企业官网建设流程全解析

这届百花奖有一个值得技术创作者关注的变化：AIGC 不再只是“玩票”性质的赛道，而是正式进入了主流电影奖项的评审视野。官方公布了百花奖 AIGC 推优单元的获奖名单，即梦 AI 作为独家技术合作方参与其中。这个消息放在影视行业里看是“奖项设立”，放在 AI 工具链的角度看，其实是 AIGC 影像创作从“能生成”走向“能参赛、能评奖、能商用”的一次明确信号。

这届 AIGC 推优单元要解决的不是“谁生成的画面更炫”，而是“谁把 AIGC 真正用成了影像创作工具”。因此本文不打算只复述新闻，而是从技术创作者的角度拆三件事：第一，百花奖 AIGC 推优单元到底在评什么，创作者要满足什么标准；第二，即梦 AI 这类一站式平台为什么会被选为技术合作方，它的核心能力是什么、怎么用；第三，如果你想做一支 AIGC 短片去参赛或商用，完整的创作流程、批量生产思路、接口集成方式和合规边界是什么。

下面直接进入正题。

1. 核心事实速览

需要注意一个前提：即梦 AI 不是开源本地部署项目，不需要像 Stable Diffusion 那样配 Python、CUDA、模型权重。它是云端服务，对普通创作者更友好，而 API 接入和批量生产能力则留给有工程化需求的团队。

2. 百花奖为什么要设 AIGC 推优单元

AIGC 内容进入主流奖项评审，本质上反映的是影视工业对“AI 辅助创作”的态度变化。过去两年，AI 生成视频的质量主要卡在三个地方：一致性（同一个角色在不同镜头里是否长得一样）、可控性（能不能精确控制镜头运动、表情、动作）、叙事性（生成的是片段还是真正能讲故事的作品）。

百花奖 AIGC 推优单元的出现，说明行业开始承认一种现实：AI 不只是一个“生成图片的玩具”，而是可以贯穿前期创意、分镜设计、素材生成、后期调整全流程的生产力工具。评审关注的不是“用了 AI”这个标签，而是创作者如何用 AI 实现完整的影像表达。

从公开信息看，这类推优单元的评审通常围绕以下几点展开：

• 作品是否有清晰的叙事结构和主题表达；
• 画面质量是否达到可放映、可公开传播的标准；
• AIGC 技术是否服务于剧情，而不是为了炫技；
• 创作者是否合理使用了提示词、分镜、图生视频等工具方法。

这个导向对后续 AIGC 影像创作有直接影响：以后做 AI 短片，“画面好看”只是基础，故事、节奏、审美一致性才是拉开差距的地方。

3. AIGC 影像作品的评审维度与技术门槛

如果参赛者想冲击类似的 AIGC 奖项，或者团队要把 AIGC 流程接入商业项目，建议从四个维度拆解标准。

3.1 创意与叙事：AI 生成内容仍然需要“人味”

评审首先看的是作品是否讲了一个完整的故事。AIGC 短片的问题往往出在“片段好、全片散”。一支 5 分钟以内的短片，哪怕每一帧都很精致，如果叙事逻辑断裂，依然无法进入推优范围。

技术上的对应方法是：提前写好脚本，拆出分镜表，再让 AI 在分镜约束下生成素材，而不是想到什么生成什么。

3.2 技术完成度：一致性是最大考验

角色一致性是 AIGC 视频最普遍的痛点。同一个主角可能第一镜头是圆脸，第二镜头变成了方脸，第三镜头服装又变了。这在商业项目中是致命伤，在比赛中也会被评审直接扣分。

即梦 AI 类工具的常规解法是“图生视频 + 角色参考图”：

• 先用文生图生成角色设定图；
• 固定角色参考图，后续镜头尽量使用图生视频或相似图引导；
• 减少对单一文本提示词的依赖，让图像信息约束生成结果。

3.3 艺术表达：画面不只是“生成”，还要“设计”

获奖作品通常有统一的色调、光影和构图风格。创作者需要在生成前就完成视觉方向设计：是赛博朋克，是国风水墨，还是写实剧情？

建议先做出统一的风格测试图，再用同风格图批量生成素材。这样才能保证作品不是“AI 素材拼盘”，而是有导演意识的影像作品。

3.4 AIGC 应用深度：不是用了 AI，而是用好了 AI

评审会观察 AI 技术是否真正融入了创作链路。合理的使用方式是：

• 用 AI 做分镜预演，快速验证镜头设计；
• 用 AI 生成实拍难以完成的场景；
• 用 AI 补充动画、特效、转场素材；
• 用人工剪辑和后期把 AI 素材组装成完整叙事。

如果只是拿现成模板生成几个炫酷片段，很难通过专业评审。

4. 即梦 AI 为什么适合做 AIGC 推优单元的技术底座

即梦 AI 被选为独家技术合作方，核心原因不是“名气大”，而是它的产品形态恰好覆盖了 AIGC 短片的完整生产链路。

从创作流程看，即梦 AI 具备以下能力：

其中最关键的一点是：即梦 AI 把“生成”和“编辑”放在同一个流程里。创作者不需要把图片从 A 工具导出、再导入 B 工具做视频、再拿到 C 工具做局部修改。平台内部可以完成大部分工作，降低多工具切换的时间和格式损耗。

相比本地方案的差异也很明显。ComfyUI + SD 系列的方案灵活性强，但需要本地显卡、需要维护模型和插件；即梦 AI 走云端路线，创作者不依赖硬件配置，适合评估效率优先、周期短、需要稳定输出的项目。

5. 即梦 AI 核心能力拆解

这一节具体拆解即梦 AI 的几个关键能力，重点讲“能干什么”“在什么场景下用”。

5.1 文生图与图生图

文生图用于从无到有制作视觉素材。常见场景是角色设定、场景概念图、海报、分镜配图。

使用方式很直接：输入画面描述，包含主体、环境、光线、镜头、风格等要素。如果需要严格控制某个已生成的画面，可以把图片上传到画布，基于它做图生图，这样能保持构图或角色特征的延续性。

5.2 文生视频与图生视频

文生视频是输入一段文字描述，直接生成短视频片段。适合没有原始素材、完全靠 AI 构建的场景。

图生视频更适合创作流程：先确定首帧画面，再让 AI 把画面“动起来”。这样可以最大程度保留角色和场景一致性。拍摄类的真人短片团队也可以先实拍空镜或角色镜头，再用图生视频补足特效镜头和场景过度。

操作层面注意两点：视频生成要控制时长和镜头语义，提示词里尽量写清楚“镜头从 A 推到 B”“人物从站立到坐下”这类可执行的运镜描述，而不是只写“美丽、震撼”这类抽象词汇。

5.3 数字人与对口型

数字人能力适合解说、口播、人物表演类内容。创作者可以用 AI 生成一个虚拟人物，再配音和对口型，用于短片旁白、产品介绍、甚至参赛作品中的虚构角色。

这里特别提醒：数字人只能用于合法授权场景。如果用来复制真人形象或模仿特定公众人物，必须取得本人授权，否则会侵犯肖像权和相关法律权益。

5.4 智能画布与编辑能力

生成结果很少一次到位。智能画布可以把素材拖进同一画布，进行局部修改、扩展、组合。这种非破坏式的编辑方式非常适合分镜制作：一个镜头一个区域，统一调整风格，再输出到视频生成流程。

5.5 故事创作与分镜能力

这是面向短片创作的目标功能：输入故事梗概，平台辅助生成分镜描述和脚本结构，然后进入素材生成环节。对业余创作者或小型团队来说，它降低了“从想法到分镜”的入门门槛；对专业团队来说，则可以快速产出预演版本，帮助导演评估镜头设计。

6. 用即梦 AI 完成一支 AIGC 短片的实战流程

下面给出一套可以直接参考的创作流程。无论是否参赛，这套流程适用于大多数 AIGC 短片生产场景。

6.1 确定主题与脚本

不要一上来就生成画面。先写一段 200 字以内的故事梗概，明确核心冲突和结尾。然后拆解成 5 到 10 个分镜，每个分镜要写清楚：

• 画面内容；
• 环境与时间；
• 镜头运动；
• 角色状态。

脚本示例（可直接用于提示词规划）：

分镜一：城市夜景，主角站在天台边缘，镜头从背面缓慢推近，风吹动衣角。 分镜二：主角回头看，脸上有泪痕，镜头切近景，背景霓虹灯虚化。 分镜三：主角转身离开天台，镜头跟随背影，远处城市灯火逐渐亮起。

6.2 生成角色与场景设定图

先用文生图生成主角设定图。提示词需要包含角色外貌、服装、风格、景别。

参考提示词模板：

一位二十多岁的中国女性，黑色短发，穿着深色风衣，站在霓虹灯下的城市街头， 情绪复杂，电影感光影，高细节，半身像，浅景深，赛博朋克风格，4K，电影质感

生成后，选定一张最合适的作为角色参考图。后续所有镜头尽可能基于这张图做图生视频，而不是重新文生图。

6.3 分镜素材批量生成

把每个分镜逐条生成视频素材。建议按编号保存，方便后期定位。

目录结构示例：

ai_film/ ├── 01_script/ │ └── script.md ├── 02_character/ │ └── protagonist.png ├── 03_scenes/ │ ├── scene_01.png │ ├── scene_02.png │ └── scene_03.png ├── 04_clips/ │ ├── clip_01.mp4 │ ├── clip_02.mp4 │ └── clip_03.mp4 └── 05_edited/ └── final_v1.mp4

6.4 剪辑与后期

将 AI 素材导入剪辑软件，按脚本顺序拼接。AI 生成的视频往往是单个镜头，只完成“画”的部分。声音、音乐、节奏、转场、字幕和色彩统一需要人工完成。

这个环节决定了作品能否从“素材堆”变成“片子”。评审看的是完整作品，不是单帧效果。

6.5 成片导出与质检

导出成片前至少检查三遍：

• 画面是否出现明显崩坏（手指、文字、物体变形）；
• 角色在不同镜头间是否一致；
• 叙事是否连贯，是否存在 AI 素材堆砌感。

发现问题后回到对应环节重新生成或局部修复，避免把问题带到全片。

7. 批量生产与团队协作思路

AIGC 短片创作如果只有一两条，手动操作没问题。但如果要批量生产，比如做系列短片、广告投放素材、多语种版本，就需要引入流程化思路。

7.1 提示词结构化

批量生产的第一步是让提示词可管理。把角色、场景、运镜、风格、画质分开维护，再组合成最终提示词。下面是一个 JSON 配置示例：

{ "project": "霓虹之夜", "character": { "appearance": "black short hair, dark trench coat, young chinese woman", "base_image": "protagonist_v1.png" }, "scenes": [ { "id": "scene_01", "scene_desc": "urban rooftop at night", "camera": "slow push in from behind", "mood": "lonely, cinematic" }, { "id": "scene_02", "scene_desc": "close-up on face, neon lights bokeh", "camera": "close-up", "mood": "emotional, blue tone" } ], "style": "cyberpunk, film grain, cinematic lighting, 4K" }

这样每次生成只需要替换场景描述，不需要重写整段提示词。

7.2 素材物料管理

批量生产的核心是“素材可追溯”。建议按“项目 / 场景 / 版本”三层结构组织文件。每次生成的结果都要记录提示词和参数，方便复现和排查问题。

7.3 人工质检节点

即使批量生成，也不能完全无人值守。至少要在三个节点设置人工检查：角色设定图阶段、关键分镜视频阶段、成片阶段。AI 生成的视频质量波动大，前面多检查，后面少返工。

8. 开放接口与工具链接入

如果团队想把 AIGC 能力嵌入自有系统，可以参考开放平台的合作模式。即梦 AI 面向企业提供能力合作，具体接入方式和权限需要以官方文档为准。这里给出一种通用的 AIGC 生成服务调用思路，实际使用时需要替换为对应服务的接口地址、参数与鉴权方式。

8.1 调用逻辑

一个标准的 AIGC 生成服务会包含两类接口：异步任务提交和任务结果查询。原因是视频生成耗时较长，服务端通常不会同步返回结果，而是先返回任务 ID，再通过轮询或回调获取结果。

8.2 通用调用示例

下面以 Python requests 为例，演示这种异步任务的通用调用模板：

import requests import time # 实际的 base_url、token、请求体字段需以官方开放平台文档为准 BASE_URL = "https://api.example.com/v1" API_KEY = "your_api_key" headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json" } def submit_generation(prompt: str, image_ref: str = None): payload = { "model": "text-to-video", "prompt": prompt, "duration": 5, "image_ref": image_ref, # 可选，图生视频时传入 "callback_url": "https://your-server.com/callback" } resp = requests.post(f"{BASE_URL}/generations", json=payload, headers=headers, timeout=30) return resp.json()["task_id"] def query_result(task_id: str, max_retries: int = 60, interval: int = 5): for _ in range(max_retries): resp = requests.get(f"{BASE_URL}/generations/{task_id}", headers=headers, timeout=30) data = resp.json() if data["status"] == "succeeded": return data["result_url"] if data["status"] == "failed": raise RuntimeError(f"Generation failed: {data.get('error')}") time.sleep(interval) raise TimeoutError("Task timeout") if __name__ == "__main__": task_id = submit_generation("slow push in from behind, night city rooftop, cyberpunk style") url = query_result(task_id) print("Generated video URL:", url)

注意：这是一个不依赖具体服务商的示例框架。真实项目里需要按对方文档替换接口路径、鉴权方式、请求和返回字段。

8.3 批量任务设计

批量生成建议采用“任务队列 + 状态表”的方式：

• 任务提交后写入待处理队列；
• Worker 消费队列，调用生成接口；
• 结果写入结果表，失败任务进入重试队列；
• 设置最大重试次数，超过则人工介入。

参考数据表结构：

CREATE TABLE generation_tasks ( id BIGINT PRIMARY KEY AUTO_INCREMENT, prompt TEXT NOT NULL, image_ref VARCHAR(255), status VARCHAR(32) DEFAULT 'pending', result_url TEXT, error_msg TEXT, retry_count INT DEFAULT 0, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP );

这样即使生成服务偶发失败，也不会影响整个流程，可以自动重试和回溯定位问题。

9. 合规边界与商用注意事项

AIGC 影像创作最容易出问题的部分不是技术，是合规。无论是参赛还是商用，以下几条必须提前确认。

9.1 人物肖像与授权

• 如果使用真人形象的数字人复制，必须获得本人授权；
• 如果会让观众误认为作品由某位明星参演，存在肖像权和虚假代言风险；
• 参赛作品使用公开人物形象，要特别谨慎。

9.2 声音与配音授权

• AI 克隆声音需要声音主人的明确授权；
• 解说、旁白、配音素材要确认版权归属；
• 商用项目建议使用平台合规音色或自配音色并保留授权记录。

9.3 版权素材与商标

• 提示词中如果要求生成包含品牌 Logo、电影角色、游戏角色，可能侵犯商标权和版权；
• 尽可能使用自创角色或已获授权的 IP。

9.4 平台规则与赛事规则

• 参赛前确认赛事对 AIGC 工具使用范围的限定；
• 确认作品是否允许完全由 AI 生成，还是需要标注 AI 使用比例；
• 商用项目要确认平台服务条款中的商用授权范围。

10. 常见问题与优化思路

11. 对创作者的下一步建议

百花奖 AIGC 推优单元的意义不只在“谁获奖了”，而在于它给 AIGC 影像创作划定了一个努力方向：完整的作品、可控的生成、成熟的视听语言。如果你已经能用 AI 生成好看的图片和视频，下一步的重点应该从“生成”转向“成片”。

最先验证的能力是角色一致性。先做出一个固定角色，再从设定图出发生成多个镜头，看最终能否剪成一支角色稳定的短片。这个能力决定 AIGC 作品能不能用于商业叙事。

最容易踩的坑是丢分镜、缺脚本、素材乱放。AIGC 创作流程一旦拉长，没有规范的目录和命名，返工成本会指数级上升。建议从第一个测试项目就开始用“脚本 / 角色 / 分镜 / 素材 / 成片”的目录结构管理。

后续可以继续扩展的方向包括：

• 用即梦 AI 批量生成系列短片，形成自有素材库；
• 接入开放 API，把 AIGC 生成嵌入剪辑工具或自动化生产管线；
• 结合人工剪辑和调色，把 AI 素材加工成可商用的完整影片；
• 持续关注 AIGC 赛事与技术合作方的工具更新，保持创作方法迭代。

AIGC 推优单元已经有了第一批获奖者，接下来会看到更多基于 AI 工具链产生的完整作品。对创作者来说，现在需要做的不是观望，而是把一套稳定的 AI 影像生产流程跑通，机会来的时候能接得住。