AI 进影视制作：哪几个环节真能用，哪两处必须人来

剪辑师老周接了一部网剧的后期，进组第一天就在素材库里看到一个新建文件夹，名字叫「AI 预处理」：按场次切好的粗剪、带时间码的台词文本、几条备选配乐。AI 渗进影视制作的方式大多如此——片头不署名，片尾字幕里却悄悄多出几个新职位。这篇讲三件事：哪些环节真的省了人力，哪些只是演示好看，以及哪两处判断至今仍只能由人来做。

先被改的是素材整理，不是拍摄现场

一部剧的流程大致分四段：开发、拍摄、后期、交付。AI 的落点集中在两头，中间那段拍摄反而变化最小。原因不复杂：拍摄现场的成本主要是人和场地的时间，机器替代不了现场调度；而开发和后期有大量「把已有素材重新组织一遍」的工作，这恰好是模型擅长的部分。

素材整理是最容易被忽略的一环。一场戏拍八条，副导演靠场记单和记忆标注哪条能用。自动语音识别把全部对话转成可检索文本之后，剪辑师搜一句台词就能定位到第几条第几分钟。省下的不是创作时间，是翻找时间。

五个环节，界线各不相同

把流程摊开看，每个环节能交给工具的部分和必须留下的部分，差别比想象中大：

第三列的共同点是「后果由谁承担」。抠掉一根穿帮的电线，做坏了重做一遍就行；换掉一张脸，出问题就落到授权、署名和行业规则上。前者可以交给工具，后者必须有具体的人签字。

后期先变，因为它的成本结构最像流水线

后期被改得快，是因为它由大量可拆分的重复动作组成：对齐、切片、贴字幕、去杂物、对轨。这类动作有明确的对错标准，做完立刻能看出对不对，正好适合模型接手。相比之下，剧本会上的争论没有标准答案，谁也没法判断「这个结局更好」是不是真的更好。

配音和字幕是收益最直接的一块。一部剧要做五种语言版本，过去要请五组配音演员、五套字幕团队；现在先用语音合成出一版参考音轨，让译制方在时间轴上改，人力集中在「这句话翻过去还成不成立」这个判断上。省的是录制轮次，不是译者的判断。

长片里最难的是「一直是同一个人」

短片能靠一次生成蒙混过去，长片不行。角色在第四十分钟的侧脸要和第十二分钟对得上，衣服的磨损程度要随剧情推进，同一间屋子在不同场次里的光位不能跳。模型每次生成都是独立的一次推断，没有「记得上一场长什么样」的机制，于是出现了观众常说的那种别扭：五官轮廓在镜头切换时轻微漂移。

行业里常见的补法是建角色资产：把定妆照、多角度参考、光照条件固定下来，每次生成都带着这套参考走。这能压住大部分漂移，代价是前期多一轮资产准备，角色造型一改，整套资产要重做。所以现阶段它更适合承担不需要连续性的镜头——空镜、远景、概念预演、闪回。

署名、分成、授权，这些不归工具管

技术上能做到的事，行业里未必允许做。用演员的肖像做数字替身、用已故演员的声音补台词、拿在映影片的片段训练模型，这三件事在技术层面都成立，在授权层面各有各的麻烦。训练数据从哪来、演员形象能商用多久、声音算不算可授权的人格要素，答案写在合同和工会条款里，不写在模型里。

还有一层是能力本身的天花板。模型不知道这场戏为什么必须这样剪，因为它没看过整部片子的情绪曲线；它也判断不了某个镜头「差一点」差在哪里，那种判断来自看过的片子和剪废的版本。换脸涉及的人格权与内容合规，在模型行为与人类意图对齐的讨论里属于最敏感的一类，多数制作方现在的做法是能不碰就不碰。

判断标准：它在替代岗位，还是在加速环节

看一个环节有没有真用上 AI，有个简单的分辨法：这个环节的人是变少了，还是同样的人做得更多了。目前多数情况是后者——剪辑师没减少，但一周能出的粗剪从一条变成三条；字幕组没解散，但交付周期从十天压到三天。岗位消失通常发生在输入输出都标准化、且有大量历史样本的位置，比如初版字幕、批量抠像、素材打标。

对观众来说，这个区别体现在两处：片尾字幕的职位名称，和成片的质感。前者多出「AI 生成」「数据标注」这类岗位，说明流程真的改了；后者如果出现镜头间细微的不连续、口型对不上的瞬间，说明某个环节省掉了人的复核。本文只做流程变化的观察，不评价任何具体作品或工具。

速查：一个环节能不能交给 AI

• 有明确对错标准、能立刻验证结果的，可以交
• 需要跨镜头一致的（角色、场景、光位），人要做资产和复核
• 涉及肖像、声音、训练数据来源的，先看授权再看技术
• 要判断「值不值得」「差在哪」的，工具给不出答案
• 看岗位是消失还是产出变多，比看演示片可靠