AI 视频的一致性：三个关键检查点

一条十五秒的产品短片，前五秒人物还是同一个人，第八秒下颌线变了，第十二秒背景里的窗框歪了。单独看每一帧都不算错，连起来看却像换了个演员。做 AI 视频的人大多经历过这一刻：出图阶段挑不出毛病，一动起来全露出来。

一致性不是画质问题，是跨帧的身份守恒。下面三个检查点按崩坏出现的频率排，每个都给出观察方法和补救位置，最后说清楚它在哪些情况下根本救不回来。

崩坏几乎总发生在这三处

人物、场景、影调，稳定难度依次下降，对观感的破坏程度依次上升。人物漂移最容易被观众察觉，因为人对脸部的细微差异极度敏感；场景变形次之，多出现在镜头运动或视角切换时；影调不统一最隐蔽，单看每段都成立，连着看才觉得不像同一支片子。

分开检查是因为成因不同，补救手段也不同。混在一起看，只能得出这段不太行的模糊判断，改的时候无从下手。视频生成属于多模态输出的范畴，画面、运动、时序要同时成立，任何一维松动都会在时间轴上放大，多模态模型怎么同时处理画面与时间那篇有更基础的拆解。

三个检查点，各自的崩坏形态

四列里最该记住的是最后一列。人物和场景一旦跑偏，只能重生成；影调是唯一能在后期统一的部分。检查顺序因此要反过来：先把前两项在生成前锁死，把影调留给后期。

漂移的根源：每一帧都在重新猜

多数视频模型把时间轴切成若干片段分别生成，再拼起来。片段之间没有共享记忆，模型只能靠提示词和参考图推断上一段那个人长什么样。推断就有误差，误差累积到某个点，脸就变了。

这也解释了长镜头为什么更容易崩：片段越多，要跨越的接缝越多，每次推断都在重新采样。缩短单段时长，本质是减少推断次数。提示词在这里的作用被高估也被低估——它锁不住像素，但能锁住不变项，把发型、服装、年龄段、镜头焦段写成固定句反复出现，比每段换一种说法有效得多，具体怎么写可以看提示词到底在控制什么。

参考图锁得住外观，锁不住运动

参考图能明显提高人物相似度，但它给的是静态外观的先验，不是动作的连续性。给它一张正面照，模型知道这个人长什么样，不知道这个人走路时肩膀怎么摆。于是常见的情况是：脸稳了，动作开始飘，手部结构在快速运动时变形。

训练素材的分布也在这里起作用。模型见过大量什么样的画面，就倾向于生成什么样的运动；训练数据里缺少的姿势和视角，它只能外推，外推的结果通常看着合理却经不起逐帧看。这条背景在训练数据怎么决定模型能力里讲过。

拆短之后，问题挪到了接缝

把长镜头拆成短片段，一致性会明显改善，代价是接缝变多。接缝处常见三种断裂：运动方向不接，上一段向右推，下一段从静止开始；光线不接，同一场景两段色温不同；构图不接，主体位置跳变。

处理办法是在拆的时候就设计好接缝：让每段首帧和上一段末帧在构图上接近，运动方向连续，光位一致。剪辑时优先用动作遮挡、快速摇镜、切到特写来藏接缝，比硬拼自然得多。这一步属于流程设计，跟模型强弱关系不大。

交付前抽帧看一眼

不需要逐帧检查，抽三类帧就够：每段的首帧和末帧，用来看接缝；主体转身或靠近镜头的帧，用来看身份；全片任意三个相隔较远的帧并排看，用来看影调。三组放在一起，问题基本藏不住。

速查：交付前的四项核对

• 每段首尾帧并排看，接缝处的构图与光位是否连续
• 挑三处主体转身或推近的帧，确认五官比例没有跳变
• 全片隔段抽帧比色温，别只看单段
• 分镜表把发型、服装、镜头焦段写成固定句，每段重复

这几项加起来花不了十分钟，能省掉一次整段重生成。至于什么时候值得重生成、什么时候接受瑕疵，取决于这支片子给谁看——内部评审能过的东西，投到投放位上往往过不了。