
去年还在讨论 AI 视频生成是不是噱头,今年它已经进了不少人的日常工作流。但真正用过的人会发现一个落差:宣传片里的效果和实际交付的效果,中间隔着一整套流程。这篇不聊模型参数,只聊它能干什么活、干不好的地方在哪、怎么把废片率压下来。
能直接用的场景
产品静物展示是最稳的一类。一个杯子、一双鞋、一个包装盒,镜头固定、光线可控、没有人物动作,这类需求的生成成功率相当高。你要的只是缓慢推近、轻微旋转这样的简单运镜,模型几乎不会出错。
口播视频的配图素材是第二类。做视频号或者短视频的人,很多时候找不到合适的背景画面,与其去素材库大海捞针,不如直接生成。这类素材往往只出现两三秒,观众根本来不及挑刺,能用就行。
短内容的过渡镜头也合适。两段实拍之间需要一个衔接画面,生成一个几秒的空镜,比硬切自然得多。这种镜头对细节要求最低,是性价比最高的用法。
概念演示和方案说明是第四类。给客户讲一个还没实现的产品,用生成的画面比画示意图直观。这类场景观众知道它是示意,不会拿真实标准去衡量。
还有一类容易被忽略:图文内容里的动图封面。公众号、小红书开始支持动态封面后,用 AI 生成一段三秒的循环画面,比静态图点击率高不少。
效果不稳的地方
多镜头叙事是最大的坑。你希望一个角色从门口走到桌前坐下,分成五个镜头生成,结果每一段的衣服颜色、发型、脸型都变了。这不是参数调得不对,是目前模型缺乏跨镜头的记忆能力。
复杂动作和交互更容易崩。两个人握手、递东西、拥抱这类需要肢体精确接触的动作,生成出来经常是手指融合、手臂穿模。人眼对这类错误极度敏感,一看就觉得假。
长时间连续镜头会出现漂移。生成十秒以上的画面,后半段的光线、色调、背景细节会和开头不一致,像换了场地。超过八秒基本都要慎用。
需要精确文字的画面几乎不能用。招牌上的店名、包装上的品牌、屏幕里的界面文字,生成出来都是鬼画符。要带文字的画面,还是后期合成更靠谱。
还有一类隐性失败:画面里出现多余的人或物。你只想要一个空荡的走廊,结果莫名多出半个人影。这类问题只能靠多生成几次挑,没有根治办法。
一致性怎么控制
第一条是固定角色参考图。现在主流工具都支持传参考图,把同一个角色的正面、侧面、全身各一张固定下来,每次生成都带上。这一步能明显改善脸型和服装的一致性。
第二条是镜头拆短。不要指望一段生成十秒,把每个镜头压到两到四秒,剪在一起反而更流畅。短镜头还有个好处,废片率低,重生成的成本也低。
第三条是同一场景统一提示词。同一个房间的戏,风格描述、光线描述、镜头语言要完全照抄,只改动作部分。描述一换,模型就当成新场景重新理解。
第四条是靠后期弥补。调色、加颗粒、统一锐度,这些处理能让不同批次的镜头看起来像同一天拍摄的。很多成片的一致性,是剪辑台上救回来的,不是生成时保证的。
如果项目对一致性要求极高,还有个土办法:先做一个角色设定图,把它当素材反复喂,宁可牺牲一点画面新鲜度,也要保住人物统一。
成本与工期
单价上看,生成确实比实拍便宜。一个产品展示镜头,实拍要租场地、请摄影师、布光、后期,一套下来几千块。生成可能只要几十块,还不用协调时间。
但试错次数要算进去。一次能用的概率通常在一半以下,复杂场景更低。你实际要生成的数量是成片的三到五倍,成本要按这个倍数估。
后期工作量不减反增。生成的素材往往需要修补、抠像、稳定、调色,剪辑师花的时间不比实拍少。很多人预算时漏了这一块,最后发现总成本没省多少。
紧急需求还是实拍更稳。明天要交片,今天开始生成,碰上模型抽风,一夜过去可能一条可用的都没有。时间紧、要求高的活,别赌生成。
工期上有个经验值:一条三十秒的短片,从分镜到成片,纯生成路线大概要三到五天,其中一半时间在挑选和重生成。实拍路线两到三天,但需要提前协调资源。
实用建议
先做分镜再动手。把每个镜头写清楚:画面内容、镜头运动、时长、景别。有了分镜表,生成才有目标,否则就是碰运气。
把能用的片段存成素材库。今天生成的一段雨夜街景,下个月的项目可能还用得上。分类存好、打好标签,复用率能到三成以上。
不要指望一次生成直接成片。把它当成素材生产线,你出的是原料,剪辑才是组装。心态摆正了,废片就不会让人焦虑。
对外发布前必须逐帧检查。手指数量、眼睛对称、背景文字、物体边缘,这几处是畸形高发区。手机小屏上看不出来,投到电脑上就原形毕露。
最后一句:工具的价值在于解决具体问题,不在于显得先进。你需要的是三十秒的产品视频,那就老老实实做三十秒的产品视频,别为了炫技去做大片,那个方向目前还轮不到小团队。
