逐帧解密“顶流”AI短片《Candy》！DiDi_OK超详细教程来了！
发布日期：2026年10月10日
最近AI视频圈有一部很难绕开的片子，就是DiDi_OK的AI科幻短片《Candy》。截至发稿前，上线不到一个月的《Candy》已在B站斩获超500万播放量，登顶B站热搜。在海外社媒平台X上，其相关内容单条曝光也接近百万，热度暴增。（图为：截至发稿前，《Candy》在B站上的播放量）几乎所有人在看完这部片子后的最大感受，都可以用四个字总结：惊为天人。同样是人类，为什么他他他他就能用Seedance 2.5做出这样的片子？？？9月16日，DiDi_OK在直播里详细拆解了他的制作流程，对其完整工作流和核心提示词进行了开源。短剧自习室在看完了接近两个小时的直播后，我只能说，他太强了，真的。以下是我们对DiDi_OK的《Candy》制作教程实录整理（实录梳理自火山引擎对话DiDi_OK直播间）：
前期调研：在Figma上理清作品的核心表达
一切的一切，要从创作者的表达欲开始。说白了，它也是你片子的主旨。DiDi_OK写下了《Candy》这部片子的核心表达内容：别生气，慢下来。对于创作者想要表达的内容和想要呈现的画面效果，进行技术测试。在不同的景别、灯光效果下，DiDi_OK分别对「人能不能爆炸成糖果」，进行了AI生成视频的技术测试，并发现人物身上穿着的衣服，能留在地上。也就意味着，因为负面情绪而产生爆炸的，只有「人」——技术可以满足表达。《Candy》在技术测试中，明确了「人会因为负面情绪而爆炸成糖果」的内容表达后，到这一步就要明确其所设立的是哪一种负面情绪？同时，需要注意这种负面情绪具有普适性和延展性。这种负面情绪，他认为是：生气。所以，他得出了作品的核心画面思路：「人会因为生气而爆炸成糖果」。并且，生气不是无缘无故的生气，而是气别人，别人会炸，自己也会炸。与人为难，自己为难。站在观众的角度回看，你所要制作的内容能否被大众接受，会不会因为极端情况引发观众不适，还是说可以通过叙事让大家意识到这是设定的「黑色幽默」。
中期开展：在Figma上构建故事小传
DiDi_OK介绍，自己虽然不做分镜，但会设立一个又一个的故事节点。
开头要非常有张力，抓人，并且在30秒内完成一次完整的，生气→爆炸→糖果落地→出title。（但DiDi_OK解释，这一步写了但是没用上。）比如，设计主持人出现，解释事情发生。这一步，其实是在告诉观众，事情发生的背景，是有因有果的，而不是创作者自嗨。在背景设定中需要注意，对应生成的画面是否能够完成，观众是否能够比较好接受。同时，确定故事动机，是怎么发生推进的。像《Candy》中，因为发生了大量角色爆炸，所以还需要注意规避一些伦理困境，最终就设定为爆炸并非作者导致，而是宇宙机制。爆炸的人，有爆炸的合理性，比如有人对他人产生主观恶意并想伤害他人时就会发生爆炸，这种情况包括人身攻击、骚扰、PUA等。比如，《Candy》中的主持人，他的作用就是照顾观众的观看节奏。他需要解释事情发生，做出背景说明，对信息进行补充，确定时间线。这一步就是在提前思考要补充哪些信息，相当于不断叠加故事的背景设定。比如，《Candy》需要用到更多的案例和详细的爆炸过程展示。（这一个思路，DiDi_OK实际上也没有在影片里呈现。）紧接着，在影片中，人们开始研究这种「人会爆炸成糖果」的现象并证实了原理。同时，DiDi_OK还在这里反推了一下这里需不需要契机，比如糖纸？糖果本身？DiDi_OK试图在《Candy》中，引申到最后的「他人即地狱」的母题讨论上，但由于这样子做，可能会让影片陷入负面表达，所以被放弃了。基于这样的想法，《Candy》想要表达的内容最终定下来，被引申到了让生活慢下来、大家一起「享受地球」。
后期制作：逐步搭建视觉素材库
比如，《Candy》中的糖果应该长什么样？糖果的材质应该是什么？最后DiDi_OK把这一道具设定为和真实世界的糖果越接近越好。在《Candy》中，就是整个片子必须围绕欢乐的黑色幽默。根据想要表达的内容制作一些镜头，这些镜头中，也会出现一些「废片」。即使是DiDi_OK，也并不是一次完成，而是经过多次提示词迭代和抽卡的。DiDi_OK分享，其在提示词创作中，基本靠手搓，用提示词非常详细地描述每一个角色，他们是怎么运动的？他们的目的是什么？如果生成的效果不对，再去改。知道自己哪一句提示词对应哪一个效果非常重要。如果用AI写提示词，那么在关键镜头的表现上，就有可能出现，发生问题了，但不知道哪里有问题。并且用AI写的提示词会因为过于「完美」，而没有鲜活感，没有「人味」。提示词的作用，就是帮助AI理解视觉锚点。在使用Seedance 2.5的过程中中，DiDi_OK认为提示词的权重比参考图重要。比如，在镜头拆解环节，他透露，《Candy》的一个战争镜头中，仅用了一张参考图，其余全部依赖提示词。同时，他还分享了一个个人制作的小技巧（重要知识点）：用视频生图。特别是遇上需要做空间镜头的场景，比如上面讲到的战场，就可以直接用视频让AI去跑图，让AI找到正确的空间关系和机位，AI相当于起到了一个「记者采风」的作用。在设计「人物表演」镜头时，DiDi_OK分享到，自己会在家演一下，然后把自己的感受写到提示词里，如此才能让AI的表演有更丰富细腻的「人味」，更真实。比如他告诉模型：这个人是一个讨好型的状态，他是有自己的目的的，并且这种讨好是有一点小油腻的，让人不喜欢的。说白了，就是让AI更好地去理解表演。设计「动画」镜头时，DiDi_OK也是采用纯AI生成，3D动画的运动规律表现等都有不错的效果。比如在Seedance 2.5上通过首尾帧参考，直接生成移轴动画，效果有所提升。《Candy》中的「蚂蚁推糖果」画面，也是完全依赖AI，用提示词一遍生成。为了实现在这个16秒的视频中不断地切换场景，DiDi_OK说，写了4000字提示词。果然，一个好的AI生成镜头，背后的提示词不亚于一篇小作文。《Candy》中的下面这个「转场」放在以前是需要扣绿幕加上ＡＥ软件编辑的，但现在全靠提示词，并且这个镜头看起来是一气呵成，但实际上，DiDi_OK也是分段来做的。在做「群像」的长镜头时，DiDi_OK则利用上了Seedance 2.5的一个新功能：30秒的长镜头。其中出现的大量演员调度，都是DiDi_OK通过提示词实现的。这个镜头，最终一遍完成。同时，为了给观众营造出一种类似趴在人物肩膀上观看的「临场感」，他还让AI参考了手持摄像机的感觉，营造细腻的抖动感。最后，DiDi_OK建议，生成镜头的提示词中尽量强调“无BGM”，如果AI给到的版本还是有的话，可以通过平台筛选或者后期剪辑工具分离。坚持画面优先原则。DiDi_OK的做法是留下最完美的画面，然后用画面作为参考图，再去生成声音，直到生成满意的、喜欢的声音合成就好。
敲黑板：DiDi_OK的提示词怎么写的？
在DiDi_OK制作过程中，他主要通过提示词来调用Seedance 2.5的能力。而大家最关心的问题，DiDi_OK到底是怎么写提示词的？怎么驯服AI的？第一，在写提示词时，需要把自己完全代入场景，就好像你站在它的面前一样。比如这颗糖果的质感，上面会有细小气泡、磨砂纹理和真实糖霜感，它滚动起来时，发出的声音，应该是咔哒咔哒的……提示词尽可能自己写的原因上面也提到了，如果画面出现了问题，可以知道问题出在哪一句提示词上。就连DiDi_OK也避免不了，遇上AI生成的画面是一个女孩真的在旁边喊：咔哒咔哒。显然，这里就是咔哒咔哒这句提示词的权重出现了问题，调整后迭代就可以了。提示词需要尽可能写得细，也能拉进和观众之间的距离，省掉很多叙事成本。第二，就是前文所提到的，DiDi_OK在写人物相关的提示词时，会把状态和感受写出来。这样才能让AI「演」出细节。必要时，他会自己先演一遍。还值得一提的是，提示词不用太高深，口语化的风格也是完全OK的。在给「女发言人」写提示词，他用上了参考图。因为有些东西是提示词说不清的。但有了参考图后，提示词也可以在参考图的基础上，夯实一些东西，比如，LED屏幕的摩尔纹是怎么样的摩尔纹。在小女孩拿糖果这个画面时，DiDi_OK就用到了「首尾帧」功能。第五，巧用Seedance 2.5的长视频功能+参考图，给AI理解世界的空间。比如，在这个「女生看画」的镜头中，DiDi_OK让Seedance 2.5生成一个长视频从正面绕过。并且，他要求，在绕的过程中，Seedance 2.5已经把空间里的角色和位置关系自己理解了一遍。然后你就可以在生成的长视频中，截取自己想要的片段。梳理完DiDi_OK的创作流程，短剧自习室必须小声BB一句：不得不说，大佬的“邪修”教程还是太顶了！所以，你get了多少小妙招呢？谁又会成为下一个“大佬”？期待ing！
<
