AI视频生成首尾帧技术实测：两张静态图如何生成10秒动态舞蹈（附完整prompt）

最近在做 AI 视频生成的技术实验，重点测了首尾帧锁定（first-last frame）：你给模型两张静态图，指定一张是开场、一张是结尾，模型自己脑补中间所有动作。这篇把踩过的坑和最终可用的 prompt完整贴出来，省得后面的人重复交学费。
实验素材
两张 Y2K 风格的屋顶胶片照（也是 AI 生成的）：

• 首帧：女孩侧身站在天台，一手扶被风吹乱的头发，一手向镜头伸出，背景是夕阳、水箱、太阳能热水器
• 尾帧：倾斜仰角的极近特写，她低头浅笑，手掌遮住画面左上角，背景强烈过曝，阳光从指缝漏出
  目标：生成 10 秒视频，让她从"牵手"到"独舞"再到"盖镜头"，全程保持胶片质感。
  关键认知：写节拍表，不要写氛围
  一开始我也以为写 Y2K胶片质感，屋顶夕阳，女孩跳舞就够了。结果崩得一塌糊涂——中段五官漂移、手指畸变、尾帧还会突然跳到另一个机位。真正有效的写法是像写分镜表一样按时间戳拆解动作。下面是最终成片用的完整 prompt：
  图1为视频首帧：夕阳屋顶天台，逆光胶片质感，黑色吊带背心的长发女孩侧身站立，一只手扶着被风吹乱的头发，另一只手向镜头伸出、牵住镜头前的手，眯眼灿烂微笑背景有水箱和太阳能热水器剪影。
  图2为视频尾帧：镜头变为倾斜仰角的极近距离面部特写，女孩低头看向镜头浅笑，她的手掌伸到镜头前遮挡住画面左上角，背景强烈过曝，夕阳光从指缝和发丝间透出。
  0-2秒：女孩保持首帧姿势，笑着牵住镜头前的手，拉着镜头向后退，脚步轻快，肩膀随节奏左右摇摆，长发被风吹乱，镜头手持轻晃跟随。2-5秒：她松开手，退到天台中央，张开双臂迎着风轻盈地转了半圈，像在屋顶翩翩起舞，长发和逆光光晕随身体飞扬，边转边回头对镜头灿烂大笑。5-8秒：她朝镜头快步走近，伸手勾向镜头，镜头缓慢持续推近并逐渐上扬倾斜，她的脸在画面中越来越大，夕阳光晕越来越强。8-10秒：她低头凑近镜头大笑，抬起手掌盖向镜头左上方，指缝间透出耀眼夕阳光斑，画面过曝被暖光淹没，精确落在图2尾帧的构图上。
  全程：胶片颗粒，轻微手持晃动，Y2K复古暖色调，真实抓拍感。
  负面提示词：面部扭曲，五官变形，手指畸变，多余手指，多余的手，肢体断裂，画面闪烁，突变跳帧，文字水印
  五条踩坑经验

1. 写"转半圈"，别写"转一圈"。 10 秒视频里让人物原地旋转一整圈，五官在背对镜头再转回来的过程中必定漂移，我连崩三次。改成"转了半圈"之后立刻可用。这是我认为最值钱的一条。
2. 运动幅度开中档。 长时长加高运动幅度等于五官糊成一团，这是各家模型的通病，不是某一个模型的问题。
3. 必须在 prompt 里复述尾帧的机位。 写上"镜头逐渐上扬倾斜""精确落在图2尾帧的构图上"这类描述，否则最后两秒会突然跳到一个平视机位，和你给的尾帧接不上，收尾非常难看。
4. 首尾帧的锚点声明别省。 开头必须明确写 图1为视频首帧：... 和图2为视频尾帧：...，并把两张图的内容各描述一遍。不写清楚，模型会把它们当成风格参考图而不是硬约束。
5. 中段（离首尾帧最远的那几秒）是崩坏高发区。因为两端都有图片约束，中间最自由。所以复杂动作要么放在靠近首尾的位置，要么把幅度写小。
   模型选择
   我通过 velokey.ai 这个统一 API 测不同模型，同一套 prompt 一键跑 Kling、Sora、Runway、Veo 做A/B，不用反复注册账号和分别充值，抽卡型任务这么搞省事很多。
   粗略对比下来：Sora 对首尾帧的约束最强、几乎不跳变，但速度慢；Runway 便宜，10 秒容易糊；Veo色彩还原好，国内访问不稳。这次屋顶舞蹈是 Kling 2.x 出的，第 3 次尝试成片，成本约 0.4 美元。
   成片实际效果
   抽帧逐秒核对（ffmpeg 每秒抽一帧）后，节拍基本全踩上了：

• 0-1s 牵手回眸——比计划短，大约 1 秒就松手了
• 2-4s 转身甩发、张臂旋转——全片高光，逆光给发丝镀金边那两秒最出片
• 5-7s 笑着走近，还即兴朝镜头点了下手指
• 7-10s 手掌从左上伸入遮挡，暖光淹没画面，落点和尾帧几乎一致
  10 秒长度下五官全程稳定、手指没有畸变，转身段也扛住了。唯一瑕疵是牵手互动被压缩，"双人舞"的感觉没出来就直接进独舞了，不过衔接自然，观感上不突兀。另外原图颗粒偏重、生成部分质感偏干净，开头有极轻微的质感跳变，叠一层统一颗粒滤镜就能抹平。
  几个还没解决的问题

1. 其他模型的首尾帧功能有人试过吗？ Pika、Genmo、Morph 这几家的约束力和 Kling 比如何？
2. 时间戳写法有没有更精确的形式？ 我现在是手写秒数区间，不知道有没有 JSON 或类似 DSL 的结构化写法能提高遵循度。
3. 第一人称"伸手入画"怎么稳住？ 我首帧里有一只伸向镜头的手，生成时这只手经常抖动或凭空消失，有解法吗？
   做过类似实验的朋友欢迎交流，有相关论文或博客也请推荐。