> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 古代监控视频怎么做：时间戳、REC、机位号全是叠的，模型只管糊
- URL: https://www.hubwiz.com/blog/ancient-surveillance-video-how-to/
- Published: 2026-11-06T13:43:48.000Z
- Updated: 2026-11-06T13:45:55.000Z
- Description: 玄武门监控片里最像监控的三样东西——时间戳、REC、机位标签——都不是模型画的。同一条命令我们把清明上河图也变成了一段监控。
- Author: admin
- Tags: AI 视频生成, 提示词, 多模态生成, 内容创作, ffmpeg

11 月 5 日，一条 2 分钟的黑白片子在 X 上发出来：右上角 `● REC`、左上角 `626年07月02日 05:47:13`、左下角 `CAM 1 玄武门·北门外`。玄武门之变在五个机位下被拍了下来，原帖配文还补了一句——关键的几段视频神秘消失，有人怀疑是被李世民销毁了。

同一周，同一个格式的片子（荆轲刺秦王、司马光砸缸）出现在 B 站、抖音和微博。

所有人第一反应都是问：用的哪个模型。原帖给了答案，Muse。

但把这条片子拆到帧一级，结论会变：**真正让它在"像监控"这件事上成立的，不是模型。** 时间戳、`REC`、机位标签，一个都不是模型生成的。它们是后期一条命令叠上去的。模型只负责一件事——把画面糊到看不清，而这恰好是它最擅长的事。

我做的不多：下载原片、逐帧量参数、把同一套 UI 压回原片上对比，最后用清明上河图复现了一遍。

**披露**：我们没有 Muse、海螺、Seedance 的账号，视频生成那几步按公开复刻者的说明写；能自己跑的那一步——后期合成——我们跑了，命令在第五节，你可以直接复制。

---

## 一、先把这条片子量一遍

这节只做一件事：把"感觉"换成数字。后面每一个参数都从这张表来。

| 项        | 实测                               |
| -------- | -------------------------------- |
| 时长       | 2:00.05                          |
| 分辨率 / 帧率 | 1280×720 / 24fps                 |
| 音轨       | AAC 44.1kHz 立体声，有环境声，不是静音        |
| 时间码      | 05:47:13 → 05:49:09，连续推进 116 秒   |
| 机位       | 5 个（CAM 1–5）                     |
| UI 位置    | 左上时间戳 / 右上 ● REC / 左下机位号，都带半透明底条 |

时间码推进 116 秒，片长 120 秒，差 3 秒多。这个"差"本身就说明片子是按一条时间轴剪出来的，而不是十几个碎片拼上去再补时间码。**监控的可信度，有一半来自时间码的连续性**——观众不会去核对秒表，但会本能感觉到"这个时间在走"。

五个机位的标签我逐段抄了下来：

| 机位    | 标签       | 在片里承担什么 |
| ----- | -------- | ------- |
| CAM 1 | 玄武门·北门外  | 队伍入场的总览 |
| CAM 2 | 玄武门·门内甬道 | 贴身冲突    |
| CAM 3 | 宫墙·临湖林道  | 追击、兵力调动 |
| CAM 4 | 太极宫·海池   | 尉迟敬德见李渊 |
| CAM 5 | 太极宫·内庭   | 事后清场    |

这张表不是装饰。玄武门之变那天，建成、元吉死在玄武门内；随后尉迟敬德披甲持矛入海池见李渊。**机位正好覆盖"谁在哪被杀、谁去见皇帝"的地理动线**，和案件调查里用监控回放重建现场是一个思路。

这也是它比一般 AI 古装片高级的地方：它讲的是空间，不是剧情。观众看到的不是"一场古装打戏"，而是"从北门外到海池，这条路上依次发生了什么"。

## 二、假监控为什么比真 AI 视频更像真的

三个机制在同时起作用，第三个最值钱。

**第一，分辨率是滤镜。** 20 米外的人脸、手指、兵器，在 720p + 噪点 + 运动模糊下就是一坨。AI 视频最崩的几处——手的关节、脸的对称、人群里多余的腿——全被"画质差"合法遮住了。你让模型做近景，它立刻露馅；你让它拍一片灰蒙蒙的远景，它能骗很久。

**第二，镜头语言被压到最简。** 固定机位、广角、略俯视、全程不运镜。模型不需要处理它最不擅长的运镜，只需要让一群人慢慢走、旗帜飘、马经过。这是把任务难度从"导演一道戏"降级成"把画面动起来"。

**第三，观众对 CCTV 有前理解。** 没人会伪造这个。所以画面一旦带上时间戳和机位号，观众先信三分，再去找破绽——而破绽已经被前两条藏好了。微博上已经有人配文转发："司马光砸缸的监控，这一看就是真的，那个年代还没有 AI。"

把三条合起来看：**这个格式火的原因不是模型变强了，是"监控画质"把模型的弱点变成了风格。** 同样的模型、同样的提示词，换成 4K、浅景深、运镜花哨，效果会立刻塌。

还有一个容易看漏的细节：原片是 24fps，不是真监控的 12–15fps。它靠噪点和运动模糊去"暗示"低帧率，而不是真的抽帧。因为真抽帧会让动作卡得像掉帧的 PPT，而观众对"监控画质"的记忆其实来自噪点，不来自帧率。这就是通用原则：**观众记住的是质感，不是参数。**

## 三、三层拆解：模型只负责中间那层

| 层  | 画面里有什么             | 谁做的            |
| -- | ------------------ | -------------- |
| 内容 | 城楼、甲士、马、人群、尘土      | 视频模型（原帖用 Muse） |
| 质感 | 黑白、噪点、低对比、暗部糊、轻微顿挫 | 一半模型、一半后期      |
| UI | 时间戳、● REC、CAM 标签   | 100% 后期        |

判据有三条，任意一条都足以定案。

**字形**：片中"玄武门·门内甬道"这几个字，每一帧都完美，笔画没有一处粘连、没有一处错字。视频模型渲染中文小字必崩——会重复、会腐蚀、偏旁会自己长出来。能稳定写出这行字的，只有字体文件。

**位置**：UI 坐标逐帧不动，连底条宽度都不变。模型生成的"文字"会随画面轻微呼吸、抖动、明暗变化。

**可叠**：把同一套 UI 按同样位置压回原片，两层能严丝合缝对上。这说明它是烧进像素的固定图层，不是浮层，也不是模型画的。

顺带解释了另一个细节：为什么这条片子的中文这么整齐。因为那根本不是模型写的字。

这条经验可以推广：片名、字幕、监控 OSD、手机界面，都不该交给视频模型。模型的文本渲染到现在仍然是抽奖，而字体文件是确定的。

## 四、复刻：先写机位表，最后才碰模型

这一节的顺序和多数教程是反的。多数教程从提示词开始，我建议从机位表开始——**这条片子的信息量在"哪几个机位"，不在提示词上。** 提示词决定好不好看，机位表决定像不像监控。

**第 1 步：写机位表。** 3 到 6 个机位，每个只承担一个动作，名字用"地点 · 具体位置"的格式（`玄武门·门内甬道`比`场景2`强一百倍）。机位名本身就是叙事：观众读标签的时候，已经知道自己在哪。

**第 2 步：一张参考图锁场景。** 同一座城楼要在三个机位里出现，靠提示词是锁不住的。必须用同一张参考图喂给每一个镜头（图生视频）。公开复刻"司马光砸缸"的那位创作者也是这条路子：先做人物和庭院的参考图，再分段生成。

**第 3 步：分段，一段 5–8 秒，一段一个动作。** 那位创作者把砸缸拆成了"落水 → 想办法 → 砸缸 → 救人"四段，在 ComfyUI 里按段跑。玄武门这条 2 分钟，按 6–8 秒一段算，是 15 段上下——这是个工作量问题，不是技术问题。

下面这张表是我照着原片节奏排的骨架：机位标签和画面里的动作取自原片，时间码按 8 秒一格示意，不是原作者的脚本，但足够你照着排：

| # | 时间码      | 机位            | 画面里发生什么   | 提示词要点       |
| - | -------- | ------------- | --------- | ----------- |
| 1 | 05:47:13 | CAM 1 北门外     | 城门洞开，守军列队 | 远景人群，不给近景   |
| 2 | 05:47:29 | CAM 2 门内甬道    | 一队甲士穿门跑过  | 只留"跑"，不加拔刀  |
| 3 | 05:47:45 | CAM 1 北门外     | 骑手勒马停住    | 马与旗，无面部     |
| 4 | 05:48:01 | CAM 3 宫墙·临湖林道 | 队伍沿墙行进    | 尘土、柳枝摆动     |
| 5 | 05:48:17 | CAM 2 门内甬道    | 两名甲士扭打倒地  | 动作单一，机位再远一点 |
| 6 | 05:48:41 | CAM 4 太极宫·海池  | 甲士逼近湖边亭子  | 固定机位，水面反光   |
| 7 | 05:48:57 | CAM 5 太极宫·内庭  | 殿前跪伏、清场   | 人群跪姿，动作放慢   |
| 8 | 05:49:09 | CAM 1 北门外     | 空镜，只剩旗帜   | 结尾留空        |

排表时有个规律：**动作越激烈，机位越远。** 近景拍打架，模型的手会立刻崩；远景拍同一场架，你只会看到"一群人缠在一起"，而这正是监控拍到的样子。

**第 4 步：压 UI。** 下一节。

**第 5 步：声音。** 见第五节末尾。

首帧提示词（图片模型）：

```
黑白监控摄像头画面，固定机位，广角，略俯视，唐代城门内侧庭院：
石砖地、城楼、柳树、持戟卫兵列队。低对比、明显噪点、轻微运动模糊、
高光过曝、暗部糊成一片，720p 监控画质。人群在 20 米外，看不清面部。
无文字、无字幕、无水印。

```

视频提示词（图生视频）：

```
固定机位监控视角，镜头完全静止（locked-off surveillance camera, no pan,
no zoom, no dolly）。披甲士兵从城门两侧涌入，旗帜与长戟摆动，尘土扬起，
后方人群缓慢移动。监控自动曝光轻微闪烁，12fps 顿挫感，持续噪点与压缩块，
远景人物面部模糊。保持现有构图与机位，不出现现代物体。

```

负面词：`运镜、变焦、浅景深、电影感、清晰人脸、慢动作、字幕、现代建筑`。

中英各写一遍是有原因的：中文提示词在部分模型上理解偏弱，英文更稳；但"甲士、戟、甬道"这类词翻成英文容易失真。所以先用中文生成首帧图（国内图像模型对中式场景更好），再拿这张图去跑图生视频——图已经把手、脸、服饰定死了，视频那段提示词只需要管运动。

## 五、后期那一步：一条命令

这一段是全文唯一由我们自己跑出成片效果的部分。结论：不需要 PR、不需要 AE，一条 ffmpeg 命令就能把任何画面变成监控。

下面这张图是同一个画面的前后对比。上：清明上河图的城门段（公有领域）。下：同一条命令处理之后。

![监控画质感：原图与处理后的对比](https://www.hubwiz.com/blog/content/images/2026/11/fig1-800.jpg)

*上：原画。下：压暗、去色、加噪、降到低分辨率再拉回、叠 UI 之后。*

命令（Windows 11、ffmpeg 9.0.2 上跑通，输入换成你的视频即可）：

```bash
ffmpeg -y -i in.mp4 -vf "\
scale=640:360:flags=bilinear,scale=1280:720:flags=bicubic,\
format=gray,eq=contrast=1.3:brightness=-0.22,noise=alls=26:allf=t,gblur=sigma=0.6,\
vignette=PI/5,\
drawtext=fontfile='C\:/Windows/Fonts/consola.ttf':text='626年07月02日 05\:47\:13':fontcolor=white:fontsize=30:x=28:y=22:box=1:boxcolor=black@0.55:boxborderw=10,\
drawtext=fontfile='C\:/Windows/Fonts/consola.ttf':text='● REC':fontcolor=white:fontsize=30:x=w-tw-28:y=22:box=1:boxcolor=black@0.55:boxborderw=10,\
drawtext=fontfile='C\:/Windows/Fonts/msyh.ttc':text='CAM 1  玄武门 · 北门外':fontcolor=white:fontsize=30:x=28:y=h-64:box=1:boxcolor=black@0.5:boxborderw=10" \
-c:v libx264 -crf 23 -pix_fmt yuv420p out.mp4

```

五处参数决定"像不像"，按重要性排：

1. `scale=640:360` 再放大回 1280 —— 先降到低分辨率再拉回来，这一来一回把细节吃掉。比单纯加噪点更像老摄像机：噪点是叠上去的，模糊是"没有"的。
2. `eq=contrast=1.3:brightness=-0.22` —— 监控夜视是"暗部死黑、高光也糊"，不是干净的黑白。只去色不压暗，出来的是黑白电影，不是监控。
3. `noise=alls=26:allf=t` —— 其中的 `t` 让噪点逐帧变化。静态噪点一眼假，因为真实传感器的噪点永远在动。
4. `box=1:boxcolor=black@0.55` —— 底条。没有底条，白字压到亮部就直接消失；真实 OSD 都有这一层。
5. 字号 30，画布 720p —— 大约占画面高度的 1/24。真监控的字就这么小。字一大，立刻从"监控"变成"电影字幕"。

时间码要跟着走，把 `text` 里的时间换成 `%{eif\:t\:d}`（按秒递增），或者直接用 drawtext 自带的 `timecode=` 选项。多机位拼接时，**每段的起始时间码要接着上一段**——这条片子 116 秒走完 116 秒，中间没有跳，这就是可信度。

### 让几段"文件损坏"

原帖那句"关键的几段视频神秘消失"，做起来是四行命令：

```bash
ffmpeg -f lavfi -i "color=c=black:s=1280x720:d=4:r=24" -vf "\
noise=alls=40:allf=t,format=gray,\
drawtext=fontfile='C\:/Windows/Fonts/consola.ttf':text='SIGNAL LOST':fontcolor=0xCCCCCC:fontsize=44:x=(w-tw)/2:y=(h-th)/2,\
drawtext=fontfile='C\:/Windows/Fonts/consola.ttf':text='626年07月02日 05\:48\:37':fontcolor=white:fontsize=30:x=28:y=22:box=1:boxcolor=black@0.55:boxborderw=10" \
-c:v libx264 -crf 23 -pix_fmt yuv420p lost.mp4

```

四秒黑屏 + 逐帧噪点 + 一行 `SIGNAL LOST`，接在上一段后面，再把下一段的时间码往前跳 7 分钟。观众看到的是"录像缺了一段"，实际是你少生成了两段。这一条我们也跑了：

![SIGNAL LOST 帧](https://www.hubwiz.com/blog/content/images/2026/11/lost-800.jpg)

*黑屏 + 噪点 + 时间码。注意丢失帧上的时间码没有跳——跳档要放在它后面那一段的开头。*

**声音**：三轨叠。现场层（脚步、甲片、马蹄、远处人声）、设备层（底噪，-30dB 左右的白噪，加偶尔一声"咔"）、叙事层（可留白）。监控画面里的沉默是最假的——真实监控永远有电流声。

## 六、工具怎么选

| 档    | 做法                                                     | 适合        |
| ---- | ------------------------------------------------------ | --------- |
| 最可控  | 参考图 + 图生视频（海螺 / MiniMax H3、Seedance、可灵），平台或 ComfyUI 编排 | 要多机位、要一致  |
| 最省事  | Lovart 这类 agent：一段话出首帧，一段话出视频                          | 一条就走、不挑细节 |
| 原帖同款 | Muse（Meta 2026 年 9 月上线，个人 Agent，带视频生成，需海外区账号）          | 已经在用的人    |

三档的差别不在画质，在**你能不能指定机位**。监控风格对机位极度敏感：同一个场景，机位高 1 米、广角再多 5 度，"监控感"就没了。所以真要做系列，选第一档——它允许你把"固定机位"写进参数，而不是写进祈祷。

## 七、七个坑

1. **一段里塞两个动作必崩。** 走 + 拔刀 + 转身，只能留一个。剩下的用下一段接。
2. **换机位建筑会变。** 同一张参考图喂到底；变了就宁可重跑，别想着后期救。
3. **中文提示词别指望。** 首帧用中文图模型，视频段用英文。
4. **别给近景人脸。** 监控片里没有近景——这不是限制，是掩护。
5. **时间码要和片长对得上。** 差 3 秒没人看得出来，差 30 秒满屏穿帮。
6. **年号日期会被考据。** 626 年 7 月 2 日是对的（武德九年六月初四），写错就被人抓住，评论区第一条就是纠错。
7. **别让"像真的"变成"被当成真的"。** 标 AI 生成，别去水印。这条在微博上已经有人当真了。

### 出片前过五个检查

每段素材放进时间轴之前，按顺序看五处。这五处也是观众会下意识看的地方：

1. **时间码**：起止时间接得上吗？差 1–2 秒没事，差半分钟就穿帮。
2. **机位一致性**：同一座城楼在三个机位里，屋脊的方向对吗？
3. **手**：有没有近景？有就换远景，不要修。
4. **旗与戟**：长条物在移动中最容易变形，逐段看画面靠边的旗。
5. **人群**：有没有多出来的腿、突然消失的人。远景看不清细节，但"消失"看得清。

前两条是硬伤，后三条是概率。**硬伤必须重跑，概率可以靠剪辑盖。**

## 八、这类片子能干什么，边界在哪

它适合三种内容：历史科普（把"某年某月某日发生了什么"变成"从哪几个门进、谁先动手"）、案件式叙事（任何有时序 + 有空间的事件都能用机位重建）、需要"档案感"的广告与预告片（比搭实景便宜一个量级）。

边界也有三条，都是硬的：

**不要拍真人，不要拍在世的公众人物。** 假监控 + 真人 = 造谣，不是创作。

**不要做成能被当证据转发的形态。** 带台标、带真实门牌号、去掉 AI 标识，就越线了。平台对"伪造监控"的审核和真监控一样敏感。

**这个格式靠新鲜感续命。** 观众第一次被骗会转发，第三次就只剩"又是这个"。要续命，方向是往考据走——更准的服饰、更对的动线、更细的时间码——而不是往"更真"走。比"更真"，模型永远输给真实素材。

## 九、我们的整理

三条判据，跟视频模型没关系，跟信息设计有关系。

**先删，再加。** 把模型不擅长的东西从画面里删掉（细节、运镜、文字），再用后期补上"证据感"（时间码、机位号、噪点）。这条对任何"伪造某种介质"的玩法都成立：伪胶片、伪行车记录仪、伪直播截图，都是同一个公式。

**一个格式的可信度，来自它自带的限制。** 监控可信，是因为它画质差、机位固定、时间连续——不是因为它漂亮。找限制，比找模型有用。

**后期那层才是护城河。** 提示词人人能调，UI 那层的位置、字号、底条透明度、时间码节奏，是一帧一帧调出来的。原片里 `● REC` 和左下角 `CAM` 标签的底条宽度几乎一样，这种一致性，模型永远给不了。

来源：

- 原帖：@PixelAigc，2026-11-05，2:00，明示由 Muse 生成
- 复刻说明：@AXIS95277 长文（一段话出首帧、一段话出视频，Lovart）；@0xmomonifty（RunningHub + MiniMax H3，时间码用 VCR OSD Mono 字体后期压）
- 传播讨论：B 站 `BV1Je4P6SEo9`、`BV1UZ4i6WEy9`；抖音"当年司马光砸缸监控疑似泄露"
- 产品信息：Meta Muse 官方公告（2026-09）
- 封面与本文引用的原片画面：@PixelAigc 原帖（2026-11-05），仅用于评述该片，版权归原作者
- 对比图：清明上河图（公有领域）+ 本文命令合成

相关阅读：[多模态生成完全指南](https://www.hubwiz.com/blog/generative-media-stack/)；[AI 视频生成教程：让 coding agent 写代码出片](https://www.hubwiz.com/blog/video-as-code-coding-agents/)

本文由 汇智网 · Software 2.0 整理，转载请注明出处。

> **这是「多模态生成」专题的一部分。**完整地图见：[多模态生成完全指南](https://www.hubwiz.com/blog/generative-media-stack/)