AI 视频生成绕不过去的三个硬伤

AI 视频的演示片十五秒，一个镜头，光影漂亮，看完让人想立刻充值。自己上手，写了一段描述，生成八条五秒片段，剪进时间线，第三条里主角换了张脸，第五条背景里的招牌变成了乱码。这不是操作不熟，是当前这类模型的结构限制。下面把三个硬伤逐条拆开，说清它们各自卡在哪一环，以及在这些限制下哪些活能接、哪些接不住。

一致性：每个镜头都是重新画一遍

视频生成的基本单位是片段，模型生成每一段时，只看得到这段的提示词和少量参考条件。它没有上一段画面的记忆，也没有「这个角色是谁」的持久表示。所谓角色一致性，靠的是参考图、首帧或者专门训练的角色嵌入，这些手段都只能约束局部——参考图能定住脸型的大致轮廓，定不住发型在侧脸上的投影、衣服褶皱的位置。

结果就是换机位就换人。正面镜头和侧面镜头之间，颧骨高度、耳垂形状、眉毛粗细都可能变。观众说不清哪里不对，但会觉得「不是同一个人」。做单镜头短片没问题，做有连续叙事的片子就会露馅。

时长：误差在每一帧上累积

一段五秒、每秒二十四帧的视频是一百二十帧。生成过程里，每一帧都要和前后帧保持连贯，误差沿着时间轴传下去。前二十帧还稳，到第六十帧开始轻微形变，第一百帧人物手指粘连、背景物体漂移。片长越长，后半段越容易崩，这是累积效应，不是运气问题。

所以现在实际的做法是分段生成再拼。每段控制在五到十秒，用剪辑、转场、遮挡把接缝藏起来。这也解释了为什么成片里的镜头普遍偏短——不是审美选择，是技术约束倒推出来的剪辑习惯。

可控性：语言和画面之间没有一一对应

「镜头从左侧缓慢推近，人物低头，光线由暖转冷」这句话，人能想象出确定的画面，模型拿到的是几个语义标签的组合。它会照顾其中两三个，丢掉剩下的。描述越细，需要同时满足的约束越多，顾此失彼的概率越高。

运镜、动作幅度、情绪变化这三类尤其难。景别和机位还算好控制，因为训练数据里有大量对应样本；具体的动作路径——手抬到哪个高度、转身转多少度——几乎没有精确的控制信号。工作流因此变成抽卡：同一个提示词生成十次，挑一次能用的。

三个硬伤各自卡在哪一环

把制作流程拆成环节看，可替代程度差别很大：

最后一行最值得注意。批量生成的成本优势是真的，但筛片的人工成本经常被低估：生成一百条，能用的可能只有八条，筛这一百条花的时间不比拍八条少。

成本结构决定了工作方式

单次生成按秒计费，重试十次就是十倍成本。这让抽卡这个工作方式有了明确的经济含义：一条可用的五秒素材，实际成本约等于十次生成的价格加上筛片时间。做概念片时这个成本可以接受，做批量交付时就会吃掉利润。

算力是约束的另一端。生成一段视频要消耗多少算力直接决定分辨率、帧率和时长三者的取舍，多数产品在这三项上做的是互相挤压，不是同时提升。宣传里说「支持四 K 长视频」，通常意味着帧率或时长有一项被砍了。

现在适合交给它的三类活

空镜和氛围素材成功率高，因为它们不需要跨镜头一致，也不承载叙事。概念演示也合适：给客户看「大概是什么感觉」，看的是调性，不是细节。批量同类型画面——电商背景替换、短视频的口播垫片——出片速度是实打实的优势。

需要精确分镜、演员表演、品牌视觉统一的片子，现阶段还是实拍或传统动画更稳。把 AI 视频当素材补充，而不是整片生成，期待就对了。

它能出素材，出不了片子

它不理解叙事。一段片子为什么好看，靠的是节奏、信息释放顺序、情绪铺垫，这些是剪辑台上的判断，模型不参与。给它一段剧本，它能把每句话变成画面，变不出「这句该停两秒」。

它也不对画面里的内容负责。生成的招牌文字、仪表读数、产品外观，经常是似是而非的拼接，看着像那么回事，细看全是错的。用在正式物料上，这类细节需要逐帧检查，而生成内容看起来合理却不真实这件事，在视频里比在文字里更难发现。

多模态模型能同时处理画面、声音和文字，多模态能力到底覆盖了哪些组合决定了它现在能接住哪一段工序。目前接住的是画面生成，接不住的是成片判断——这一段的判断权还在人手里。

速查：三个硬伤的边界

• 一致性：单镜头可控，跨镜头角色必漂移
• 时长：五到十秒稳定，越长越容易崩在后半段
• 可控性：景别机位好说，动作路径靠抽卡
• 成本：重试十次就是十倍价格，筛片人工常被漏算
• 定位：素材补充，不是整片生成