AI 文生视频最难的不是画出漂亮的一帧，而是让几百帧互相认识。专门负责这件事的部件，习惯上叫时间层。即梦AI 生成的短片之所以动作连贯，秘密就在帧间关系的建模上。本篇讲通用机制，具体实现以各家技术报告为准。
先把结论放前面：评价文生视频模型，连贯性比单帧画质更能区分高下。画质差可以靠后期救，帧间崩了没法剪。
帧间关系难在哪
图像模型处理的是空间：上下左右的关系。视频多了一个维度：时间。前一帧的手在这，后一帧该在哪？物体被遮挡再出现，样子还能对上吗？这些跨帧的一致性问题，空间结构再好的图像模型也答不了，必须专门建模。
一个直观的自检办法：把生成结果逐帧抽出来排开看，帧内都漂亮但排在一起「人漂了」，问题一定在时间层而不在图像层。
类比：图像模型像给每页连环画单独作画，时间层是让画师记得前一页画了什么。
人类剪辑追求的「动接动」，时间层做的事本质相同：让相邻画面共享运动状态，而不是各自为政。
时间层的三种搭法
常见思路有三类。一是逐帧加时序连接，让相邻帧的特征互相对照，简单但长视频容易漂移；二是把多帧摞在一起统一处理，信息贯通但算力开销大；三是借助压缩表示，把时间信息折进低维空间再展开，平衡质量与成本。三条路线对应不同的算力预算。
| 搭法 | 具体做法 | 代价 |
|---|---|---|
| 逐帧加时序连接 | 让相邻帧的特征互相对照 | 简单，但长视频容易漂移 |
| 多帧统一处理 | 把多帧摞在一起统一处理 | 信息贯通，算力开销大 |
| 压缩表示 | 时间信息折进低维空间再展开 | 平衡质量与成本 |
类比失效处：画师靠记忆，时间层靠数据——训练里见过足够多的运动样本，才「记得住」物体怎么动。
一致性是怎么守住的
一致性包括三方面：外观一致（角色衣服不换色）、运动一致（轨迹符合常识）、节奏一致（速度不忽快忽慢）。时间层通过跨帧信息交换守住这三条。抖动、闪帧、物体变形，多半是帧间信息交换不充分的表现。
逐个说：抖动多是相邻帧亮度或色彩细微不一致；闪帧常出现在动作幅度大的瞬间，中间过程被跳过；物体变形则是跨帧对应关系没建立——模型把「挪动的杯子」当成了「消失再出现的杯子」。对症下药：加大时间层的感受范围，或给运动剧烈段落加锚点。
单帧画面本身的品质，取决于图像侧的功底，帧特征怎么来的可参考图像 token 的接入方式。
时长和算力的取舍
一次生成的时间跨度越长，需要同时处理的帧越多，算力消耗按比例上涨。常见做法是分段生成再加衔接，或者先低分辨率出草稿再精修。即梦AI 和海螺AI 的视频生成都在这类思路里做工程权衡：要长、要稳、要快，三者很难同时拉满。
分段生成的接缝处理是门手艺：让相邻两段共享若干帧的生成结果，接缝藏在运动平缓处，比硬拼自然得多。有的实现还让后一段以前一段末帧为条件，延续感更强。
多镜头叙事里锚点怎么定，见视频生成的关键帧；训练侧的底座来自扩散框架，见扩散模型的加噪训练。
视频一致性自查清单
- 角色外观是否全程稳定
- 物体运动是否符合常识轨迹
- 镜头切换处是否有跳变
末条最容易露馅，检查时多看剪辑点前后各一秒。
关于时间层的三个常问问题
- 帧率影响一致性吗？：有影响，帧率低时运动幅度大，帧间差异拉大更易跳变。
- 时间层和图像层是同一个网络吗？：多数实现分开设计，各自专注一个维度再互相配合。
- 为什么人物手指最容易崩？：手指细小且运动复杂，训练样本里完好像素占比低。
下次评价一段 AI 视频顺不顺，别只看画质，看帧与帧之间接得稳不稳。时间层做得好不好，眼睛一扫就知道。
