复刻外网爆款穿搭视频：我摸清了AI视频稳定出片的底层逻辑

先看结果。

我用 AI 复刻了一条 10 秒左右的服装展示视频：

前几天刷到一条穿搭视频。

两个女生站在衣柜前，没有复杂运镜，也没有什么剧情。就是一套一套换衣服：阔腿牛仔裤配什么上衣，直筒牛仔裤配什么上衣，西装裤又适合什么上衣。

参考视频来自 Max outfits。这里我只放一张来源截图，不搬运原视频。因为这篇文章想讲的是“怎么拆结构、怎么用 AI 做一条自己的版本”，不是把别人的视频重新发一遍。

很简单。

但我看完以后，第一反应是：这条视频特别适合用 AI 复刻。

它的背景不变，机位不变，两个人的位置不变。每一段只改一件事：裤型，或者上衣。

这种视频表面上是在展示衣服，底层其实是一张“搭配公式表”。

我后来按这个逻辑做了一版 AI 复刻。流程跑通以后，我发现真正有用的不是某一句神奇提示词，而是先想清楚：画面里哪些东西必须一直不变，哪些东西可以变化。

1先拆结构，不要急着生成

这条参考视频的结构很清楚：

第一层是固定画面。

两位模特并排站在浅色衣柜前，全身入镜，镜头不动。观众不用理解场景，只看衣服变化。

第二层是搭配公式。

它不是随机换装，而是按裤型分类：

第三层是字幕。顶部英文给公式，底部中文解释。

它厉害的地方不是信息很多，而是信息没有乱。

所以我没有一上来就让 AI “帮我生成一条同款视频”。这种说法太宽了，AI 很容易自己发挥：换人、换背景、换镜头、乱加字幕。

我把任务拆成了四步：

1.先定两个人物。

2.再定两个人同框的标准合照。

3.每套衣服生成一张静态参考图，也就是视频里的“关键帧”。

4.最后用视频工具让这些参考图动起来。

听起来绕，但比直接生成省事。AI 视频最怕的不是不会动，是动起来以后什么都跟着变。

2第一步，先锁人物

如果你要做的是连续视频，人物不能只靠一句“两个年轻女生”。这句话对 AI 来说太松了。第一段是这个脸，第二段可能就换了五官；第一张两个人差不多高，下一张突然一个高很多。

更严格的做法，是先给每个人做三视图。但这次做下来我发现，对于这种双人穿搭展示视频，最关键的不是把每个人的正侧背都做完，而是先做一张稳定的双人标准合照。

这张合照要告诉后面的模型：这两个人是谁，谁站左边，谁站右边，两个人差不多多高，背景是什么，镜头距离是多少。

双人标准合照：固定身高、站位和背景

这一张负责锁住几件事：

•两个人身高接近

•A 永远在左边，B 永远在右边

•背景是同一面白色衣柜

•全身入镜

•包、鞋、发型这些小细节尽量固定

服装视频里的人物一致性，很多时候不是靠视频阶段救回来的，而是在“标准合照”里先定住的。标准合照不稳，后面每换一次衣服，都会多一次漂移机会。

3第二步，一次只换一个东西

人物定好以后，才开始做每一套衣服的参考图。

这里我没有让 AI 自由发挥“多做几套时髦穿搭”，而是按参考视频的结构，拆成 6 张图：

1.阔腿牛仔裤 + 贴身背心

2.阔腿牛仔裤 + 短款 T

3.阔腿牛仔裤 + 结构感马甲

4.直筒牛仔裤 + 衬衫

5.直筒牛仔裤 + 基础 T

6.直筒牛仔裤 + 贴身针织

每张图都沿用同一张双人标准合照，只改衣服。这样 AI 会更容易理解：人不要变，背景不要变，只是换搭配。

6 张服装关键帧：同背景同人物，只换搭配

这一步有一个很朴素的原则：不要同时改太多东西。背景不要改，站位不要改，镜头距离不要改，人物关系不要改。只改“这条裤子配哪件上衣”。

服装视频本来讲的就是搭配关系。如果背景和人物一直乱跳，观众看见的就不是搭配，而是 AI 的不稳定。

动作也要提前想好。不是让两个人站着当模特，而是让她们有“展示衣服”的动作：摸裤腰、拉衣摆、指裤型、抚平衬衫门襟、整理马甲下摆。

这些动作很小，但很重要。它会让画面从“摆拍照片动了一下”，变成“两个人正在介绍衣服”。

4第三步，视频提示词要写成完整 15 秒

6 张参考图准备好以后，我没有把 6 段完全分开做。我更倾向于给视频工具一个完整任务：

生成一个 15 秒竖屏服装展示视频。 分成 6 个连续分镜，每个约 2.5 秒。 顺序严格对应 6 张参考图。 两位女生在白色衣柜前固定全身机位展示穿搭。 两个女生必须自己用英文对话介绍衣服，不要旁白。 需要看到开口说话、互相交流，以及摸衣服、拉衣摆、摸裤腰、指裤型、抚平上衣等动作。 保持人物身份、身高、发型、站位和背景一致。

这里有两个点要写死。第一，必须是两个女生自己说话，不是旁白。

服装展示类视频里，说话的人和展示衣服的人最好是同一个。否则画面会像广告素材，缺少真人种草感。

第二，动作要围绕衣服。“自然动作”太宽泛。AI 可能让人物挥手、点头、微笑，但这些动作和衣服没关系。要明确写“摸裤腰”“拉衣摆”“指裤型”。

最终用 AI 视频工具生成的视频有 15 秒左右，人物站位比较稳，也有音轨和开口动作。这一步不追求完美真人级口型。我的标准是：观众能感觉到她们在交流，动作和衣服有关，人物不要跳戏。

5第四步，字幕和剪辑后期做

AI 视频里最不该交给模型硬生成的东西，是字幕，尤其是中文。参考视频的字幕结构很好：顶部英文，底部中文。这个可以后期做，不要让视频模型直接画字。

我最后把成片放进 ChatCut，做了两件事：

第一，剪掉第一个不需要的镜头。

第二，加一层双语字幕。顶部是英文搭配公式，底部是中文解释，白字加灰色描边，和参考视频的阅读方式接近。

如果你不用 ChatCut，用剪映也一样。

这一步没有什么神秘操作，本质就是普通剪辑：

1.把 AI 生成的视频拖进去。

2.不要的开头剪掉。

3.顶部加英文字幕。

4.底部加中文字幕。

5.导出竖屏视频。

这里的字幕不是为了装饰，而是在帮观众快速读懂“这一段看什么”。比如：

Pair them with fitted tanks or basic tees. 搭配贴身背心或基础 T 恤。

视频画面负责展示，字幕负责归纳。口播一长，视频就变慢；字幕太花，衣服又看不清。最舒服的状态是：画面给例子，字幕给公式。

6一张流程图讲完

这件事最后可以压成一张图：

AI 视频稳定出片流程图

我觉得这张图比再写一大段步骤更有用。

因为它提醒的是顺序：先确定什么不变，再去制造变化。不要把“人物一致、衣服变化、动作展示、字幕准确”全塞给视频模型一次完成。

每个环节只负责一件事，出问题也好改：

人物不像，就回到标准合照。 身高不对，就重做标准合照。 衣服不连贯，就重出那一张参考图。 动作不够展示感，就加强视频提示。 字幕不准，就在 ChatCut 或剪映里改。

剪辑工具不用纠结。会用 ChatCut 就用 ChatCut，会用剪映就用剪映。这里真正重要的是：视频模型负责生成画面，剪辑工具负责处理文字和取舍。

7我最后学到的

以前我会把 AI 视频理解成“把提示词写好，然后等它生成”。做完这条服装视频以后，我的感觉变了。

"

AI 视频更像是在做一条小产线。

先固定人和场景，再一套一套换衣服

先拆模板，再定角色，再定参考图，再让画面动起来，最后用剪辑把信息补齐。

服装视频尤其适合这个方法，因为它本来就是“控制变化”的游戏。好看的穿搭视频，不是每一帧都新鲜，而是观众知道自己在比较什么。

同一个背景，同两个人，同一个机位，一次只换一件衣服。

越稳定，越容易看出变化。

AI 复刻也是一样。真正要复刻的不是某个女生、某条裤子，也不是某一句英文字幕。

要复刻的是它的结构：把复杂的审美判断，变成一眼能看懂的搭配公式。

这才是这类视频最值钱的地方。

我这版没有复刻原作者的人物和衣服，只复刻了它的内容结构：固定背景、双人展示、按裤型换上衣、顶部英文、底部中文。

原视频版权归原作者所有，本文只做视频结构拆解与 AI 制作方法分享。