第一步：准备合规的Prompt与素材

在调用文心一格控制台或API前，需要先编写一份结构清晰的优质中文提示词，推荐使用以下模板：【人物属性】+【服装细节】+【妆容发型】+【场景光照】+【镜头运镜】。举例来说：“亚洲女性，25岁，身穿米白色垂感阔腿西装套装，内搭浅杏色真丝吊带，裸妆+低马尾+珍珠耳钉，柔光棚拍，中景平视缓慢横移”。

这里有两点需要格外留意：第一，避免使用“真人照片”“真实人脸”“肖像权”等敏感词汇，否则会被内容审核系统直接拦截；第二，如需指定性别、年龄或肤色，务必使用“亚洲女性”“青年”“暖调肤色”等平台白名单中认可的表述。

上传参考图时仅支持JPG或PNG格式，且必须为纯色背景（#FFFFFF或#000000），不可包含任何文字、Logo或水印。若上传带有褶皱的服装平铺图，系统会自动识别布料纹理并用于3D建模——这一细节对后续生成效果有显著影响。

第二步：调用文心一格图像生成接口生成关键帧

方法一：通过/v1/ernie-vilg/text2image接口生成首张静态图。发送POST请求至https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/image/text2image，在Header中添加Authorization: Bearer {access_token}，Body传递JSON数据：

{"text":"亚洲女性，25岁，身穿米白色垂感阔腿西装套装……","size":"1024*1536","n":1,"style":"realistic"}

方法二：如果已拥有服装设计稿，则改用/v1/ernie-vilg/image2image接口执行风格迁移。该接口需额外传入Base64编码的原始图，并设置"strength": 0.65——该值若低于0.5会导致服装结构变形，高于0.8则会丢失原图细节，0.65是一个相对均衡的参数。

在此之前，必须通过OAuth2.0获取access_token，调用https://aip.baidubce.com/oauth/2.0/token，参数为grant_type=client_credentials&client_id={API Key}&client_secret={Secret Key}。Token有效期仅2小时，过期后需重新获取，这一时效性问题务必留意。

第三步：将静态图转为3秒短视频

此步骤操作相对简单。进入文心一格Web控制台，点击“视频生成”，选择“图片驱动”模式。然后上传上一步生成的1024×1536静态图，在动作库中挑选“站立微转身”或“侧身展示衣摆”等预设动作——请注意，这里不支持自定义骨骼动画，仅能从预设库中选择。

勾选“服饰贴合增强”和“妆容动态保真”两项，点击生成即可。生成时长固定为3秒，不支持延长；如需展示多角度效果，必须重复该流程，分别上传不同视角的关键帧图片。

生成完成后下载MP4文件，分辨率锁定为720p，帧率24fps，不包含音频轨道——这些参数在后续合成过程中都会用到。

第四步：本地合成与导出最终视频

合并多个3秒片段可直接使用FFmpeg：ffmpeg -f concat -safe 0 -i filelist.txt -c copy output.mp4。

添加背景音乐时，推荐用Python的moviepy库加载MP4→插入音轨→导出。这里有一个关键指标：音画同步偏移必须控制在±0.15秒以内，否则抖音等平台会判定为“音画不同步”并进行限流处理。

添加字幕的话，使用whisper.cpp本地运行ASR生成.srt文件，再用FFmpeg硬编码字幕：ffmpeg -i input.mp4 -vf "subtitles=subtitle.srt" -c:a copy output_final.mp4。

最后导出时编码必须选择H.264，Profile设为High，Level设为4.0——否则小红书APP会直接拒绝上传，这是一个容易忽略但后果相当严重的细节。