Coze工作流批量生成AI美食视频：从节点配置到稳定出片的完整实践

简介：面向短视频创作者、AI视频生成爱好者与自媒体运营人员的一份可运行源码包，围绕Coze工作流打造AI美食视频。资源在工作流中内置从食物名称到高质量文生视频提示词的生成链路，用户只需输入食材或菜名，即可调用文生视频模型产出具吸引力的美食片段，降低视频制作门槛，同时兼顾流量与变现需求。压缩包共3个文件，包含inscode项目配置、HTML页面与gitignore文件，整体仅8KB，结构轻量，适合直接在Coze平台导入、阅读与二次修改。目前已有1385人学习下载。源码外还凝练了作者的实操经验：对比豆包、Running Hub、Veo3三种视频生成方式的优缺点，分析模型选择逻辑；拆解如何优化提示词以传递美食的“色香味”，并通过特殊效果增强观众的感官体验；同时补充短视频运营策略，帮助作品在海量内容中脱颖而出。无论零基础入门还是进阶调优，都能从中获得可复用的工作流设计思路与落地技巧。 做短视频的朋友看到这个标题应该很难忍住不点进来。用Coze工作流批量生成AI美食视频，本质上就是把“策划-写稿-配图-配音-合成”这一整套内容生产链路，全部塞进一条自动化流水线里。我花了将近两周把这个工作流从零跑通，中间推翻过三次设计方案，最后沉淀出一套稳定出片的方案。这篇就专门讲这套工作流的搭建思路、节点配置、提示词模板，以及那些文档里根本不会告诉你的坑。无论你是想批量做短视频素材，还是单纯想研究Coze工作流怎么串联图像和视频能力，这份经验都可以直接参考。

1. 先搞清楚一件事：为什么用Coze做AI美食视频

1.1 AI美食视频的核心链路拆解

很多人一听到“AI美食视频”，第一反应是让AI直接生成一整段视频。但说实话，目前主流平台都没这么干的，或者至少做出来的东西没法商用。实际成熟的做法是把视频拆开：先让大模型写一段60到90秒的口播文案，再把文案按镜头切分成几个片段，每个片段生成一张图片，最后用文生视频模型把静态图变成动态镜头，配上语音和字幕输出成片。Coze工作流要干的事，就是把这条链路做成自动化的。

为什么必须拆开做？因为一段高质量美食短视频，信息层次其实是分开的：文案负责节奏和情绪，画面负责视觉冲击，配音负责把两者粘起来。如果试图让AI一次性生成，这几层质量都会崩掉。拆开之后，每层都能用最擅长的模型，而且单点可替换——今天用A公司的图片模型，明天换B公司的TTS，整体架构不用动。这一点在你后面做批量生产时尤其重要，模型的更新迭代速度太快了，绑定太死容易被反噬。

1.2 对比几类方案：Coze的优势和短板

做这种自动生成视频，市面上其实有几条路：本地ComfyUI流程图、Dify、n8n、Coze扣子。很多朋友会纠结选哪个，我自己的切身体会是这样的：

我最后把方案落在Coze上，核心原因就两个：一是它把最痛苦的多模态集成做成了内置插件，图像生成、文生视频、语音合成都是拖个节点就能用；二是工作流支持导出JSON，也就是标题里说的“源码”，不仅自己可以备份复用，还能分享给其他人一键导入。这个特性对做模板分发的人来说太重要了。

当然Coze也不是没有短板。因为节点封装得比较深，部分高级参数暴露得不够，比如有些图片模型的底层采样参数在界面上看不到。遇到这种情况，我的做法是加一个代码节点，在中间层直接调API，把控制权抢回来。这招后面会详细讲。

2. 工作流整体设计与节点规划

2.1 8个核心节点，一条流水线

我先给整体骨架：开始节点→大模型节点（写文案）→代码节点（清洗和分镜）→图像生成节点（多张配图）→文生视频节点（多段动态镜头）→文本转语音节点→视频拼接/字幕节点→输出节点。表面上是8个节点，真正决定成败的其实在“分镜”和“拼接”这两步，因为模型之间的输入输出格式差异非常大，必须有人（或代码）在中间做翻译。

我第一次搭建时犯过一个典型错误：直接把大模型的输出接到图片生成节点，结果模型返回的是一整段带标点的文案，图片节点完全不知道该怎么处理。后面我在大模型和图像生成之间加了一个代码节点，把文案解析成结构化JSON，每个镜头包含编号、时长、旁白、画面描述、景别、运镜方式六个字段，后面的节点只认这个结构。这一步做完，整个工作流的稳定性一下就上来了。

关于知识库，我想多说一句：很多人一看到工作流就想往里塞知识库，觉得有知识库显得智能。但美食视频的文案核心是“节奏感”和“食欲感”，属于创意生成，不是知识问答。塞入知识库反而会让模型被资料束缚，写出来的文案又长又平，读起来像菜谱说明书。所以我的方案里，文案完全靠提示词约束，不用知识库。

2.2 为什么把文案和脚本放在第一步

先有文案再出图、再配音，这个顺序几乎不能反。因为美食视频的镜头语言、素材数量、TTS时长都是由文案决定的。比如“一口脆皮鸡咬下去咔嚓一声”，要配一个特写镜头，如果你先出图再写文案，镜头数量根本对不上。

正确的做法是：大模型先把文案写好，同时输出镜头表。镜头表的字段我在前面提过：编号、时长、旁白文本、画面描述、景别、运镜方式。这里的“时长”非常关键，它会在后面指导两个地方：一是图像生成节点决定生成几张图，二是TTS节点决定每段配音的大致长度。整条流水线都围绕着镜头表转。

这里分享一个经验：在代码节点里做一次强校验，只保留镜头表需要的字段，其余信息全部丢掉。因为大模型经常会在输出里带一些无关内容，比如“以下是您的脚本”这种废话。第一次跑通工作流时，我遇到过模型没有输出镜头表，而是一段花哨的介绍，导致后面根本没有画面可用的情况。加一个严格的解析函数，不合格就报错重跑，能省很多排查时间。

3. 手把手搭建：从空白工作流到能出片

3.1 创建项目与基础配置

进入Coze控制台，新建一个“工作流”类型的项目，注意不是Bot。这里非常容易搞混，Bot偏对话交互，Workflow偏批处理流水线，做美食视频工具，起点一定是Workflow。

然后在开始节点配置四个输入字段：菜名、风格、时长、画幅比例。这四个字段会贯穿后面所有节点。比如菜名是“红烧肉”，风格是“深夜食堂暖色调”，时长是60秒，画幅比例是9:16，整个工作流就会按照这组参数去生成对应内容。我建议画幅比例直接用下拉枚举：1:1、16:9、9:16，避免用户手输非法值。

3.2 文案节点：让模型扮演“美食编导”

画布上新增大模型节点，我选的模型是支持长上下文的那种，重点在提示词要写得像角色设定，而不是命令。我的完整提示词模板放在下一节，这里先说参数感受：温度设置在0.7到0.8之间，太高容易话痨，写出来一堆形容词；太低写出来像说明书，没有任何食欲感。最大回复长度要足够容纳60到90秒口播稿和镜头表，建议1024 token以上，否则输出会被截断。

还有一个细节：系统性提示词里要明确告诉模型“你是一名有10年经验的美食短视频编导”，而不是“请写一段美食视频脚本”。角色设定能显著影响输出风格，这在做AI内容时是一条通用规律。另外我要求模型按“分镜表格”输出Markdown格式，因为Markdown在代码节点里用正则解析非常稳定。

3.3 翻译与图片节点：让画面跟上文案

图像生成模型对中文场景的理解远不如英文，这是我踩过的一个比较深的坑。最初我直接在提示词里写“中式早餐，热气腾腾，特写”，结果画面经常出现诡异文字和错误餐具。后来我养成了一个习惯：所有提交给图像生成模型的提示词全部用英文，但不是手工翻译，而是加一个翻译节点，让大模型在把镜头表里的画面描述翻译成英文后再交给图片节点。

这一步看起来多此一举，但对画面稳定性的提升非常显著。翻译节点的大模型参数可以按默认来，温度调低到0.3，避免翻译过程自由发挥。翻译完的英文描述要遵循固定模板：主体+环境+光线+镜头语言+风格关键词。

图像生成参数方面，图片比例要和视频最终输出比例一致，比如最终是9:16竖屏，图片就生成9:16，否则后续做视频时不是被裁切就是被拉伸。风格我一般设置为“美食摄影/Food Photography”，同时把提示词里的“食欲感”“热气”“光泽”这类关键词加上。这里有一个关键参数：种子值。如果希望多段镜头风格统一，需要固定seed，或者干脆把第一张图的seed传给后续节点，批量生产时这个细节直接决定视频质量是否“像同一个摄影师拍的”。

3.4 文本转语音与字幕：配音和文本同步

文本转语音节点我用的TTS支持中文和多种音色，选音色时优先选“温暖”“叙述感”的，美食视频不适合机械感太强的声音。很多人忽略一个细节：字幕不是翻译整段文案，而是应该使用“单镜头的旁白文本”。因为工作流里生成的每个视频片段都是独立的，字幕要和片段对齐，如果直接拿整段文案做字幕，拼接时会出现字幕提前或延后的大问题。

所以这里我的流程是：从镜头表里取出旁白文本，转成语音，同时生成对应的字幕文件。字幕这一步可以用代码节点做，把“镜头文本+时间码”拼成SRT格式。这样每个视频片段自带一段字幕，最后拼接时自然对齐。

3.5 视频合成与导出：最后一公里

视频生成节点理论上有很多选择，我这套工作流里选的是文生视频模型，输入是图片加镜头描述。注意：这类模型的输入是一张静态图，它是在图上加动态效果，不是从零生成视频。所以前面图片节点的稳定性直接决定视频成败。图片花，视频一定花。镜头描述我同样用英文，和图片提示词保持同一套风格关键词，这样生成出来的动态效果才会延续画面风格。

生成完多段视频片段后，下一步是拼接。Coze生态里有视频处理插件，也可以用代码节点调用视频处理API。拼接时我会做一个细节处理：每个片段之间加入0.3秒的淡入淡出过渡，避免硬切带来的廉价感。最终输出一个MP4文件，后面再按需加BGM和片尾。

3.6 工作流JSON片段参考

下面这段是工作流导出JSON里最核心的节点配置，我用它做示例。创建时可以直接在Coze界面配置，也可以导入类似结构后修改：

{ "start": { "params": ["dish_name", "style", "duration", "aspect_ratio"] }, "script_node": { "type": "large_language_model", "model": "max", "temperature": 0.75, "max_tokens": 2048, "prompt_template": "novel_food_script_template_v3" }, "parse_node": { "type": "code", "language": "python", "operation": "parse_markdown_table_to_json" }, "translate_node": { "type": "large_language_model", "temperature": 0.3, "operation": "translate_scene_desc_to_en" }, "image_node": { "type": "image_generation", "prompt": "{{translate_node.output}}", "image_size": "960x1707", "style": "food_photography", "seed": "{{parse_node.seed}}" }, "video_node": { "type": "image_to_video", "image_input": "{{image_node.output}}", "motion_prompt": "{{translate_node.output}}" }, "tts_node": { "type": "text_to_speech", "voice": "warm_male_v2", "text": "{{parse_node.narration}}" }, "merge_node": { "type": "video_merge", "fade": 0.3, "subtitle": "auto_generate_srt" } }

不是所有参数都要照抄，平台模型更新很快，重点是理解节点之间的数据流：开始节点传递参数给大模型，大模型输出经代码解析后成为结构化的镜头表，镜头表再分流给图片、视频、TTS三个节点，最后汇总到合并节点。

4. 提示词模板与批量生产的细节

4.1 中文文案提示词模板

下面这份是我实测下来比较稳定的模板，可以直接复制到文案节点里：

你是一名有10年经验的美食短视频编导，擅长用口语化、有食欲感的方式介绍一道菜。 请根据以下信息，生成一条【{duration}秒】的短视频脚本。 菜名：{dish_name} 风格：{style} 画幅比例：{aspect_ratio} 要求： 1. 脚本分为3-5个镜头，每个镜头15-30秒，总时长控制在{duration}秒左右。 2. 语言口语化，避免书面语，多用短句，让观众听一遍就能记住。 3. 文案必须突出“视觉+味觉”双重刺激，适当使用拟声词。 4. 输出格式为Markdown表格，包含列：镜头编号、时长、旁白文本、画面描述、景别、运镜方式。 5. 画面描述必须具体，包含食材、颜色、光线、动作，可被直接翻译成英文绘图提示词。

你可以看到我把“菜名、风格、时长、画幅比例”四个参数全部做了变量化。这样做的好处是，后面在Coze里跑批处理时，只需要换一组参数，就能生成完全不同的视频，不用改任何节点逻辑。

4.2 英文绘图提示词模板

翻译节点拿到中文画面描述后，我给它一段固定的英文模板，确保每次翻译格式统一：

Translate the following Chinese food scene description into an English image prompt. The output should follow this structure: [subject], [environment], [lighting], [camera language], [style keywords] Rules: - Use professional food photography vocabulary. - Always add keywords: "appetizing, fresh ingredients, rich texture, shallow depth of field, professional food photography". - If the description mentions steam, add "steam rising, soft warm light". - Keep the output under 50 words. Chinese description: {scene_description}

这套模板跑出来的英文提示词，图片模型理解得非常好。核心技巧是“结构化+固定关键词”，而不是让模型自由发挥翻译。自由发挥的翻译经常会丢掉关键信息，比如“热气腾腾”被翻成“hot”之后，图片里就完全没有蒸汽效果了。

4.3 批量生产的小技巧：变量化加缓存

批量生产时，我习惯把菜名和风格做成两个变量集，例如一次跑10条视频：红烧肉/深夜食堂、糖醋排骨/日式暖光、麻婆豆腐/川菜馆烟火气……然后用批处理方式跑多组参数。建议一次生成不超过10组，因为文生视频和图片生成都比较消耗额度，账单一上来容易失控。

另一个很重要的技巧是缓存。如果只是改了配音音色，千万不要从头把所有节点重跑一遍。Coze工作流的中间产物可以缓存，只重跑TTS相关节点，图片和视频完全不需要重新生成。我一开始不知道这个机制，为了换一个音色，整套流程重跑了三遍，白白烧掉大量额度。先查缓存，再决定重跑范围，这是成本控制的基本功。

5. 常见问题与排查技巧实录

5.1 画面风格漂移怎么办

有段时间我跑出来的视频，第1个镜头是暖黄色调，第3个镜头突然变成冷色调，同一道菜，看起来像两个摄影师拍的。排查了半天，问题出在图片生成节点每次调用API时没有固定种子，即使提示词相同，结果也会有随机差异。

解决方案分两步：第一，图片生成节点固定seed值，这段视频跑批时，所有镜头的seed都从第一个镜头的seed继承；第二，在英文绘图提示词里统一颜色基调，比如始终加“warm color tone”“golden light”，这样即使seed有一点随机性，整体风格也不会跑偏。

5.2 配音和画面不同步

这个问题的根源不在Coze，而在“文案预定时长”和“TTS实际时长”的不一致。你按15秒设计了一个镜头，结果TTS朗读出来用了20秒，画面就不够用了。

我的处理方法是：后处理阶段以音频时长为基准，视频片段允许比音频短一点，但绝对不能反过来。简单说就是片段宁可多余，不可不够。具体操作时，我会把每个镜头的视频片段生成时长设定为镜头表时长的1.1倍，留出10%的余量，后续拼接时再按音频实际时长裁剪。如果音频比预期长太多，就分段调节播放速度，控制在1.0到1.1倍速之间，人耳几乎听不出差别。

5.3 运行报错和成本失控

工作流跑不通，80%是节点之间输入输出格式不匹配。最经典的报错是图片节点要URL，但上一个节点返回的是base64，或者视频节点要图片列表，你传了一张图片字符串。这种问题没有捷径，只能顺着节点链路逐个检查数据类型。我自己的排查习惯是：先跑一条最简流程，确认每个节点的输出格式，再逐步加复杂逻辑。

成本失控是新手最难受的问题。我的建议是：先用免费额度把完整流程跑通，再开付费；批量生产之前，先手动跑一条完整视频，记录总消耗，再乘以批量数量，预估本次总成本。另外，在Coze里可以设置单次运行上限，超过就自动停止，这是保护钱包的最后一道防线。

最后再分享一个小技巧：工作流导出JSON后，记得把提示词模板也单独存一份。模型更新后，有时候同样的提示词效果会变差，这时候模板能帮你快速定位是哪个环节出了问题。我做这套工作流最大的感受是：AI视频生产不是单个模型多强，而是整条流水线能不能稳定跑起来。先把节点逻辑捋顺，再去追新模型，千万别反着来。

本文还有配套的精品资源，点击获取