如何用 Muse+豆包 Work +ChatGPT，做出高质量稳定的长视频
文章目录
9 月 25 日注册 Muse，到现在 20 多天，最近一直在用Muse测试视频生成能力。
我发现，长视频质量差，不一定是视频模型不行，可能是前面的提示词和首帧没定好。
我一共生成了 488 条视频，终于找到了 Muse video的版本答案！
我的实操测试过程，主要经历了三个阶段：
起初全交给 Muse； 后来把整片提示词交给豆包 Work； 最后又把首帧交给 ChatGPT。
一、从 10 秒试镜，到做出一整集
最开始，我是在 X 上看到别人发的 Muse 视频，画面看着不错，就想自己试试。
我就把在 Seedance 用过的提示词拿过来，先试了一个镜头。画面、运镜和气氛都还可以，我想，能不能拿它做一部 3 分钟一集的漫剧？
Muse 生成的视频是固定10 秒，按3分钟这个长度拆，就是 18 个分镜。
我把剧本交给 Muse，让它按这个顺序往下做：
剧本 → 分镜表 → 人物、场景和道具参考图 → 锁定资产 → 逐镜生成 → 拼接。
我让 Muse 去读 Seedance 的提示词技巧，调整人物和场景的描述、运镜。
拆分镜、写提示词、生成人物和场景参考图、生成视频、拼片，这些都由 Muse 来做，我主要负责拍板和审片。
人物长什么样、穿什么衣服，场景里有什么，我先看参考图，满意了就定下来。后面的分镜反复用同一段描述，一个字都不改。视频也是一镜一确认，这条我看过了，才继续做下一条。
《长安异闻之无主宫灯》， 纯Muse 成片：
这样确实把一集做出来了，但不过中间也没少返工。
二、豆包 Work+Muse复刻天宫系列视频
接下来，我想试试之前很火的天宫系列视频，做一条三分钟的长片。
具体每个镜头拍什么，我当时还没想好，就先把这个想法交给了豆包 Work。
用豆包work，是因为字节Seedance 在视频模型中本身就是最强的，字节系的豆包 Seed2.1 看视频、理解镜头的能力，我用下来也觉得不错。
让它找抖音、TikTok 上同题材的视频，再查 Seedance 官方的提示词技巧，这种能力在豆包Work中可以直接完成。
给豆包 Work 的指令：
按 10 秒一个镜头，写一条三分钟天宫视频的提示词；先去全网找这类爆款视频，总结它们的内容和拍法，再输出提示词。
它先给了我一份天宫视频的规律总结。比如宫殿要大、人物要小，用比例差把建筑衬出来；前景放廊柱、门洞或古松，后面再放云海和宫殿，让画面有层次；颜色要克制，镜头要慢。
看完这些，再看它后面写的分镜，就知道为什么要这么安排了。整片从云海初现开始，经过南天门、石阶长廊、主殿、瑶池和月宫，最后再用全景收住。三分钟先有了一个完整的顺序。
这份方案一共 18 镜，每镜 10 秒。每镜先写 0 秒的画面，再写这 10 秒里怎么动，最后交代结束构图和下一镜怎么接。第一镜叫“云海初现”，我摘几行：
0 秒：云海里只露几座宫殿飞檐，白衣女子站在画面右下角。0～3 秒：镜头慢慢前推，云海缓慢流动。3～7 秒：镜头轻轻上摇，飞檐从一座露到三座。7～10 秒：继续前推，宫殿仍被云雾遮住大半。结束时保留云海和飞檐，下一镜接南天门。
我觉得这份方案好用，就好用在这些细节里。第一镜只露宫殿的一部分，后面再慢慢往里走，画面怎么展开，已经想好了。
接着，我把整份提示词文档发给 Muse，让它先出每个分镜的首帧参考图。我看过图，再让它按图生成视频，逐镜选好以后拼起来。
《云宫迅音》豆包Work+Muse成片：
这次做下来，我审片时轻松了一些，前后镜头怎么接，提示词里已经交代过，不用等生成以后再临时想办法。
三、豆包Work+ChatGPT+Muse输出高质量成片
这条天宫视频做完以后，我又想沿用这个办法，试一条吉卜力动画风格的集锦，把小镇、海边公路、云海花园、海上电车这些画面串起来。
我还是先让豆包 Work 写完整片方案，再照原来的流程，交给 Muse 出首帧。
第一镜是清晨的小镇。Muse 画出了红屋顶、房子和海鸥，但屋瓦和远景比较淡，整体像一张水彩稿。我看着这张图，总觉得拿它去做视频，画面还差点意思。
Muse 生成的首帧：
muse生成的分镜首帧参考图
于是我把豆包 Work 写好的整份创作提示词方案，发给生图能力最强的ChatGPT，让它按里面的分镜用GPT Image 2.5来出首帧参考图。
换过去之后，屋瓦、墙面、海湾和远山的细节清楚了不少，晨光也更接近我想要的样子，ChatGPT 这张图的 AI 味也更轻。
ChatGPT 生成的首帧：
ChatGPT 生成的首帧参考图
我最后选了 ChatGPT 出整体的参考图，Muse 照着首帧生成视频，人物、构图、场景和光线都从分镜首帧参考图往下走。
把图先定好，后面的视频也更容易接近我想要的效果。
这条集锦一共 21 镜。我用 ChatGPT 做了 21 张首帧，一张张看，一张张改；确定以后，再把每张图和对应的 10 秒提示词交给 Muse 生成视频。
视频出来，我逐镜挑选，最后把选中的 21 条拼成 3 分半的成片。
《宫崎骏动画集锦》豆包Work+Chat GPT+Muse成片：
Muse视频生成用免费额度，反复试镜头的成本比较合适；前面的提示词和首帧定好以后，Muse 按图生成的效果也不差，这样的视频质量比全靠Muse直出稳定多了。
四、Muse长视频创作流程总结
第一步，先和豆包 Work 把整片方案定下来
题材、总时长、画幅先说清楚，再让它查官方技巧、找同题材视频，按 10 秒一镜写出完整方案。
先从头看一遍，每镜拍什么、怎么动、结束时停在哪、下一镜能不能接上。人物、场景、道具的描述一旦确定，后面就原样复用，不让它随手换个说法。
第二步，把这份方案交给 ChatGPT 出首帧
先让它看懂全片的风格，再一镜一张出图。我主要看人物、构图、场景和光线，图不满意就先改图。每张图都确认了，再交给 Muse 做视频。
第三步，Muse 逐镜生成，逐镜选片
先看这一镜本身有没有问题，再和前后镜头放在一起看。人物有没有变，动作和运镜有没有跑偏，接上去是不是顺。
如果一镜试了 10～15 次还不对，就简化动作，或者换一种拍法。原生对白总做不出来，也回头改镜头设计。这个时候继续加生成次数，往往只是重复碰同一个问题。
第四步，让 Muse 拼接，再完整看一遍。
例如《宫崎骏动画集锦》的 21 镜做完后，我让 Muse 写 ffmpeg 脚本，先统一到 1280×720，再按顺序拼接。生成的镜头里有 3:2，也有 16:9，得先把画幅处理好。
音乐换了三版，才换到想要的演唱版；水印位置不合适，也返过工。最后我从头看到尾，重点看每个切镜的地方，再听音乐和环境声合不合适。
工具可以帮我把这些步骤做完，但哪张图能用、哪条视频留下、成片要不要再改，还是得我自己看。
五、总结
这套流程测试下来，我最后固定下来的分工就是：
提示词用豆包 Work，参考图用 ChatGPT，视频用 Muse。
豆包 Work 更懂视频，我让它找参考、查官方技巧，把整片怎么拍、每个镜头怎么接先写明白。
ChatGPT 的生图效果更合我心意，画面清楚，AI 味也轻。我用它把人物、构图、场景和光线先定好，再交给 Muse 生成视频。
Muse 的视频能力不差，目前用免费额度反复试镜头，性价比也合适。前面的提示词和参考图做好了，它生成的视频质量也更稳定。
回头看，我每次只调整一环，慢慢才找到这套做法：影响画面质量的地方，交给我用下来能力最强的工具；需要大量生成、反复挑选的地方，就兼顾效果和成本。
这也是我现在用 Muse 做长视频的核心方法。把各家的长处用在同一条片子里，最后由我来审图、选片、验收。
我是 Jarvis，用 AI 做一人公司的独立开发者，公开记录 AI 商业实验。持续享自己使用AI有价值的实操过程，如果觉得这篇文章对你有帮助，欢迎转发评论收藏，感谢支持❤️
另附其他Muse视频成片：
沿着这个主题继续读
从一篇文章，找到相关的教程、经验和阅读路径。
