每个人都知道这个场景。Terry Crews坐在副驾驶座上，车窗放下，大声唱着“A Thousand Miles”的每一个词，而他旁边的女人努力保持镇定。它被转发了二十年，依然好笑。现在人们制作的版本，是把自己的脸、朋友的脸，或者整个群聊的人放进那辆车里，而因为你认识那个人，这个笑话变得更好笑了。
你不需要剪辑软件或绿幕。你只需要两样东西：一张已经替换好脸的静态图像，以及一种让这张静态图像完全按照原片段的方式动起来的办法。本教程以下方的参考片段为素材，涵盖这两部分。
参考视频： WHITE CHICKS: Latrell (Terry Crews) singing A Thousand Miles
为什么这类剪辑现在这么有效
重现电影场景的内容效果很好，因为观众已经把原片加载在脑子里了。你不是在要求任何人学一个新笑话。你是在给他们一个熟悉的笑话，里面放着一张他们认识的脸，而他们的预期与实际所见之间的落差，正是笑点所在。
大多数人从未做过这种东西，是因为这种剪辑的传统做法很慢。逐帧抠像一张脸，在移动的车内环境中匹配肤色，在有人仰头唱歌时跟踪头部转动。一段十五秒的片段，就是整整一个下午的工作量，而如果赶工，效果还很糟。
两步法几乎消除了所有这些工作。你只在单独一帧上做一次换脸，在那里你可以真正看出它是否好看。然后你把这张完成的画面连同原片段交给动作模型，让它把表演带过去。头部转动、肩部动作、口型、与音乐的时间配合，这一切都来自参考视频，而不是来自你需要描述的提示词。
你需要的两个工具
整个流程在以下平台的两个页面上运行： Atlabs.
第一个是 GPT Image 2，一个接受多张输入图像、并用其中一张去编辑另一张的图像模型。这正是换脸能一次完成的原因。你把电影画面和你想放进去的那张脸的照片给它，然后用平实的语言描述替换即可。
第二个是 Kling 动作控制，它把参考视频中的动作复制到角色图像上。Kling是这里最强的选择，因为这个场景全是动作。Crews不是静坐着，他在跳动、转头、放声高唱，较弱的动作模型要么会把这些抹平，要么会在中途把脸弄散。Kling保住了这段表演。
因为画面中的两张脸都要被替换，所以你要把这个流程跑两遍。步骤相同，每次对象不同。
分步教程
第一遍：替换驾驶座上的女人
1. 从参考片段中截取第一帧。 打开参考视频，抓取开头那一帧，也就是两个角色都可见、大致朝向正前方的那一帧。一张清晰、光线良好、两张脸都没有遮挡的画面，能给模型提供最多可用的信息。这就是你的image1。
2. 打开GPT Image 2并上传两张图像。 前往 GPT Image 2。把电影画面作为第一张图像上传，然后把你想放在驾驶座上的人的照片作为第二张图像上传。正面、光线均匀的照片，换脸效果远好于有角度或阴影很重的照片。
3. 写下替换提示词。 保持字面化。模型对平实的指令比对创意性的描述反应更好：
Replace blonde woman in image1 with man in image2
4. 生成并检查结果。 继续之前先看三件事。肤色是否与车内光线匹配。头部角度是否与原片一致。眼睛看的方向是否相同。如果其中任何一项有偏差，就重新生成，不要继续，因为下游的一切都会继承这一帧。
5. 把它送入Kling Motion Control。 打开 Kling 动作控制。上传你编辑过的画面作为参考图像，并上传原版《白人姐妹花》片段作为动作来源。添加页面上显示的提示词来描述场景和背景，然后点击生成。
6. 收获你的片段。 现在你得到了第一张脸已被替换的动态版本场景。
准备好自己试试了吗？ 从GPT Image 2开始 ，把你自己的照片作为image2。
第二遍：替换Terry Crews
7. 再次把画面送入GPT Image 2。 同一个页面，同样的设置，但现在你的image1是想放入第二张脸的那一帧，image2是第二个人的照片。提示词也相应改变：
Replace man in image1 with man in image2
8. 生成并与原片对比。 画面中Crews这一侧是更难换的，因为他的表情很夸张。张大的嘴，扬起的眉毛，向后仰的头。选择一张表情中性或略带生动的源照片，而不是平淡的证件照式头像，模型会更容易把它扭转成这段表演。
9. 把它送回Kling Motion Control。 上传新的画面，上传同一个参考片段，使用页面上的提示词，然后生成。你就得到了第二个片段。
10. 把两个片段拼在一起。 根据你的取景方式，你可以把两张脸都替换的版本作为最终成片，也可以在两个片段之间切换，让每张脸各有自己的时刻。跟着歌曲的节拍剪切，比跟着对白剪切效果更好。
为什么这个流程站得住脚
换脸发生在静态图上，而不是视频上。这是最重要的部分。当模型试图直接在运动的片段上换脸时，它必须把同一个决定做数百次，而且不会每次都以同样的方式做出，闪烁和扭曲就是这样来的。在一帧上换一次脸，意味着你只需批准一个结果，而动作模型会把它当作固定不变的。
动作来自参考视频，而不是你的描述。你不是在写“他仰起头热情地歌唱”然后听天由命。Kling直接从你上传的片段中读取真实的动作，所以与歌曲的时间配合保持完好。这就是为什么这个重现读起来是同一个场景，而不是松散的模仿。
GPT Image 2一次可以接受多张参考图像，所以换脸只是一条指令，而不是一连串的抠像与合成步骤。你只需描述想改什么，以及替换内容来自哪张图像。
而且因为两个工具都在同一个平台内，第一个的输出就是第二个的输入，无需导出、重新编码，也不用在应用之间搬运文件。如果某个结果不对，你就退回一步重新生成，而不是把整条链路从头再来。
值得一试的提示词
换脸，单个主体
Replace blonde woman in image1 with man in image2
换脸，第二个主体
Replace man in image1 with man in image2
带光线说明的换脸
Replace the man on the right in image1 with the man in image2, matching the warm afternoon light coming through the car window and keeping the same head angle and open mouth expression
换脸，一次处理两个主体
Replace both people in image1 with the two men in image2, keeping their positions, expressions and the car interior exactly as they are
动作迁移，车内场景
Two friends in the front seats of a car on a bright afternoon, windows down, warm sunlight across their faces, handheld camera framing from the dashboard, saturated early 2000s comedy film look
在Atlabs Kling Motion Control中试试这条提示词
动作迁移，夜晚版本
Two friends in the front seats of a car at night, city street lights sweeping across their faces, neon reflections on the windscreen, handheld interior camera, cinematic contrast
在Atlabs Kling Motion Control中试试这条提示词
动作迁移，干净的影棚版本
Two performers seated side by side against a plain backdrop, soft even key light, static mid shot, clean modern music video styling
在Atlabs Kling Motion Control中试试这条提示词
专业技巧
像选角导演那样挑选你的源照片，而不是像挑选头像那样。最好的效果来自与你要换入的画面头部角度大致相同、光线相似的照片。从左侧打光的照片会与从右侧打光的场景互相对抗，你会在输出中立刻看到。
在让它动起来之前先修好画面。把一张差不多对的图像丢进Kling，指望动作掩盖瑕疵，是很诱人的想法。结果恰恰相反。静态图中的每一处瑕疵都会被带到视频的每一帧中，所以在图像阶段多重新生成五次，能为你省下一整个失败的片段。
保持参考片段简短。取场景中最具辨识度的三到十五秒，比整个序列效果更好。更短的片段生成更快，质量保持更稳定，而且梗图式剪辑的笑点本来就落在最初几秒。
使用你有权使用的脸。你自己的脸，知情的朋友，说了“可以”的人。这也正是让这类剪辑对观看者来说好笑的原因。
常见问题
我需要有视频剪辑经验吗？ 不需要。整个过程就是上传图片、写一句指令、点击生成。唯一可选的剪辑步骤是最后把两个片段接在一起，任何基础编辑器都能完成。
我可以把它用在《白人姐妹花》之外的场景吗？ 可以。这个流程与场景无关。从任何片段中截取一帧，在GPT Image 2中替换脸，然后把原片段作为动作来源交给Kling Motion Control。取景清晰、动作鲜明易认的场景效果最好。
为什么不直接在视频上换脸？ 直接在视频上换脸，是让模型在每一帧上独立解决同一个问题，这会产生闪烁和漂移。先在静态图上换一次，再迁移动作，你只有一个需要批准的结果，输出也更稳定。
什么样的输入照片算好？ 正面、光线良好、高分辨率，脸部没有被太阳镜或浓重阴影遮挡。当目标场景是动态的时候，带一点生气的表情要比平淡的中性照片更好。
成片有多长？ 它与你上传的参考片段的长度一致。对于梗图式剪辑，控制在十五秒以内通常是正确的选择。
最终结论
场景重现这种形式不会消失，而制作它的门槛已经降到了两次上传和一句话。在GPT Image 2中替换单帧上的脸，把这一帧和原片段一起交给Kling Motion Control，然后让动作模型去完成过去要花一个下午的那部分工作。
两人场景就跑两遍，把结果按节拍剪辑在一起，你就得到了人们真的会互相转发的东西。
