刀的特写中作为视觉锚点。
这类设定图可以参考以下英文提示词：先描述整把武器，再指定四个放大部位与画面排版。这里的背景描述对应最终采用的浅灰白底版本：
Create an English weapon concept sheet for an original fictional saber.
Show the complete weapon once as a large three-quarter hero illustration.
Design: a gently curved blade with flowing steel grain and a narrow decorative border near the spine; a dark brown leather-wrapped grip; an aged-brass guard; and a faceted brass pommel with a dark inset stone.
Add four enlarged detail callouts taken from this exact weapon:
1. Blade texture and decorative border.
2. Leather grain, overlapping wrap and worn edges of the grip.
3. Guard shape, surface wear and its visible junction with the grip and blade.
4. Pommel shape and inset stone.
Keep the same shapes, materials and decorative details in the main illustration and every callout. Use fine graphite and sepia ink linework with restrained material shading on a near-white background with a faint neutral light-gray tint. Wide landscape composition with clear spacing.
English title: SABER CONCEPT STUDY
Callout labels: BLADE TEXTURE, LEATHER GRIP, GUARD DETAIL, POMMEL DETAIL.
No front-side-back views, no turnaround sheet, no dimensions, no characters and no action scene.
先用单体设定图确认道具自身的设计，再去生成人物使用的画面，排查问题时会清晰得多。如果直接在一张包含复杂动作的场景图里同时设计道具和人物动作，一旦手部遮挡了护手或光线改变了材质，后续镜头就很难找到统一的参照。
三、真人拔刀多分镜示例
有了清晰的单体设定图，接下来就可以测试它在动态视频中的表现。第一版视频直接将上面的弯刀设定图作为唯一输入参考图，要求生成一段包含拔刀出鞘、端详刀身、观察刀纹与握柄特写，最后回到人物持刀状态的多分镜真人视频。
本次测试使用的是通过 WaveSpeed 托管的开源模型 MiniMax H3（非 SOTA 模型），输出规格为 768p，时长约 15 秒，包含原生生成的声音。
本次使用的视频提示词
Photorealistic live-action cinema, 16:9. Use <Picture 1> ONLY as the exact physical SABER object design reference: one elegant curved single-edged blade with flowing watered-steel grain and delicate engraved spine border, dark brown leather-wrapped grip, aged brass curved knuckle-bow guard, faceted brass pommel with a dark oval inset. The image is a design sheet, NOT a frame or storyboard. Transform that object into a convincing real metal film prop. Do not reproduce the sheet, illustration style, labels, panel layout, or lettering. No text on screen.
A real adult man in his thirties, wearing a plain charcoal linen shirt, calmly examines this saber in a softly lit pale gray-white studio. Natural skin texture, realistic hands and weight, restrained cinematic lighting, beautiful tactile close-ups. Same man, same clothing, same saber throughout. A simple dark leather scabbard fits the curved blade. He is peacefully admiring craftsmanship, never attacking or swinging.
Create FOUR clearly distinct shots with clean editorial cuts, coherent physical continuity:
[0s-5s] Medium three-quarter shot, waist to head. The man holds the scabbard securely in his left hand, grasps the leather grip in his right, and slowly draws the entire curved blade completely free in one continuous physically plausible motion. Camera gently pushes in. Hands remain on grip and scabbard, not the edge. End with the saber visibly fully unsheathed.
[5s-8s] Cut to a close three-quarter view of his face and the blade. He raises the saber at a comfortable distance, quietly admires the blade, and slowly rotates his wrist a few degrees so a broad soft highlight travels over the watered-steel texture. Natural subtle expression of appreciation.
[8s-12s] Cut to a cinematic macro insert tracking from the flowing steel grain and engraved border near the base of the blade to the aged brass guard and leather wrapping. Preserve the distinctive guard and pommel design from <Picture 1>. Shallow depth of field; realistic metal, leather pores, tiny wear. Only one blade, no duplication or morphing.
[12s-15s] Cut back to a medium close-up from the opposite three-quarter angle, maintaining screen direction. He looks down at the guard and pommel, gently turns the grip to inspect the craftsmanship, then holds the saber still with a quiet appreciative half-smile. Keep blade shape, length, guard, leather and pommel consistent.
Audio: Native synchronized stereo production sound throughout. At 0-5s, clearly audible textured steel sliding out of a leather scabbard, a delicate brass click at release, soft sleeve and leather creaks. At 5-12s, subtle movement of clothing and grip, light natural breathing, quiet indoor room tone. At 12-15s a small leather creak as the grip turns; soft room ambience continues across cuts. Intimate realistic foley, no music, no dialogue, no subtitles. No exaggerated sword swooshes or combat sounds. Real human live action, not animation, not a sketch, no illustration overlays.
在只提供一张单体武器设定图的情况下，这段视频已经能够较好地维持道具的主要外观特征，并呈现拔刀与观赏动作。顺着分镜逐段检查，可以看到参考图在不同景别里起到的作用与局限：
在开场的拔刀中景与随后的端详近景里，弯刀的整体弧度、金属表面的流动纹样得到了保留，画面也呈现了刀身从刀鞘中逐渐显露的动作。切到细节特写时，深棕色皮革的包裹感、黄铜护手的色泽与刀身纹理能够对应回设定图中的同一套材质。当镜头再次切回人物持刀画面时，握持位置与道具状态也基本接续。
不过仔细对比设定图，近景中的细小雕纹、护手局部的弯曲转折以及柄首装饰仍存在一定程度的简化或变形。在本次结果中，参考图能把大轮廓、主材质和核心结构约束在合理范围内，但不能保证每一处微小纹路在动态切换中分毫不差。检查成片时，远景和中景应重点看轮廓、配色与持握逻辑，特写镜头则需单独核对关键识别特征是否达标。
四、角色与道具尺寸比例
道具看起来像同一把刀，不代表它在人物手里始终保持着合理的大小。第一版视频虽然稳住了材质和特征，但整把刀在人物手中略显短小，更接近短刀而非预期的长弯刀。在多次分镜切换时，刀柄粗细、刀身相对躯干的长度，也是需要单独控制的维度。
此前尝试在参考图片中备注尺寸与比例，没有达到预期效果。单体图可以清楚呈现刀具设计，但缺少它与人手、躯干或环境的同框对照。准备参考时，不能把图片上标了尺寸数字，当作实际大小已经得到约束的依据。
社区里也有不少创作者遇到过类似困扰。在 Reddit 关于 MiniMax H3 Ref2V 的人物与物体比例讨论中，发帖者提到即使写明相对身高，生成结果仍会出现比例漂移；评论区有人建议直接提供人物持物的参考图、按比例拼合的对照图，或者用简单的三维模型占位来交代大小。在另一篇关于人物与环境尺寸讨论的帖子里，有人觉得写入具体厘米数有帮助，也有人反馈数值完全被模型忽略。这些讨论属于创作者的个人经验分享，但可以看出，把尺寸关系直接画成可见的视觉画面，通常比单纯依赖数字更直观。
如果在角色参考和道具参考之外，对两者的相对大小有明确要求，可以额外制作一张人物与道具同框的分镜图或设定图，专门用来锚定比例。
为了沿用原视频的人物形象，并尝试加长刀身，这里先从第一版视频中截取人物画面，生成了一张角色参考图。这张图保留了原视频人物的面部特征、发型和深灰色衬衫，同时补齐了原视频中未展示的裤子和鞋子，形成完整的全身像与面部近景。关于全身、侧面与面部近景如何组织，可以参看《角色三视图怎么设计：从基础参考到角色资产管理》。
接着，将这张角色参考图与原本的弯刀设定图结合，生成了一张人物持刀的全身比例参考图。在这张新图里，我们刻意加长了刀身，同时保留了钢材纹理、深棕色皮革握柄和黄铜护手的设计。画面让人物全身、手掌抓握刀柄的关系以及整把刀的长度同时处于清晰可见的状态，且人与刀处于相近的景深平面，避免了刀尖直指镜头造成的透视畸变。
准备好这张比例锚定图后，我们进行了第二版视频生成。这一版依然使用 WaveSpeed 托管的开源 MiniMax H3 模型（768p，约 15 秒，原生有声），完整沿用了第一版视频的英文提示词、生成参数和随机种子（固定 seed 主要是为了减少测试变量，并不能单靠固定种子就保证画面或比例一致）。
在输入参考图时，上面的全身角色参考图只是一个中间过渡步骤，并未单独传入视频模型；实际输入给第二版视频的，是原本的单体刀具设定图（作为 <Picture 1>）和新增的全身持刀比例图（作为 <Picture 2>）。提示词仅在第一版的基础上追加了下面这句说明：
Use <Picture 2> as the reference for the saber's size relative to the person, including the blade length and grip-to-hand proportions.
生成结果如下：
上图左列为第一版，右列为新增比例参考后的第二版；上排取自各自视频的 4.5 秒，下排取自 6.5 秒。画面直接从原视频抽帧，未单独缩放刀具。两版的人物姿态和刀身朝向不同，这里用于观察视觉差异，不作为精确尺寸测量。
准备好道具设定图和人物持物比例图后，可以进入 MiniMax H3 视频生成器，添加参考素材，并在提示词中说明每张图负责的内容，再测试拔刀、握持或展示动作。
对比两版成片，第二版视频在同样完成拔刀、端详和细节特写的同时，刀身在视觉上明显比第一版更加修长，握柄与手掌的关系仍可作为后续逐镜检查的重点。需要说明的是，由于这段视频的分镜均为中近景和特写，没有出现完整的全身持刀画面，因此还不能单凭这段成片证明刀身与身高的精确比例已经完全锁定。这次结果为补充同框持物参考提供了一个实例，但仍需要更多镜头测试其稳定性。
复核这类视频的尺寸表现时，不要直接拿特写帧与中景帧的屏幕像素长度作比较——镜头推近时刀在画面里变大是正常的透视现象。更稳妥的做法是从出鞘、抬刀、特写和切回人物的片段中各取一帧，观察同一画面内部“刀柄相对手掌的粗细”“护手相对手背的宽度”以及“刀身相对胸肩的长度”是否合理延续。
五、多人时如何组织分解参考
如果一段视频里包含多名角色，且每个人手里都有各自的武器或道具，把所有信息塞进同一张图里往往顾此失彼：同框全景图很难看清每件道具的局部材质，而只给单体图又容易让两个人的身高差和武器长短在视频里乱套。
针对这类复杂场景，在前述 Reddit 的 MiniMax H3 比例讨论中，有社区成员提出可以用“单独角色设定＋所有角色同框的身高对照图”来管理比例。顺着这个思路，当画面同时涉及多人与多件道具时，可以尝试把参考资料整理成“分解参考＋同框比例总览”的组合（这一多人组织方式目前作为思路延伸供参考，尚未在本文的实测案例中验证）：
- 单人及对应道具的分解参考：为每个角色单独准备外观与持物图，或者将角色与他所持的道具清晰对应。比如角色 A 用长弯刀，角色 B 拿旧式怀表，分解图主要用来交代各自的面部特征、服装以及那件道具本身的纹理和握持方式，避免模型把 A 的配饰安到 B 的武器上。
- 多人同框的比例总览图：额外准备一张所有角色带着各自道具站在一起的全身图。让人物脚下处于同一水平基线、位于相近的景深位置，不做夸张的高低机位俯仰。这张图不追求展示道具上的微小雕花，专门负责告诉模型：A 和 B 谁高谁矮，A 的刀相对 B 的身体有多长。
在编写视频提示词时，再按图片编号分别指明哪张图负责具体人物与道具的外观细节，哪张图负责整体的身高与尺寸关系，并注意相邻镜头里道具在角色之间的交接或持握状态，避免物品在切镜时无故换手或消失。
准备道具参考图时，可以从最终镜头倒推需要的信息：先用单体图说明外观，再用局部图交代关键细节，对尺寸有要求时补充人物与道具同框的比例参考。生成后仍要回到具体镜头，判断这些关系是否得到保留，再决定需要补哪张图、调整哪个动作。
