可灵 4.0 实测报告：通过参考图与精准动作指令，显著提升舞蹈类 AI 视频生成的还原度与稳定性

Q: 在舞蹈生成测试中，参考图主要包含哪些内容？

人物造型参考图与鼓阵参考图

一句话结论

可灵 4.0 通过参考图与精准动作指令，显著提升了舞蹈类视频生成的细节还原与运动稳定性。

关键要点

实测团队使用人物造型与鼓阵参考图，结合红色舞服及浅粉色长水袖的具体描述，成功引导 AI 生成包含旋身、腾挪、跃起、甩袖击鼓等复杂动作的 15 秒舞蹈视频。
测试案例《今天也没有什么计划》要求生成二十多岁女生在南方旧街区的生活片段，强调旧式 DV 影像质感、温暖色调及真实生活痕迹。
该案例片头设计了手写字“今天也没有什么计划”短暂闪过的细节，模拟个人生活日记的剪辑效果，以验证 AI 对微小视觉元素的渲染能力。
实测表明，在提供明确视觉锚点（如服装颜色、道具参考）与动作拆解后，模型对复杂动态场景的生成一致性优于无指令裸奔生成，但具体效果仍受限于单一 15 秒生成的时长约束。

背景与事实

本次实测的核心场景围绕可灵 4.0 在舞蹈生成领域的表现展开。测试团队首先构建了具体的视觉输入体系，包括人物造型参考图与鼓阵参考图。在文本指令层面，团队明确指定了视觉元素：角色需穿着红色舞服，并配备浅粉色长水袖。在运动维度上，指令详细拆解了舞蹈的关键动作节点，包括旋身、腾挪、跃起以及甩袖击鼓。基于上述多模态输入，系统执行了一次 15 秒的视频生成任务，旨在还原这场舞蹈的主要特征。这一测试过程展示了当前视频生成模型在长时序动作保持与物理交互（如袖口与鼓面接触）方面的技术边界。

另一项并行测试聚焦于叙事性与风格化生成。测试团队设定了短片《今天也没有什么计划》的创作基准。故事主角被定义为一名二十多岁的女性，佩戴耳机，独自进入中国南方的旧街区场景。叙事链路包含一系列微观互动：沿途观察墙边的花卉、注视晒太阳的小猫，以及被一位骑车经过的年轻人吸引目光。时间线设定在夕阳落下之时，结尾动作是主角偶然进入一家旧书店，并在窗边翻开一本书。

在风格控制方面，测试明确要求影像具备旧式 DV 的质感，色彩基调需保持温暖，且必须保留真实生活留下的痕迹，以确保人物与场景的真实性。此外，片头部分加入了一个微观设计，要求让手写字体的片名在画面上短暂闪过，模拟一条自我剪辑的生活日记视觉效果。这些细节测试旨在评估模型在处理非标准化视觉指令（如特定年代感的噪点、光影变化）时的表现力。

影响分析

对于中文 AI 视频开发者及创意从业者而言，本次实测揭示了两类实际应用路径。首先，在商业舞蹈生成场景下，采用“参考图+动作拆解”的组合策略已成为提升生成质量的有效手段。分析判断认为，用户若希望获得高还原度的舞蹈视频，必须提供具象化的视觉锚点（如服装、道具参考）并明确拆解动作序列，这降低了单纯依赖自然语言描述导致的动作模糊风险。其次，在个人创作或怀旧风格短视频领域，模型对特定影像质感（如 DV 画质）和微观叙事细节（如手写字闪过）的响应能力，表明其已从单纯的“画面生成”向“叙事风格控制”演进。从业者可利用这些特性，降低后期调色与特效合成的成本，直接通过生成指令实现特定的审美风格。

此外，15 秒的生成时长限制是实际部署中必须考量的因素。分析指出，对于超过 15 秒的连续舞蹈或复杂叙事，用户需规划分段生成与剪辑策略，而非依赖单次生成完成全片。这种技术边界提示开发者在设计工作流时，应将长视频拆解为多个逻辑连贯的短片进行拼接，以规避运动一致性随时间推移而衰减的问题。

适用边界

本结论的适用范围主要局限于具备清晰视觉参考和可拆解动作结构的场景。若舞蹈风格极度抽象（如现代舞中的无固定动作规范）或缺乏明确的道具参考，仅依靠文本指令可能无法保证生成效果的稳定性，此时结论中的“高还原度”判断不成立。此外，对于需要极高物理交互精度（如流体与物体的复杂碰撞）的场景，现有测试未覆盖，因此不能推断模型在此类场景下具备同等可靠性。非舞蹈类的复杂长叙事（超过 15 秒且无分段策略）也不直接适用本实测提出的生成策略，需结合多段拼接技术使用。