文案怎么写,才会更有画面感,7个方法轻松搞定(二)

本文继续分享:文案怎么写,才能更有画面感?这里有7个方法(二)。
03
多用比喻
让文字更加具象生动

学会多举例多用比喻是个很好的文案习惯,它会让你和用户的 “说话” 更自然、更有趣。

比喻这种文字的具象化修辞手法,其实就是根据事物的相似点,用具体的、浅显的、 熟知的事物与道理,来说明或描述抽象的、深奥的、生疏的事物与道理。

恐怖小说之王史蒂芬·金就有说过:

比喻用到点子上带给我们的喜悦,好比在一群陌生人中遇到一位老朋友一般。将两件看似毫不相关的事物放在一起比较,有时可以让我们换一种全新的生动眼光来看待寻常旧事。

我们看一篇文案就像聊天说话,就怕陌生环境、气氛不好,对不对?也最怕空气突然安静…

而比喻带来的就像在一群陌生人中遇到一位老朋友,这是多么美好的一件事,带来的是惊喜。

另外,多用比喻也会加强文案的戏剧性,让文字显得更加生动具象,有画面感。戏剧性这种东西,不就是我们侃侃而谈时最爱的吗?

比如许舜英为台湾中兴百货写的经典文案,【森林篇/樱花篇】。
衣服是这个时代最后的美好环境
她觉得这个城市比想像中还要粗暴,
她觉得摔飞机的机率远远大于买到一双令人后悔的高跟鞋,
她觉得人生的脆弱不及于一枚A型流行感冒病毒,
她觉得爱人比不上一张床来得忠实……
不安的人们居住在各自的衣服里寻求仅存的保护与慰藉,
毕竟在世纪末恶劣的废墟里,
衣服会是这个时代最后的美好环境。

再比如印度文案大师Freddy Birdy的长文案 “孤独跟关节炎一样痛”,呼吁大家花一点时间陪伴老人。

就这一个比喻,足见功力。将孤独比喻为关节炎,这不是简单的修辞,而是深刻的洞察,对于老年群体来说,关节炎这种慢性病,不会致死但是会带来长久的折磨,但其实孤独也一样。

这就是精彩的比喻。

孤独跟关节炎一样痛露出笑脸会花掉你多少钱?半个小时。
三块自家做的蛋糕。自家采摘的花朵。
你男朋友的一张照片。一个长途电话。
模仿一下Dev Anand。
问一些问题。读一篇小说。听一个故事。
星期天早上出其不意的拜访。
遛狗。
换一个灯泡。讲一个黄色笑话。
征求一下他的建议。给他一些建议。
调情、闲聊、笑、聆听。你只要花一点儿时间陪陪老人就够了。
还有台湾奇美液晶电视的文案,把 “长大” 比喻成 “怪物”,角度很刁钻,但非常恰如其分。

世界上有一种专门拆散亲子关系的怪物,叫做“长大”。

04
多用细节描述
避免抽象模糊的文字

写文案就要多说细节,一堆抽象空洞的文字,只会让人看不进去,也不会产生画面的联想。

往往更具体细节的描述,比那些抽象、概括的描述,更能打动到人,因为细节产生画面嘛。

一堆模糊不清、抽象的信息很难让用户看进去,更别提建立清晰认知。而细节丰富的描述,能帮用户把内容具象化,产生画面感,更容易产生兴趣,被打动被卷入。

现在大多文案都同质化严重,说的东西可能都差不多,这个时候文案就更需要描述细节,这样才能够让你跟别人有所区别,打动人心的力量往往都在细节中。

抽象的文字千篇一律,文案的细节万里挑一。
就像揽客魔课堂之前推荐的舌尖上中国里的旁白文案:
稻花鱼去内脏,在灶上摆放整齐,用微弱的炭火熏烤一夜,现在需要借助空气和风的力量,风干与发酵,将共同制造出特殊的风味,糯米布满菌丝,霉菌产生的各种酶,使淀粉水解成糖,最终得到爽口的酸甜。

甜米混合盐和辣椒,一同塞进鱼腹中,稻花鱼可以直接吃,也适合蒸或油炸,不管用哪种做法,都盖不住腌鱼和糯米造就的迷人酸甜。

本来只是普通人家饭桌上一道常见的稻花鱼,在这里看来犹如山珍海味,要不是隔着屏幕恐怕都要扑上去了。

这样的文案没有笼统地说好吃,美味。而是把自己当做正在做菜或者品菜的人,把食材和环境调配起来,将眼睛、舌尖、耳朵、鼻子感受到的细节放大,调动消费者的味蕾,满脑子都是美食。

还有芝华士父亲节文案《因为我已经认识了你一生》,这一定是对生活场景细节的描述,调起无数人脑中的画面,才造就了这一经典。
因为我已经认识了你一生
因为一辆红色的RUDGE自行车曾经使我成为街上最幸福的男孩
因为你允许我在草坪上玩蟋蟀因为我们的房子里总是充满书和笑声
因为你付出无数个星期六的早晨来看一个小男孩玩橄榄球
因为你坐在桌前工作而我躺在床上睡觉的无数个夜晚
因为我知道你的皮夹中有一张褪了色的关于我获得奖学金的剪报
因为你总是让我把鞋跟擦得和鞋尖一样亮
因为你已经38次记住了我的生日,甚至比38次更多
……
因为今天是父亲节因为假如你不值得送CHIVAS REGAL这样的礼物还有谁值得

在写文案时,不妨也多思考如何更多的去描述细节,一定是要避免抽象模糊的东西,有细节一定要展示细节。

不过在此之前,你需要对描述的事物非常了解,需要学会洞察,观察积累生活中的细节。

比如要介绍产品,作为专业文案,不管别人有没有要求,你都要从头到尾的去了解产品,知道每一个细节,才能够真正把细节写到打动用户。

如果你对产品知之甚少,当然就写不出画面感文案,对产品没用心,文案怎么会走心!

你说不会洞察?那就去观察,观察生活中的细节,记录下每个精彩的瞬间。空想的细节没用,好的细节源自真实,源自对事物足够深入的了解。
这些内容是在“揽客魔课堂”里了解到的,如果觉得有帮助,欢迎分享给你的朋友,也许能帮到他们。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值