AI 视频的能力边界与生产全流程

本课导读

AI 视频是当下迭代最快、也最容易被误解的领域：演示片段一个比一个惊艳，但真上手就会发现——生成一个好看的 5 秒镜头和做出一条能用的 30 秒视频，是两件难度差一个量级的事。本课先建立三条基本原则，把"文字生成视频工具"的想象校正为"动态影像生产系统"的现实，然后给出贯穿整个 Track 的生产全流程图和模型地图。预计 45 分钟。

三条基本原则

原则一：生成不等于完成。模型输出的只是素材，不是成片。一条能发布的视频 = 生成的镜头 + 导演判断（哪条能用）+ 剪辑（顺序和节奏）+ 声音 + 字幕 + 质量控制。把生成结果直接当成品发出去，是新手和职业使用者最直观的分界线。

原则二：单镜头质量不等于叙事质量。当前模型生成一个孤立镜头已经可以很惊艳，但真正的难题在镜头之间：第二个镜头里的主角还是同一张脸吗？她从画面左侧出门，下个镜头是不是从右侧进来？光线方向、服装、道具接得上吗？AI 视频的核心战场已经从"能不能生成画面"转移到一致性、连续性和多镜头叙事——这也是本 Track 用整个 unit-2 来讲它的原因。

原则三：提示词不是唯一控制手段。视频生成的输入远比"一段文字"丰富：参考图（定人物和场景）、首帧尾帧（定起点终点）、表演视频（定动作表情）、音频（定口型节奏）、运动轨迹、以及剪辑时间线本身。越依赖纯文字，结果越像抽卡；越会组合条件，结果越像生产。

生产全流程：本 Track 的地图

整个 Track 就是沿着这条链条展开的，每一环对应后面的课程：

创意简报 → 剧本 → 角色与场景设定 → 分镜 → 动态预演
   → 单镜头生成 → 连续性管理 → 声音设计 → 剪辑合成 → 多平台交付
  (L2 前期开发)   (L3-L4 镜头)   (L5-L8 连续性/表演) (L9 声音)
                          (L10-L12 工作流/后期/自动化)

注意链条的形状：生成只是中间一环。前期（剧本分镜）决定你生成什么，后期（剪辑声音）决定观众看到什么。行业里一个越来越明显的共识：AI 大幅压缩了"拍摄"的成本，于是前期和后期的功力反而变得更值钱——这正是传统影视知识在 AI 时代的复利。

四种任务形态

和图像一样，先分清你在做哪件事：

1. 文生视频（text-to-video）：文字 → 视频片段。从零探索，最抽卡。
2. 图生视频（image-to-video）：图像（+文字）→ 视频。让一张图动起来；因为首帧锁定了画面，可控性大幅高于文生视频，是目前生产中的主力形态（L4 展开）。
3. 视频编辑/延展：已有视频 → 修改、延长、重打光、换风格。
4. 音视频联合生成：一次生成画面+对白+环境音，口型和音效原生同步。这是近两年的关键跃迁——声音不再是纯后期贴上去的。

模型地图：按能力层级选型

能力层级	主要用途	关键问题
综合创作平台	策划、故事板、生成、自然语言剪辑一站式	适合走完全流程，深度控制有限
原生音视频生成	对白、环境音与画面同步生成	音画同步质量，多语言能力
专业镜头生成	电影感单镜头、广告镜头、运动质量	提示遵循、物理合理性
多镜头与叙事	一次生成多个镜头的连续片段	跨镜头一致性
表演与动作控制	真人表演驱动角色的动作、表情、口型	迁移精度，风格适配
数字人与翻译	讲解视频、数字分身、多语言配音	口型同步、授权合规
开放模型	本地生成、LoRA 定制、私有化	显存门槛、生态工具链
节点与自动化	批量生成、格式转换、自动质检	工程能力（你的 Python 直接用得上）

视频特有的失败模式

图像课的"四层归因"（提示/模型/数据/工作流）在视频里依然成立，但视频多了一个维度——时间，于是多出三类图像里不存在的错误：

• 时间漂移（temporal drift）：镜头开始时的人脸，五秒后悄悄变成了另一个人；背景建筑随时间"生长变形"。本质是模型在逐帧生成中累积误差。
• 物理错误：液体倒流、脚步滑冰（脚在动人没前进）、碰撞穿模、布料鬼畜、光影方向突变。模型学的是"画面像什么"，不是物理定律。
• 动作幻觉：提示"她拿起杯子喝水"，生成的却是杯子自己飞到嘴边，或者出现第三只手来递杯子。单镜头里塞的事件数量越多，动作幻觉越严重（L3 会给出"一个镜头一个动作"的写法纪律）。

评估一个视频模型，光看画质远远不够。从第一课就开始用这七个维度打分：提示遵循、主体稳定性（时间一致性）、动作质量、摄影机运动、物理合理性、声音效果、速度与成本。

动手任务：第一次多模型镜头测试

设计一个 5–10 秒的镜头，故意包含"一个明确的动作 + 一个摄影机运动"（这是最容易暴露模型差距的组合）。例如："一位穿风衣的男人在雨中走向街角咖啡馆并推门进入，摄影机从背后平稳跟随。"

基础路线（约 45 分钟）：

1. 挑至少 3 个模型（免费额度即可；至少一个支持图生视频）；
2. 用相同的提示词各生成 2–4 条；
3. 按七维度填写测试表：

镜头测试表 —— 镜头描述：＿＿＿＿＿＿
日期：＿＿＿＿  提示词全文：（粘贴）

维度            模型A    模型B    模型C
提示遵循        ＿       ＿       ＿
主体稳定性      ＿       ＿       ＿
动作质量        ＿       ＿       ＿
摄影机运动      ＿       ＿       ＿
物理合理性      ＿       ＿       ＿
声音(若支持)    ＿       ＿       ＿
速度/成本       ＿       ＿       ＿
最佳样本编号与一句话理由：＿＿＿＿

4. 从所有样本里挑出最好的一条和最离谱的一条，各写两句话：好在哪/错在哪一层（提示？模型？物理幻觉？）。

进阶路线（可选）：先用图像模型生成一张理想首帧，再用图生视频跑同一镜头，与纯文生视频的结果对比——你会提前体会到 L4 的核心结论：锁住首帧，可控性质变。

随堂测验

随堂测验0 / 4 题正确

1. 「AI 视频的核心难题已经从单镜头画质转向别处」——转向了哪里？

A生成速度和显存优化B分辨率能否达到 4KC画面风格是否多样D人物一致性、空间连续性、表演和多镜头叙事——镜头「之间」的问题

2. 生成的视频里，人物走路时双脚在滑动但身体没有前进（「滑冰步」）。这属于哪类问题？

A物理错误——模型学的是画面统计规律而非物理定律，运动与位移不匹配B提示问题——提示词里没写「不要滑冰」C时间漂移——人脸随时间变了D音画不同步

3. 为什么说图生视频是「目前生产中的主力形态」？

A因为它生成速度比文生视频快B因为首帧锁定了人物、构图和风格，把最大的随机性提前消灭，可控性大幅提升C因为它不消耗额度D因为文生视频已被淘汰

4. 「AI 压缩了拍摄成本，反而让前期和后期更值钱」。以下哪项工作属于「变得更值钱」的部分？

A把提示词丢进模型点生成B等待渲染队列C写剧本拆分镜，以及把生成素材剪出节奏、配上声音D下载生成结果