很多人第一次做多模态，会在同一次对话里又出图、又改文案、又配旁白，结果一改全乱。更稳的做法是当成流水线。
建议拆法
- 意图与风格：先定受众、渠道（海报 / 短视频 / PPT）、禁忌（品牌色、禁用词）。
- 文本主干：标题、副标题、三句卖点，确认后再进视觉。
- 视觉：同一提示词多版本出图，固定随机种子（若工具支持）便于微调。
- 音频/口播：按定稿脚本录制或 TTS，避免边写边改导致时长对不齐。
为什么要留中间文件
每一步导出可版本化的产物（md、png、srt），回滚时不用从头口述。团队协作时，评审也能对齐「到底哪一版在改」。
多模态工具更新快，流程比单点技巧更保值。