什么是时序一致性？前后帧不穿帮

用腾讯元宝生成一段 AI 视频，第一帧里的红围巾，到第十帧变成了粉色；人物的脸每隔几秒就悄悄换一副五官。这类「穿帮」的根源叫时序一致性问题：帧与帧之间没有稳住，画面各画各的。

它要稳住的到底是什么

一段视频里要跨帧稳定的东西很多：物体的位置和形状、颜色纹理、光照方向，还有人物的长相和衣着。单看任何一帧都挑不出毛病，连起来看就露馅——这说明模型会画，却没学会「记住」。时序一致性追求的就是这种记忆：第 N 帧画了什么、怎么动的，第 N+1 帧必须接着画，不能推倒重来。

类比：长卷轴接龙画，以及它失灵的地方

想象一幅长卷轴由多人接龙绘制，后一位只能看到前一位画的最后一小段，画风和细节难免走样。AI 视频的处境类似：模型在生成后一帧时，对前面内容的「记忆」是有限的，远处的细节可能已经模糊。类比失灵之处在于：接龙画师之间没有沟通，而模型可以把前帧信息作为条件喂进后续生成，技术上是能「串门」的，只是串多少、串多准，各家做法不同，效果差距也在这里拉开。

为什么每帧单独画就会穿帮

如果每帧独立生成，模型对「一只奔跑的狗」的理解带有随机性，这一帧的斑点在那一帧可能消失，这就是闪烁感的来源。改进思路是把帧串起来生成：让相邻帧共享信息、互相约束，运动才会平滑。你可以把它和单张图的去噪步数对照理解：图内是几十步逐步精修，帧间是额外的连贯约束，两层都要做好，片子才又稳又净。

穿帮常出现在哪，怎么缓解

高发场景有三个：快速运动（手一挥，手指数量就变了）、遮挡与重现（被柱子挡住的人再出来时换了表情）、长时间镜头（细节慢慢漂移）。缓解办法偏实用：让镜头短一点、动作慢一点、提示词里少安排剧烈变化；换支持更长时序建模的模型档位；后期再用插帧和修复类工具兜底。文字对画面的控制力来自提示词编码器，镜头节奏若提得太苛刻，模型只能顾一头。声音那头的连贯是另一个课题，延伸阅读见韵律与声学模型和声码器；语音识别里也有类似的对齐问题，见语音识别里的对齐。

再补一个常被忽略的因素：分辨率与一致性是连动的。分辨率拉高，单帧细节多了，但帧间要稳定的细节也多了，崩坏概率反而上升；许多工具默认先出低分辨率的稳版本，再走高分辨率的精修版本，就是这个道理。压缩和转码也会带来假性穿帮：上传时平台把视频压了一遍，帧间轻微的色块闪烁可能是压缩造成的，不是模型的锅。判别方法很简单，把同一段视频换平台或换码率再看一遍，闪烁还在才是真问题。养成先排除平台压缩的习惯，能少走很多弯路。最后记住优先级：先稳后清，先短后长，先静后动——一致性这条线，顺序对了才省力。

避穿帮清单

• 镜头宜短不宜长，动作宜慢不宜猛
• 少安排出画入画，遮挡重现易换脸
• 人物特写最挑模型，先测再批量
• 细微漂移后期修，大穿帮直接重生成

一句话带走：一致性是「画了要认账」，前帧立的规矩，后帧都得守。

聊聊时序一致性的常见疑问

• 它和画面清晰度是一回事吗？：分开看。单帧清晰是画质问题，帧间稳定才是一致性问题，两条线各自优化。
• 为什么人物越复杂越容易崩？：五官、发型、服饰都是跨帧要记的细节，记忆负担大，任何一处没接住就露馅。
• 加长视频时长难在哪？：误差会随帧数累积，越往后漂移越明显，需要分段生成加重连技术来兜住。