今天我们来聊一聊 AI Story——利用人工智能生成一个结构完整、风格统一的短篇电影级故事。先来看整体演示效果：
故事梗概如下：两位女孩在阁楼中发现一份神秘地图，循着地图进入热带丛林，找到一座古老神庙的机关；穿过幽暗隧道后，抵达一处神秘祭坛，最终发现一本“智慧之书”。当她们翻开书页时，一道流光闪过，将她们带离了危机四伏的丛林。
这个故事虽然简洁，但具备起承转合的基本结构，是一个相对完整的视听叙事雏形。
要实现这样的作品，需重点关注三个核心要素：
- 视觉一致性：包括人物形象、场景风格、色彩基调的高度统一；
- 情节连贯性：故事逻辑清晰，镜头间有明确的因果与时空关联；
- 音效统一性：配乐、环境音、拟音等需贴合画面情绪与节奏，增强沉浸感。
三者缺一不可，否则容易产生强烈的“跳出感”。
那么，制作这样一部作品是否复杂？答案是否定的。本教程将带你用一套轻量、高效的技术组合完成全流程——主要依赖以下三项工具：
- ComfyUI：用于图生视频与音效生成的工作流编排；
- Nano Banana：负责角色图像生成与分镜图绘制，保障人物一致性；
- GermanMini 提示词生成器（适配 Y2.2）：基于分镜脚本自动产出高质量中英文提示词。
其中，ComfyUI 承担视频与音效的合成任务；Nano Banana 专注图像生成与角色稳定性控制；GermanMini 则解决提示词工程这一关键环节。
我们在 ComfyUI 中构建了两个核心工作流，并已部署至 Runway Hub 平台：
- Y2.2 图生视频工作流：输入参考图+提示词，输出高质感动态镜头；
- Full 类音效生成工作流：基于画面内容自动匹配氛围音效，无需手动撰写提示词。
你可在 Runway Hub 搜索“有趣的80后程序员”，在其发布的工作流中找到全部实例。也可通过视频描述区的邀请链接注册账号，获得 1000 点免费额度；每日登录还可额外领取 100 点，便于反复调试与验证。
先看图生视频工作流的实际输出效果：
- 丛林寻宝：两位主角手持地图穿行于密林；
- 机关开启：在神庙墙壁上触发隐藏机关；
- 甬道前行：昏暗隧道中谨慎探索；
- 祭坛现身：抵达布满符文的古老祭坛；
- 智书现世：翻开泛光古籍的瞬间；
- 流光离境：强光包裹二人，画面淡出。
每个镜头均包含人物互动、运镜设计与细节表现，整体质量稳定。这背后有两个决定性因素：
- 高质量参考图：确保角色建模准确、风格可控；
- 精准提示词：明确描述动作、光影、构图与情绪，避免画面“平”“呆”“空”。
再看 Full 类音效工作流的表现：
- 最后一幕未输入任何提示词，模型自动识别画面中“古籍发光+人物被牵引”的戏剧张力，生成空灵、升腾的合成音效；
- 丛林场景中叠加了鸟鸣、风声、脚步踩叶声与轻微喘息，营造真实临场感；
- 甬道段落加入低频嗡鸣与回响，强化压抑氛围；
- 机关启动时刻则以清脆金属音+短促鼓点突出转折，节奏明快而不突兀。
这些音效并非简单叠加，而是与画面语义深度对齐，构成真正的多模态协同。
那么，高质量提示词从何而来？灵感来源至关重要。
本案例的创意起点，来自 Twitter 上归藏大佬分享的一则 Nano Banana 应用实践：利用单张双人图生成电影级分镜。原例输出 12 张分镜，但我们实测发现，超过 6 张后人物一致性明显下降——这是大模型注意力衰减导致的典型现象（即“记忆漂移”）。因此我们优化为生成 6 张，兼顾完整性与稳定性。
具体执行分为三步：
第一步：角色参考图生成
使用 Nano Banana 输入两张高清女性肖像（建议统一为 1024×1024），提示词为：“两位女孩半身照，纯白背景”。注意：Nano Banana 输出分辨率默认与最后一张输入图一致。为减轻模型负担、提升一致性，建议将两人合并在一张图中输入，而非分两次上传。
第二步：六格分镜图生成
将上一步生成的合照导入 Nano Banana，调整分辨率为 1920×1080（适配视频比例），使用如下提示词：
用这两个角色创作一部引人入胜的六部分故事，每部分配一张独立图像，展现一个完整场景。采用写实电影风格，故事围绕寻找宝藏展开，包含奇妙场景与惊险元素，情感跌宕起伏，结尾有精彩反转。图像保持近景视角，不出现文字或文字元素。