9月2日2026 · 星期三

继续讲讲抖音爆款的 AIGC 视频如何复刻。 上一期讲了首帧生成视频，这期讲一讲首帧生成的一个关键点：如何正确复刻同款视觉效果。 复刻爆款视频，第一步要把视频的风格（尤其是首帧元素的风格）提取出来，用来生成同风格的素材图片。 但这个时候，没受过专业美术训练的普通人，仅靠肉眼对画面的描述其实是不准确的，甚至让 AI 来描述也会不准确。 来看一下我这边的案例： • 左边：我一开始提取的视频风格，我以为那种风格属于水墨风（让 AI 自己做，我自己也加了一些描述） • 右边：最后经过操作调整后再提取出来的相关元素 可以看到，一开始提取的元素较为混乱、不清晰，而且有大量的噪点。用这种图片生成出来的视频，质量绝对不会高，也无法吸引观众。 右边是经过修改后准确提取出的图片效果。两者提示词大部分内容都一致，真正产生区别的，是我修改了原先的"水墨风"视觉锚点。 因为原先我要复刻的爆款视频，它的首帧乍一看非常像水墨风，也有很多水墨元素，但其实它本身是一个偏向电影级海报的二维数字插画风格，带有剪纸/纸艺裁剪风格。 它的水墨风效果，其实来自衣物边缘的视觉特效，是一种水墨光影效果。因此不能直接用"水墨风"来描述，否则在 GPT Image 2 里会产生极大的噪点，让视觉重心直接偏离。 那么我是怎么提取的呢？这里推荐一个最近非常火、冲到了 GitHub Trending 榜第一名的仓库，https://github.com/freestylefly/awesome-gpt-image-2 安装这个仓库，再把图片发给你的 Agent，它就可以正确提取视觉效果。 当然，哪怕用这个工具，我也提取了两三轮。检查提取效果是否正确的方法： 先让它提取效果，然后用提取出的描述去生成一张图片，看一下和你的预期是否有差别。 如果不对，要明确提醒它具体哪方面不对（光影效果、人物效果还是背景效果），让它再去修改、匹配相关模板，提取更深层次的元素。 这样才能把它的提示词完美复现出来。 我经过这段时间的努力，把这个图片模板也整理得七七八八了，在评论区分享给大家。 > 引用 @Pluvio9yte: 抖音起号做出爆款诀窍：首帧生成 I2V。 > > 如果你的目标是做出爆款AIGC短视频起号，而不是出长期稳定的动画剧集，那么我更推荐使用视频生成模型的首帧生成模式，该模式对于seedance系列与minimax-h3都是适用的。 > > 一开始我在抖音上调研时，发现了一个爆款的 AIGC 博主。他的视频风格非常华丽，角色动作干脆利落，特效炫酷。而且他非常慷慨，把提示词都分享了出来（是真的自用提示词，甚至连他的本地缓存图片路径都露出来了） > > 结果我看他的提示词，虽然动作很华丽，但编排其实特别简单，与我们想象中长篇大论的那种“导演视角”做出来的效果完全不一样。 > > 他分享的真正诀窍在于：使用视频模型首帧生成。只要规定好首帧的场景、人物等约束，并通过首帧画面定住风格，后续画面就会非常统一，哪怕只用简单的提示词，都能做出非常震撼的效果。 > > 最后从技术层面解释一下，为什么首帧生成比上传参考图，设定图更具有优势。 > > Seedance 官方有写说明文档：若要严格保证开场画面和指定图片一致，优先走真正的图生视频首帧。 > > 官方论文提到，I2V 主流做法是把给定图像当作时间轴上的第 0 帧： > 图像 latent 与噪声拼接、首帧特征进时空注意力、甚至用图像噪声先验做残差预测。 > 后续帧是在「已经钉死的像素布局」上长出来的运动。 > > 参考图常见路径更偏语义嵌入或特征引导，能够保证「像不像这个人 / 这种风」，不保证第 1 帧构图、光影、材质、镜头焦段和你上传的那张图像素级对齐。 > > 不过首帧参考图的生成也是有很多门道，这点是被很多人忽略，也是那些爆款视频不说的秘诀（是的，那位抖音博主分享了所有提示词，唯独没有分享首帧怎么生成的，属于是真正的技术壁垒） > > 我自己深入扒了两天，把里面的门道也探索了个七七八八，下期给大家分享我自己实操总结的首帧生成技巧。 > > 最后依然是展示视频效果，搭配bgm食用更佳

【风格名称】 二维东方幻想剪影绘景，手绘动画关键视觉，平面化数字绘画艺术。 2D hand-painted Eastern fantasy animation key art, stylized planar digital illustration, graphic silhouette composition, decorative backlighting, painterly tapered strokes, non-photorealistic. 【二维绘画属性】 画面必须保持明确的二维平面绘画感。 人物、衣物、竹叶、月亮和环境都由概括的色块、清晰剪影、柔和笔刷与细长装饰性笔触组成。不要追求真实摄影、真实皮肤、真实布料物理或三维空间建模。 人物以深色平面剪影为主，不使用复杂的面部体积、皮肤纹理、毛孔、高光反射或真实肌肉结构。五官只通过极少量侧脸线条和边缘亮色表达。 衣物通过大片深色形状与细长、尖锐、羽毛状的二维笔触组成。衣摆边缘分解为大量方向统一的锥形笔触、纤维状色片和手绘残影，但仍然保持平面绘画效果。 【平面化光影】 光影不采用真实摄影式光照，而采用经过设计的二维明暗色块。 全画面只保留三组主要明度： 接近黑色的人物、发丝、衣料和竹林剪影； 柔和冷蓝色的巨大月轮； 明亮暖白与橙金色的装饰性发光区域。 不要在人物身上塑造完整的明暗转折。人物躯干和面部保持大面积深色，只在轮廓处增加极细、简化的冷色或暖色边缘光。 衣裙内部的暖光表现为大片平面化暖白色形状。这些亮色形状被深色衣物笔触切割，形成“亮底上覆盖黑色碎片”的视觉结构，而不是模拟真实透明布料的光学透射。 暖光边缘使用柔和的橙金色辉光和少量模糊扩散，但内部仍保持清晰、平面、装饰性的发光色块。 【发光衣裙结构】 先绘制一大片连续的暖白色发光底形，再在其上叠加： 深色长条衣料； 尖锐锥形笔触； 羽毛状碎片； 细长纤维线； 不规则黑色遮挡； 少量暖橙色边缘光。 不要从衣物材质出发计算光线，而要把发光区域当作平面构图中的一个巨大亮色图形。 最终效果像一片暖白色光，被大量深色手绘衣料笔触切割成复杂、华丽、流动的形状。 【人物造型】 人物采用二维东方幻想动画式造型： 约8.5头身； 小头、长颈、窄肩； 纤薄胸腔与细腰； 修长四肢； 极窄、优雅的身体剪影； 细长手指和脚踝； 身体曲线克制。 人物真实身体是一道狭长的深色形状。宽阔体量来自向外展开的长发、衣袖、披帛和衣摆。 不要使用写实人体、丰满身材、健美比例或三维角色建模结构。 【笔触】 使用数字手绘动画背景式笔触： 柔和宽笔刷铺设背景； 清晰深色形状塑造人物； 细长锥形笔触塑造头发； 羽毛状、刀片状笔触塑造衣摆； 少量柔边光晕连接亮部； 局部边缘略微粗糙，保留手绘感； 不追求每一处材质细节。 笔触应当流畅、概括、装饰性强，像高级二维动画电影的关键视觉，而不是照片描摹或3D渲染。 【空间层级】 使用二维动画式分层构图： 后景：柔和失焦的巨大月轮与冷蓝色夜空； 中景：边缘清楚的人物深色剪影； 前景：较大、较暗、略微模糊的竹叶和栏杆； 暖色叶片与衣裙亮部形成装饰性视觉框架。 空间深度来自图层遮挡、大小变化、边缘虚实和冷暖对比，不依赖真实景深、镜头光学或三维透视。 【色彩】 采用严格受控的冷暖双色体系： 冷色： 深蓝黑； 暗青灰； 月光灰蓝； 低饱和冰蓝。 暖色： 暖白； 淡奶油色； 蜜桃橙； 琥珀金； 少量焦橙色。 背景与人物保持大面积冷暗色，暖色只集中在发光衣裙、部分竹叶和少量漂浮叶片上。 色彩表现为清楚的二维色块，不使用复杂写实环境色反射。 【画面气质】 空灵、诗意、孤独、神秘、优雅，带有东方幻想二维动画电影的视觉气质。 画面应像一张经过精心绘制的二维动画关键帧或游戏剧情插画，而不是现场摄影、真人古装剧截图、写实电影概念图或3D游戏画面。 【严格避免】 避免照片写实、真人摄影、电影摄影质感、半写实皮肤、真实毛孔、真实布料材质、PBR渲染、光线追踪、体积建模、CG角色、3D游戏截图。 避免摄影术语主导画面：真实镜头、真实景深、真实曝光档位、色温数值、焦距、摄像机型号。 避免传统水墨、宣纸、泼墨、墨色渗化、国画笔法。 避免普通赛璐璐动漫、粗黑描边、明亮卡通色、可爱Q版人物。 避免复杂明暗塑形、人物正面被完整照亮、衣服呈现真实透明塑料质感。 最终效果必须是： “平面化的东方幻想二维绘画，深色纤长人物剪影位于巨大冷蓝月轮前，大块暖白发光色形被飞舞的深色衣料笔触切割，周围竹叶以橙金色装饰光形成画框。”

Most AI latency optimization focuses on making the model faster. But AI applications are distributed systems, and model inference is only one part of the critical path. Here are common distributed-systems patterns for reducing latency across the rest of the AI application: -- Locality Patterns ☑ Colocation: Place components that communicate frequently near each other. ☑ Replication: Keep readable copies of data closer to requests that can tolerate some staleness. ☑ Partitioning: Group related data and work so most requests stay within one partition. ☑ Caching: Reuse repeated reads and computations instead of rebuilding them. -- Work Reduction Patterns ☑ Algorithmic Work Reduction: Replace expensive work with better algorithms, indexes, or direct lookups. ☑ Selective Data Processing: Move and process only the data required by the next step. ☑ Setup Reuse: Reuse connections, parsed schemas, and validated state across requests. ☑ Request Coalescing: Combine predictable calls that cross the same boundary. -- Concurrent Execution Patterns ☑ Synchronization Avoidance: Remove unnecessary waiting around locks and shared state. ☑ Independent Concurrency: Run tasks concurrently when they have no data dependencies. ☑ Progressive Response: Stream independently useful results before the full task completes. ☑ Concurrency Budget: Limit fan-out and propagate deadlines and cancellation to prevent overload. ☑ Hedged Requests: Send a delayed duplicate of a safe read and accept the first valid response. -- Anticipation Patterns ☑ Predictive Prefetching: Fetch likely data or context before it is explicitly requested. ☑ Optimistic Update: Show the expected result while durable work completes, with rollback on failure. ☑ Speculative Execution: Start a likely branch early when the work is safe and cancellable. ☑ Precomputation: Prepare reusable results as source data changes instead of during the request. ☑ Prewarming: Initialize workers, connections, and execution environments before traffic arrives. -- Trace the full request first. Then apply the smallest pattern that changes the largest bottleneck. ✦ Inspired from:Pekka Enberg’s excellent book, Latency: Reduce Delay in Software Systems. See bellow for full post link.

https://generativeprogrammer.com/p/latency-patterns-for-faster-ai-applications