真正能解决的方案是这样：先做一张固定底图，老师站在中间，...

真正能解决的方案是这样：先做一张固定底图，老师站在中间，胸前区域留空，不要让 AI 生成任何文字。提示词只写：“young friendly English phonics teacher, front-facing, smiling, hands relaxed below frame, clean classroom background, empty space in the center for later text overlay, no text, no letters, no subtitles, no pointing gesture”。这样老师、脸、衣服、背景稳定了，后面所有教学信息都用剪辑软件加。 第二步，在剪映、AE、CapCut、Canva、PR 里自己加文字层：上面大字 cake，下面小字 /keɪk/。这里一定要用支持 IPA 的字体，比如 Noto Sans、Charis SIL、Arial Unicode 这类，不要让 AI 画。ɪ 这个符号必须是复制进去的真字符，不是普通 i。如果给儿童看，下面可以再加一行更口语的提示：c /k/ + a-e /eɪ/ + k /k/，final e is silent。这里我建议你把规则从“a 读 /eɪ/，e 不发音”稍微升级一下，写成 a-e split digraph says /eɪ/，也就是“a 和最后的 silent e 组合，让 a 发长音 /eɪ/”。小学启蒙可以简化成“a says its name, e is silent”，但底层最好别让孩子误会成所有单独的 a 都读 /eɪ/。 第三步，手指不要让视频 AI 生成。最稳的是用一个透明底的卡通手指 PNG，或者一根教鞭/激光点/小星星光标。说实话，教鞭比真人手指稳十倍，因为真人手涉及五指、关节、遮挡、穿模，视频模型最容易翻车。你可以把指针做成一个单独图层，然后打关键帧：指尖先移动到 c，停住 0.2 秒，c 发光，声音读 /k/；再移动到 a，停住，a 发光，声音读 /eɪ/；再到 k，再到 e，e 发灰或出现 “silent”。这样画面和声音是剪辑软件控制的，不是让 AI 猜。
  ↳ 回复 猫拳: @Wing ໒꒱ ⁺₊ 这个活不能再让视频 AI 一口气“生成老师、手指、字母、发光、IPA、读音、节奏”。它必崩。你现在这三个样片的问题不是提示词不够长，而是任务拆错了。最稳做法是：视频 AI 只负责老师画面和轻微表演；单词、音标、字母发光、手指/教鞭、声音全部后期分层控制。 读音问题尤其不能靠视频模型解决，必须用真...