Midjourney × Grok 视频创作：把一张《桃溪烟火》做成会呼吸的古镇短片

一张古镇图好不好看，很多人只盯着人物脸、建筑细节和颜色。

可一旦做成视频，真正决定质感的，往往是那些“不起眼”的东西：溪水怎么流，柳枝怎么晃，水牛走得稳不稳，姑娘回头时衣袖有没有风。

这就是 Midjourney + Grok 这套组合最顺手的地方。

• Midjourney：负责把画面定住。构图、色调、人物、服装、古镇烟火气，全靠它打底。
• Grok：负责把静态画面拆成可执行的动态语言。镜头怎么推、谁该动、哪里要克制，它能帮你梳得明明白白。
• 图生视频工具：负责真正让画面动起来。你可以接入自己常用的平台。

今天就用一个主题来实操：《桃溪烟火》。

画面不是空泛的“国风古镇”。而是一条春溪穿过小镇，水牛缓缓涉水，岸边姑娘洗衣说笑，远处炊烟升起。看一眼，就像闻到了潮湿的青石板和柴火味。🌿

成片目标：别做“会动的壁纸”

很多 AI 视频翻车，不是模型不够强。

是画面里每个元素都在抢戏。

溪水像开闸，柳树像台风天，人物表情不停抽动，镜头还疯狂绕圈。观众看十秒就晕了。

《桃溪烟火》这种题材，核心是一个字：慢。

建议把成片控制在 8～15 秒，做出这几个层次：

• 前景：溪水泛着细碎波光，偶尔有落花漂过
• 中景：水牛慢慢迈步，姑娘们弯腰洗衣、抬头说笑
• 后景：吊脚楼、石桥、薄雾和炊烟保持安静
• 镜头：缓慢向前推进，像你正沿着溪边走进小镇

动得少，反而更高级。

第一步：用 Midjourney 先定一张“能动起来”的关键帧

别一上来就追求满屏细节。

图生视频最怕源图信息混乱。人物太多、手部交叠、建筑线条过密，后面一动就是灾难现场。

一张适合做视频的关键帧，建议保留：

• 1 条清晰的溪流，给水面运动留空间
• 1 头水牛，作为画面的慢节奏主体
• 2～4 位人物，动作不要互相遮挡
• 前、中、后景分明，镜头才推得进去
• 光线统一，比如清晨薄雾，或傍晚暖阳

Midjourney 提示词示例

A tranquil ancient Chinese water town in early spring, a clear peach blossom creek flowing through the village, a gentle water buffalo walking slowly in shallow water, three young women in traditional Chinese rural clothing washing clothes by the stream and smiling naturally, old wooden houses, stone bridge, willow branches, soft morning mist, distant cooking smoke, warm cinematic sunlight, poetic Jiangnan atmosphere, realistic texture, natural composition, layered foreground middle ground background, cinematic still, 35mm film, highly detailed --ar 16:9 --stylize 180 --v 8.2

想让画面更像纪录片，可以补一句：

candid moment, documentary photography, imperfect natural posture

这句很有用。

它能减少人物站成一排摆拍的“AI 合影感”。

选图时盯住这 5 个地方

1. 溪流方向要能引导视线
   水流从画面下方或侧前方延伸到远处，镜头推进会很舒服。

2. 人物别太大
   人物占满画面，视频模型容易死磕五官和手。中远景更稳。

3. 水牛最好侧身或斜侧身
   正对镜头的牛，生成时容易出现奇怪的脸部变化。别问，问就是见过太多“牛成精”的素材。

4. 避免复杂肢体接触
   两个人拉手、递东西、抱孩子，都可能增加动作崩坏概率。

5. 光影要有方向
   比如右侧晨光照进来。后续加水面反光、炊烟和人物微动，画面会更有真实空间感。

第二步：让 Grok 把画面拆成“镜头运动清单”

拿到 Midjourney 图片后，不要直接扔进视频工具。

先让 Grok 做一次镜头规划。

你可以把图片上传给 Grok，再把下面这段话发过去：

请根据这张图片，为一段 8 秒钟的电影感国风图生视频设计动态方案。

要求：
1. 保持人物五官、服装、建筑结构稳定；
2. 镜头只能缓慢推进，不要环绕，不要大幅摇镜；
3. 溪水自然流动，柳枝轻微摇曳，炊烟缓慢上升；
4. 水牛以缓慢、真实的步伐向前涉水；
5. 人物只有自然的小动作，例如低头洗衣、轻微侧头、彼此微笑；
6. 氛围安静、温暖、有生活气，不要夸张表演；
7. 输出中文镜头脚本、英文视频提示词、负面提示词。

Grok 的价值，不在于替你“写几句好听的话”。

它能帮你把一个朦胧想法，拆成模型听得懂的动作优先级。

动作优先级要这样排

一条视频里，别让所有东西同时大动。

推荐顺序：

| 层级 | 需要运动的元素 | 动作幅度 | | --- | --- | --- | | 主动作 | 溪水、水牛 | 中等，但节奏慢 | | 辅动作 | 洗衣、回头、微笑 | 很小 | | 氛围动作 | 柳枝、炊烟、雾气、波光 | 很小 | | 镜头动作 | 缓慢推进 | 很小 |

记住这条：一个镜头只留一个主要动作。

在《桃溪烟火》里，主角是水牛涉水和溪流。姑娘们只是生活感，不要让她们突然转身跳舞。

第三步：把 Grok 的方案变成图生视频提示词

下面这条英文提示词，可以直接作为图生视频的起点。

A slow cinematic push-in shot through a peaceful ancient Chinese water town in spring. The creek flows gently with subtle shimmering reflections and a few peach blossom petals drifting on the water. A water buffalo walks slowly and naturally through the shallow stream, creating soft ripples. Three young women beside the creek wash clothes with small natural movements, occasionally glancing at each other with warm subtle smiles. Willow branches sway slightly in a light breeze, thin cooking smoke rises slowly in the distance. Keep faces, clothing, architecture, and composition stable. Quiet, poetic, realistic, warm morning light, documentary film feeling, restrained motion, 35mm cinematic look.

负面提示词建议单独加上：

fast motion, dramatic camera movement, camera orbit, sudden zoom, exaggerated facial expressions, dancing, running, distorted hands, extra fingers, morphing faces, flickering, unstable architecture, warped water buffalo, duplicated people, oversaturated colors, cartoon style

参数怎么设更稳？

不同平台名字不一样，逻辑差不多：

• 时长：先做 5～8 秒。短片段更容易稳定。
• 运动强度：选低或中低。国风生活场景不需要“运动拉满”。
• 镜头控制：选 Push in / Slow dolly in / Gentle forward movement。
• 提示词遵循度：偏高。你已经把动作写得很明确，别让模型自由发挥过头。
• 种子值：有 Seed 就保存。出了一条好素材，后续好复刻。

第四步：把一张图拆成 3 个镜头，成片立刻有叙事

如果你想发小红书、抖音或视频号，别只生成一条 8 秒素材就结束。

用同一套视觉风格做 3 个镜头，片子马上有“走进故事”的感觉。

镜头 1：溪水带路（0～3 秒）

画面重点放在溪流和漂浮的花瓣。

提示词核心：

low angle near the creek, gentle flowing water, peach petals drifting, slow forward camera movement, soft morning mist

镜头 2：水牛入画（3～7 秒）

水牛缓步涉水，姑娘们留在背景或侧面。

提示词核心：

a water buffalo walking slowly through shallow water, natural leg movement, subtle ripples, women washing clothes in the background, stable composition

镜头 3：人间烟火收尾（7～12 秒）

镜头稍微抬高或继续前推，落到石桥、木屋和炊烟上。

提示词核心：

slow push-in toward an old stone bridge and wooden houses, thin cooking smoke rising, warm sunlight, gentle willow branches, peaceful village life

三段镜头之间，用溪水声或一段持续的环境音乐连接。

别切得太猛。

这种片子要像春水，一点点往前淌。

文案怎么写？别把诗意写成谜语

配文不用长。

画面已经有溪水、水牛、炊烟，文字只要补上观众的情绪入口。

标题备选

• 一溪春水，慢慢流进了春天
• 水牛过溪时，古镇刚刚醒来
• 这不是江南滤镜，是我想住进去的早晨
• 桃花落进溪水，日子就有了声音

画面字幕示例

一溪春水，满镇人间。

或者：

风从柳梢过，炊烟正好升起。

一句就够。

硬塞三四行“人生感悟”，反而会压住画面的呼吸感。

常见翻车点：提前避开，少浪费生成次数

1. 人物动得像在演舞台剧

原因：动作指令太多，或者没有限制动作幅度。

处理方法：写清楚 small natural movements、restrained motion、subtle expression。

2. 水牛走着走着变形

原因：动物是高风险运动主体，尤其是镜头近、步伐快时。

处理方法：让水牛处于中景；写 walking slowly and naturally；一次只让它走几步。

3. 溪水像果冻一样翻滚

原因：模型把“流动”理解成了夸张特效。

处理方法：用 gentle flowing water、subtle ripples、soft shimmering reflections，少用 dynamic water 这类词。

4. 建筑一推镜就歪

原因：原图建筑结构复杂，镜头运动过大。

处理方法：控制为缓慢前推；加入 stable architecture；必要时换一张建筑更简洁的源图。

5. 画面很美，却没有生活感

原因：所有人都在“摆姿势”。

处理方法：给人物一个具体的小任务。

比如洗衣、整理竹筐、抬头聊天、轻拍衣物。生活感来自动作目的，不来自夸张表情。

一套可直接复用的创作流程

你下次做任何“静景变短片”的题材，都可以照这个流程走：

1. 在 Midjourney 生成一张前中后景清楚的关键帧。
2. 把图交给 Grok，要求它拆分运动元素和镜头节奏。
3. 只保留一个主动作，其他元素轻微呼吸。
4. 用图生视频工具生成 5～8 秒短片段。
5. 从同一场景延展 2～3 个镜头。
6. 剪辑时用环境音压住转场，配一句短字幕。

别急着追求“炸裂”。

真正让人反复看的 AI 视频，常常没有多复杂。它只是让你相信：那条溪水真的在流，那个小镇真的有人住，镜头外真的有风。