用 Medeo 从提示词生成带分镜与配音的完整视频

Medeo 是一个视频生成 Agent。你给它一段自然语言描述，它自己规划分镜、决定什么时候用文生图、什么时候用图生图、调用哪些图像或视频模型，最后产出一条带画面、口播和配乐的视频。它适合两类人：一类是完全不懂剪辑、只想把想法变成视频的人；另一类是懂创作、希望把自己的创作逻辑压缩进提示词、让系统稳定复现某个品类视频的创作者。和很多只能一次性出片的工具不同，Medeo 支持在生成之后继续用自然语言指挥它修改，也保留了左侧可手动拖拽的剪辑界面，人和 AI 可以在同一个工程里协作。如果你只是想先了解这个工具的基本定位，可以先看 Medeo 的工具页，再回到本文按步骤操作。

需要先说明一点：Medeo 的能力边界很大程度上取决于提示词写得好不好。短提示词能出片，但只够应付简单需求；真正拉开差距的是长提示词——把画面风格、口播人设、剧本结构、资产一致性这些要求写清楚，再通过多轮对话把不满意的地方改回来，并把改好的结论回填进提示词。本文按这个思路组织：先讲界面和基础操作，再讲提示词怎么写，最后用三个完整案例走一遍。

准备工作

开始之前需要确认几件事，避免做到一半卡住。

账号与可用性：Medeo 需要账号才能使用，具体注册方式、可用地区、套餐与额度以官网当前信息为准。不同时间点的开放范围和配额可能变化，本文不给出具体数字。
素材准备：如果你要做产品宣传片，最好提前准备好产品的三视图和一张包装视图；如果要做特定角色风格的视频，需要准备角色参考图，并在图上做好文字标记，说明每个角色对应什么形象。
文本素材：小说、影视剧、真实事件的讲解类视频，需要你提供剧情段落或背景资料。Medeo 会检索知识库，但把关键段落直接给它，结果更可控。
对模型的基本认知：Medeo 接入了市面上常见的图像和视频模型，你可以在提示词里指定用哪个模型生成图片、用哪个模型生成视频。素材中提到的具体模型名称（如用 Gemini 生成图片、用 Sora 生成视频）只是示例，实际可选模型以你账号内当前提供的为准。
浏览器环境：这是一个网页端工具，建议在桌面浏览器上操作，因为左侧剪辑面板需要拖拽分镜边界线，小屏幕上体验会差很多。

操作步骤

第一步：认识主界面的四个区域

Medeo 的创作界面很简洁，主要分成四块，从上到下依次是：

模板区：这里提供的不是单纯的画面风格，而是一整套优质视频的必要要素，包括画面、台词、剪辑方式和音乐。你可以直接挑一个喜欢的模板套用，相当于站在一个已经调好的起点上。
画幅选择：目前支持 16:9 横版和 9:16 竖版两种比例。横版适合科普、讲解、宣传片，竖版适合短视频平台的分发。
自定义设置：对细节要求高的时候展开这里，可以设置视频时长、生成类型（只生成图片，还是图片加视频）、画面风格、配音声音等。
素材上传：支持两种方式——直接给一个 URL，让系统从网页里拉取文本和图片作为素材；或者自己上传文本和图片文件。

最核心的输入框在界面中央。你在这里描述视频需求，然后开始创作。不需要一上来就写得极其详细，因为后面还能通过对话修改。

第二步：写第一版提示词并生成

第一版提示词的目标是「把方向定对」，而不是「一次到位」。一个可用的结构是：

项目目标：一句话说清这条视频要干什么，比如「以桌面沙盘的上帝视角，配合诙谐毒舌的解说，制作一部真实事件的科普短片」。
视觉法则：画面风格、镜头语言、景深与运镜方式。
音频与解说：解说人设、语速、语气，配乐风格。
剧本结构：内容按什么逻辑展开，每一段要交代什么。
模型指定：如果对出图质量有偏好，明确写出用哪个模型生成图片、用哪个模型生成视频。

把这些写进输入框后提交，Medeo 会先做分镜规划，再逐个分镜决定生成方式。素材里有一个很能说明问题的细节：当分镜里不包含具体商品时，它会自己判断用文生图即可；当分镜包含商品时，它会改用图生图来保证还原度。也就是说，你不需要手动为每个镜头指定生成方式，但你在提示词里写清楚「哪些内容必须与上传图一致」，会直接影响它的判断。

第三步：用自然语言修改结果

生成完成后，先完整看一遍，把问题记下来，然后用对话的方式告诉它。常见的修改指令有两类：

定位式修改：指出具体位置和问题，例如「前面有两段素材重复了，把这两段重新生成并替换」。它能准确定位并执行替换。
委托式修改：把判断权交给它，例如「你自己找出重复的素材然后替换」。对于这类需要全局检查的问题，委托式往往更省事。

除了直接下指令，还有一种更有效的用法：让它先反思。素材里的做法是，当科普视频的讲述「谜语人」、缺少实质内容时，先让它自己分析「这类科普内容的脚本应该怎么写」，等它给出改进方案后，再和它讨论不足、完善结构，最后让它执行。这一轮讨论的结论不要浪费，回填进提示词，下次就能直接得到更好的结果。

第四步：在左侧剪辑面板做精修

Medeo 保留了传统剪辑界面，这是它区别于纯对话式工具的地方。可以做的操作包括：

拖动每个分镜的边界线，控制分镜时长；
在 Audio script 区域直接编辑对应文案；
单独定义每段音频的音量和时间点。

典型场景是口播时长不够：画面已经满意，但配音比画面短，这时可以在时间线上调整分镜长度，或者补一段素材，而不是重新生成整条视频。

第五步：把有效经验沉淀成提示词

每完成一条视频，把这次对话里被验证有效的约束条件补进提示词模板。写提示词可以遵循两个原则：

尽可能简洁：少写一次性的具体需求，多写可复用的规则。
尽可能通用：让同一段提示词能覆盖一个品类，而不是一条视频。

这两个原则对系统本身要求很高——它必须能自己补充上下文、自己判断该用什么模型和什么生成方式。反过来说，一段提示词能不能写得又短又通用，也可以用来粗略判断一个视频 Agent 的上下文管理能力和智能程度。

一个完整示例

下面用「微缩模型风格的科普短片」走一遍完整流程。这个例子的特点是：风格要求非常具体，但脚本结构一开始没写清楚，正好演示「生成—反思—回填」的迭代过程。

1. 确定主题与画幅

主题选一个真实事件，例如「SpaceX 猎鹰重型双助推器同步回收科普」。画幅选 16:9，因为要展示沙盘式的横向场景。生成类型选图片加视频，时长按内容需要设置，科普类内容宁可做到 90 到 120 秒把问题讲透，也不要压到 30 秒让人云里雾里。

2. 写视觉法则

一、视觉法则，用 Gemini 生图
场景移轴微缩模型化：
场景定义：找出一个最具代表性的名场面或核心地点。在画面中央，
将这个场景构建为一个精致的轴侧视角 3D 微缩模型。风格采用细腻、
柔和的动画电影渲染风格。需要还原当时的建筑细节、人物动态以及
环境氛围，无论是暴风雨还是宁静的午后，都要自然融合在模型的光影里。
微距模拟：模拟人类用微距镜头观察沙盘。大量使用浅景深和移轴效果，
背景必须虚化。
运镜方式：依靠摄像机的平滑横移、推拉和焦点切换来引导视线，
而非物体运动。
背景环境：不要使用简单的纯白底。在模型周围营造带有淡淡水墨晕染
和流动光雾的虚空环境，色调雅致，让画面有呼吸感和纵深感。

3. 写解说人设与配乐

二、解说人设：
视角：抽离的「造物主」或「高维观察者」。
基调：语速轻快，充满冷幽默和毒舌感。用轻松随意的语气解构残酷
或宏大的设定，打破第四面墙吐槽世界的荒谬性。
三、配乐：类似模拟经营类游戏的轻快背景乐，带有探索感，
与画面内容的沉重形成反差。

4. 写剧本结构

真实事件科普的脚本核心是构建完整的认知闭环，而不是单纯展示结果。可以采用四段式：

钩子：开场用震撼画面或极端类比抓住注意力，让观众产生「这是什么」的好奇心；
问题：交代背景，说明为什么需要关注这件事，通过对比传统方法的痛点让观众理解技术革新的必要性；
解决：核心科普段落，把复杂技术拆成 3 到 5 个可理解的步骤，每一步用简洁语言说明原理，配合具体数据量化和生动类比；
意义：回扣主题，说明这项技术带来的实际影响或更大的启发。

语言上要善用对比制造冲击力，用具体数字而非抽象形容词来量化难度和成果，把专业术语转成日常经验能理解的类比。

5. 生成、反思、回填

提交后第一版大概率会出现「画面很漂亮，但讲述像谜语人」的问题。这时不要直接手动改文案，而是先问它：这类科普内容的脚本应该怎么写？拿到它的分析后，指出其中不足，一起把讲解结构补完整，再让它按新结构执行。最后把讨论出来的结构写回提示词，形成可复用的模板。

6. 精修与导出

在左侧面板检查每个分镜的时长是否与口播匹配，必要时拖动边界线；在 Audio script 里修正念错的词；确认配乐音量不压过解说。确认无误后导出。

案例二：生活方式类商品宣传片

这个案例考验的是产品还原度。做法是在输入框左下角的上传区，把产品的三视图和包装视图传上去，再配一段把产品「解构为生活方式」的提示词。核心思路是：不罗列功能参数，而是把产品的几何特征和材质情绪转成抽象画面，再与生活场景做蒙太奇。

你的角色：推崇「感官美学」的视觉艺术总监。专长是将任何实体产品
解构为一种艺术体验和生活方式。
分镜图片中的产品必须与我上传的产品图一致，使用 Gemini 生成分镜图片，
Sora 生成视频。

严禁事项：禁止使用赛博朋克、高科技、霓虹灯、全息投影等陈词滥调；
禁止像说明书一样罗列功能参数；禁止画面生硬死板。

抽象化处理逻辑：
第一步 视觉解构：提取产品的核心几何特征（圆形、方形、倒角、纹理），
提取材质情绪（金属的冷冽、木头的温润、玻璃的通透、织物的亲肤），
据此生成分形或万花筒式的抽象动态背景。
第二步 感官通感：将产品的「功能」转化为「感觉」，寻找一个美好的
生活方式，与产品画面进行蒙太奇剪辑。
第三步 人文场景：置景必须极具生活气息且高级，由自然光主导。
人物状态必须松弛、享受，处于心流状态，而不是在工作或操作机器。

输出结构：
A. 视觉基调定义：光影设定、核心材质与色彩、抽象元素。
B. 视频分镜流：5 到 6 个镜头，交替使用微距特写、抽象分形转场
和生活远景。
C. 听觉设计：声学乐器或极简氛围音；细腻的环境音。
D. 独白文案：像散文诗一样的旁白，不提及任何技术名词，
只谈论时间、空间、灵感与陪伴。

这类提示词的关键约束是「产品必须与上传图一致」。因为产品是全新设计的，模型知识库里没有，只能靠上传图来锚定。素材中的经验是，图标、按键颜色、开孔位置、旋钮质感这些细节都能被还原。如果发现某处细节不对，用定位式修改指出具体镜头即可。

案例三：Meme 风格剧情讲解视频

这类视频的做法是把原著角色替换成流行的 Meme 形象，同时把台词体系也替换掉。难点在于模型本身不认识这些 Meme 角色，所以必须上传角色图并做好标记。

1. 准备角色参考图

找几张角色图片，在图上用文字标注每个角色的名称和特征。上传时把这些图一起给 Medeo，并在提示词里说明「生成图片时不要把名字写进提示词，只说根据上传的参考图生成什么，防止名称误导模型」。

2. 写画面与服装约束

请深入分析我上传的参考图片中的角色形象，提取它们的生物特征与神态。
生成图片时，务必保证面部和身体露出服装外面的部分与原图完全一致。
将这些萌宠角色无缝代入原著角色的身份，要求它们身着原著中极具
辨识度的古装、战甲或现代戏服，衣物材质要有布料或金属的真实纹理，
只有头部或露出的身体采用 Meme 形象，服装还是原著的服装。
身体比例和脸部特征保持原有的萌系或滑稽感，形成强烈反差。

画面风格：水墨风格与动画电影风格结合的 2.5D 高品质渲染。
使用 Gemini 生成图片，光影明亮通透，用次表面散射表现皮肤或毛发的
细腻质感，背景采用微缩景观般的精致建模，色彩饱和度适中。

3. 写叙事与台词体系

剧情构建与分镜生成：根据我提供的剧情内容，务必保证叙事完整，
不要节省图片和镜头。镜头语言要流畅，多使用缓慢推拉镜头强调情绪转变。
必须以指定的猫咪角色为主角，其他群众也是猫咪的样子。

旁白：第三人称口播文案，配深沉但略带反差的纪录片式男声。
文案遵守以下语言体系：
将所有人类种族或家族称为「某某咪」；
将所有攻击、斗气、内力、魔法或权谋斗争统一称为「哈气」；
描述关键道具时，在道具名称后加上固定的后缀词；
把原本严肃的修炼等级或地位描述得像几个 Meme 在打架。
旁白语调要一本正经地胡说八道，配合萌宠们严肃又滑稽的表演。

4. 迭代方式

先分析几个同类视频，抽象出它们的特点和理念，写成第一版提示词。生成后哪有问题就让它改，改完把结论回填进提示词。素材中的经验是，这套流程跑下来，语气替换、人称代词替换、以及哪个 Meme 角色对应原著哪个角色，都能被稳定执行，画面风格也能贴合原著的西方玄幻与旧时代城市氛围。

注意事项

画幅只有两种：目前仅支持 16:9 和 9:16，没有其他比例可选，创作前先确定分发渠道。
提示词太长不一定是好事：长提示词的价值在于写清规则，而不是堆砌一次性的细节。规则写得越通用，复用价值越高。
第一版不要期待完美：尤其是脚本结构，很容易出现「画面好但内容空」的情况。把反思和讨论纳入流程，比反复重抽更有效。
模型选择会影响结果：在提示词里指定模型后，系统会按指定执行；不指定则走默认。默认模型和指定模型在风格上可能有明显差异，重要项目建议明确写出。
素材重复是常见问题：为了凑口播时长，容易出现两段相同素材。生成后完整看一遍，用定位式或委托式指令让它替换。
产品还原依赖上传图：模型不认识你原创的产品，三视图和包装图是还原度的基础，缺了很难补救。
Meme 角色必须标记：不标记名称，模型无法把形象和角色对应起来；标记了又不要在生成提示词里写名字，避免名称干扰。
价格、套餐、可用模型与配额：这些信息会随时间调整，一律以官网当前信息为准，不要依据旧教程里的数字做规划。