为什么光影一致性是 AI 视频最难的一关
AI 视频生成在过去两年进步极快，但真正做过商业交付的人都知道：单帧好看不等于成片能用。观众的眼睛对光线变化的敏感度，远超对细节纹理的敏感度。一个镜头里阴影方向在半秒内翻转，或者人物面部的色温从 5600K 跳到 4200K，即使每一帧单独截出来都很精致，整段视频也会立刻显出塑料感。
常见的光影失败模式大致有三类。
光源漂移。 模型并没有一个显式的三维灯光系统，它只是根据训练数据中的统计规律去“猜”下一帧该长什么样。当镜头移动或人物转身时，模型对光源位置的理解会逐渐偏移：主光从画面左侧慢慢滑到右侧，原本的侧逆光变成了正面平光，背景的窗户光斑在运动中凭空出现又消失。
材质反射错误。 皮肤、金属、玻璃、布料的反射特性完全不同。皮肤有次表面散射，金属有镜面高光与环境反射，玻璃有折射与焦散。如果参考图没有明确交代材质与环境的对应关系，模型很容易把湿润的皮肤渲染成塑料，把拉丝金属渲染成哑光喷漆，把丝绒渲染成毛毡。
阴影逻辑矛盾。 同一个场景中，人物投在地面的阴影与道具的阴影朝向不一致；环境光明明是阴天的柔光，人物脸上却冒出硬边高光斑。这类错误观众很难在有意识层面指出问题在哪，但潜意识会持续接收到“不对劲”的信号。
根源在于，绝大多数生成模型是外观驱动而非物理驱动的。它们学的是像素分布，不是光子路径。所以我们的策略不是期待模型突然懂物理，而是通过参考图、分段策略、提示词和后期手段，把物理约束一点点喂进去。
这意味着一个重要的心态转变：不要把 AI 视频当成“输入一句话就出片”的自动售货机，而要把它当成一位需要现场指导的灯光助理。你给的信息越接近真实拍摄时给灯光组的指令，输出就越可控。摄影师在这个环节其实有天然优势，因为你知道怎么描述光，只需要把它翻译成模型能消化的形式。
前期准备：把摄影语言翻译成模型能读懂的布光描述
按下生成按钮之前的准备工作，决定了成片质量的大部分。真正的分水岭不在模型参数，而在你有没有把光线逻辑写清楚。
参考图的三个关键标注
一张好的参考图，价值胜过一百个形容词。但前提是这张图里的布光信息是明确、可读的。选参考图时，至少确认三件事：
- 主光方向与高度角。 光是从画面左前 30 度来，还是从右后 45 度、略高于头顶来？很多模型对“side light”“backlight”这类词的理解相当模糊，但如果你在提示词里写成“主光位于人物右后方约 45 度，略高于头顶，形成明显的轮廓光与面部三分之二阴影”，一致性会显著提升。
- 色温与光源性质。 是 3200K 的钨丝灯暖光，还是 5600K 的日光？是柔光箱式的面光源，还是裸灯式的小面积硬光？光源面积直接决定阴影边缘的软硬，这是模型最容易忽略、也最容易造成违和感的地方。
- 阴影软硬与衰减速度。 光从人物脸部到背景墙衰减了几个档位？室内环境光有没有形成反弹补光？这些信息决定了画面里暗部的层次感。
把这三条写进提示词，比堆砌“电影感”“大师级”“8K”要有效得多。后者是结果描述，前者才是配方。
资产化：人物、场景、道具的恒定参考
长序列生成最大的敌人是“每一段都像换了个剧组”。解决办法是把关键元素资产化：
- 人物资产： 正侧背三个角度的清晰参考图，最好包含同一套服装在不同光照下的表现。
- 场景资产： 空间关系明确的广角参考图，标注出主光源、窗、反光面、阴影区域。
- 道具与材质资产： 需要特写的物件单独准备材质参考，尤其是会反光的金属、玻璃、水。
这些资产不一定每次都用得上，但一旦镜头需要切近景或换角度，它们就是维持光影连续性的锚点。
建立一份“光照圣经”
专业剧组会为每个场景做光位图。AI 视频同样需要。建议用一张表格记录：场景编号、主光方向与色温、辅助光强度比、环境光描述、允许的光比范围、镜头运动方式。这张表不需要多漂亮，但一定要写在同一个文档里，让每次生成都对着同一份参考执行。
光照圣经的另一个作用是排查。当某一段出现光源漂移时，你可以立刻对照表格判断，是提示词丢失了关键描述，还是参考图本身提供了矛盾的信号。
图像到视频：用首帧完成光线烘焙
图像到视频是当前控制力最强、也最适合商业交付的路径。原因很简单：首帧决定了光照基线，模型只是在时间轴上延续它。
首帧决定一切
首帧必须是一张“光线信息完整”的图。判断标准很直接：遮住画面其他部分只露出阴影区域，你能不能判断出主光在哪？如果连人都判断不出来，模型更判断不出来。
很多人习惯用一张氛围很好但光向模糊的图做首帧，结果就是模型在后续帧里自行“作曲”，把光线重构一遍，于是前五帧和后五帧像两个场景。相比之下，一张光向清晰、色温统一、阴影方向明确的图，哪怕构图上稍逊，也能换来稳定得多的序列。
运动幅度与速度感的匹配
画面运动幅度越大，光照一致性越难维持。原因是模型需要“想象”原本不可见的区域，而想象出来的区域最容易丢失布光逻辑。
实用经验：
- 人物转头超过 45 度，建议拆成两段生成，中间用重叠帧过渡。
- 镜头横移时，把运动速度压到每秒画面宽度的 5% 到 10% 之间，一致性明显更好。
- 需要快速运镜时，优先选用对运动建模更强的模型，并接受更短的片段长度。
一个可复用的提示词骨架
不要从零开始写提示词。用固定骨架，只替换变量，一致性会大幅提升：
场景：[地点 + 时间 + 天气]
主光：[方向 + 高度角 + 色温 + 光源面积]
辅助光：[强度比 + 反弹面]
人物：[外观 + 服装材质 + 皮肤状态]
运动：[镜头运动方式 + 速度 + 起止构图]
约束：[阴影方向保持不变 / 反射面一致 / 色温保持 5600K]
最后一行的“约束”经常被忽略，但它是防止漂移最直接的手段。把不变量显式写出来，等于给模型划了一条不能越过的线。
视频到视频：时序校准与去闪烁
当首帧生成的结果整体不错、只有局部闪烁或色温偏移时，视频到视频要比重新生成更划算。
分段生成与重叠帧
长镜头不要一次生成到底。推荐做法是把 15 秒的镜头拆成 3 段 5 秒，每段之间保留 0.5 到 1 秒重叠。重叠区用来做交叉溶解，同时也是检查光线是否连续的最佳位置。
如果三段在重叠区出现明显的色温跳变，说明你在写提示词时漏掉了某个不变量。回到光照圣经对照，通常能立刻定位问题。
去噪强度与参考保真度的平衡
视频到视频的核心参数是“保留原片比例”。数值越高，越贴近原片，但能修正的问题越少；数值越低，修正能力越强，但容易把原本正确的光影一起改掉。
经验区间：
- 只修闪烁与噪点：保留比例 0.75 到 0.85。
- 需要改色温或光比：保留比例 0.5 到 0.65，并同步在提示词里写明目标光向。
- 需要改风格或材质：保留比例 0.3 到 0.5，做好重做整个镜头的准备。
闪烁的三种来源
排查闪烁时，先分清来源，再决定手段：
- 曝光闪烁： 画面整体亮度周期性地微跳。多半是分段生成的拼接问题，用重叠帧加交叉溶解解决。
- 高频纹理闪烁： 头发、织物、草地出现“沸腾”感。通常是采样步数不足或分辨率与模型训练尺度不匹配，提高步数、生成后做轻度光流稳定即可。
- 结构闪烁： 反光位置、阴影边缘或小物件形状在帧间变形。这属于几何一致性问题，需要靠参考资产与提示词约束解决，后期很难救。
把这三类分开处理，能省掉大量无效尝试。
模型选择：按光影需求而不是按热度
模型更新很快，但选择逻辑相对稳定。你真正要问的是：这个镜头最不能妥协的是什么？
写实人像与产品特写
优先选择高保真图像模型配合图像到视频。人像看的是皮肤质感、次表面散射和眼神光；产品看的是高光形状、反射内容和边缘锐度。这类镜头的关键是首帧质量，所以宁可多花时间在图像阶段反复打磨，也不要指望视频模型去修一张光影有问题的图。
运动镜头与手持感
运动场景优先考虑运动建模能力强的模型，同时接受更短的单次生成长度。手持感不要靠提示词里的“handheld”硬拗，而要在首帧构图里就保留轻微的倾斜与不规则取景，模型会自然延续这种不完美。
风格化与动画
风格化内容对光影一致性的容忍度更高，因为观众不会用现实物理去校验。但风格化有自己的坑：色块边缘的闪动、笔触方向在帧间跳变。解决办法是降低运动幅度，并在提示词中固定调色板与笔触描述。
预算与迭代速度
把成本换算成“每次可迭代次数”比看单次价格更有意义。一个需要 20 次迭代才能达标的便宜方案，往往比一个 5 次就能定稿的方案更贵。评估时把生成时间、失败率、后期修复时间一起算进去。
镜头语言：让画面符合物理直觉
模型不懂镜头，但它会从你的构图和描述里推断空间关系。因此镜头语言本身就是光影控制工具。
焦距、景深与透视
在提示词里指定等效焦距，会明显改善空间一致性。“35mm 广角、轻微桶形畸变”和“85mm 中长焦、浅景深”对应的光线衰减完全不同：广角镜头下环境光占比更高，暗部更亮；长焦镜头压缩空间，背景高光更容易形成大片光斑。明确写出焦距，模型对背景亮度的处理会更接近真实。
光源动线
如果镜头内有光源移动（车灯掠过、云层遮住太阳、有人开门放光进来），一定要在提示词里写清楚方向和速度。否则模型可能把光的变化理解成全局曝光变化，整幅画面一起明暗浮动，看起来非常假。
剪辑点与光线衔接
两个镜头之间的光线衔接，往往比镜头内部的一致性更容易被忽略。上一个镜头是暖光室内，下一个镜头切到冷调室外，如果没有过渡镜头，观众会感到突兀。解决办法是设计一个“光线过渡镜头”：门缝透光、反射面反光、人物走出阴影，让色温和光比有一个物理上说得通的过渡依据。
后期：把 90 分修成 98 分
AI 生成的素材几乎不可能零后期。但后期不是万能的，它最适合处理“微抖动”和“色彩统一”这两类问题。
去闪烁与光流处理
顺序很重要：先做闪烁抑制，再做稳定，最后做锐化。反过来做，稳定算法会把闪烁的纹理当成运动来补偿，反而放大问题。对结构闪烁不要强行修，那会产生拖影。
色彩管理与 LUT
统一色调最有效的方式，是在剪辑软件里先做一次基础的色彩空间归一化，再套用同一套 LUT。不要逐段手动调色，那样只会把不一致放大。如果不同段的色温基线差异太大，回到生成阶段重做一段，成本通常低于硬调。
颗粒、锐化与交付规格
高保真画面在压缩后容易暴露块状伪影。建议在交付前统一加一层轻度的细颗粒，既能掩盖压缩痕迹，也能让数字生成的画面更像实拍。锐化要克制，过度锐化会把材质闪烁放大成边缘抖动。
交付规格提前确认：分辨率、帧率、色彩空间、码率上限、是否需要 HDR。这些参数一旦在后期才改，往往要重导好几遍。
实战案例：从一张剧照到 15 秒成片
假设任务是给一款护肤品做一支 15 秒的氛围短片，核心要求是产品瓶身在三个镜头中保持一致的金属高光。
第一步，定光照圣经。 主光为左前方 45 度、色温 5600K 的大面积柔光，右后方加一支 3200K 冷光轮廓，背景为深灰渐变。瓶身材质标注为“磨砂玻璃 + 局部拉丝金属瓶盖”。
第二步，做首帧。 用图像模型生成三张不同角度的静帧，逐一检查高光形状是否一致。这一步可能要改五六次，但这一步花的每一分钟都在减少后面的返工。
第三步，分段生成。 每个镜头 5 秒，三次生成，重叠 0.8 秒。第一段用推近，第二段轻微环绕，第三段静置加水面反光。
第四步，校准。 把三段导入剪辑软件，在重叠区做交叉溶解，检查瓶盖高光的位置是否连续。如果第二段的轮廓光偏强，用视频到视频以 0.7 的保留比例微调强度。
第五步，交付。 统一 LUT，加轻度颗粒，输出两种分辨率版本。
这个流程的价值不在于具体参数，而在于它把“玄学”变成了可检查的步骤。每一步都有明确的验收标准，出问题时能定位到具体环节。
常见错误清单与排查顺序
- 提示词堆砌形容词。 “电影感、史诗、超写实、8K”对光线没有任何约束力。改成可执行的光位描述。
- 参考图互相矛盾。 主光方向不一致的两张参考图，会让模型在两套布光之间来回摇摆。
- 一次生成太长的镜头。 超过 8 秒的单段生成，光线漂移概率显著上升。
- 忽略不变量声明。 不把阴影方向、色温、反射面写成约束，模型就会自行发挥。
- 后期顺序颠倒。 先稳定后去闪烁、先锐化后降噪，都是常见的自毁操作。
- 用不同基线色温的段落硬剪。 补一个光线过渡镜头通常更省时间。
排查顺序建议固定为：提示词约束 → 参考图一致性 → 分段与重叠 → 后期处理。从上游往下游查，能避免在后期反复救一个本可以避免的问题。
常见问答
问：为什么我每次生成的第一个镜头都好，后面就越做越散？
答：后段生成时，你往往已经在参考新的中间帧，而不是回到最初的资产。解决办法是把首帧资产固定下来，每次以它为锚点，中间帧只做运动参考，不做光线参考。
问：能不能只靠提示词就把光写清楚？
答：短片段可以，但长序列不行。文字描述解决的是方向性，参考图解决的是细节一致性。两者配合效果最好。
问：AI 生成的素材需要做降噪吗？
答：通常不需要传统降噪，反而需要加一点颗粒。AI 画面的问题不是噪点多，而是过于干净导致塑料感。
问：如何判断一段素材该重做还是该修？
答：看问题属于哪一类。曝光闪烁、色温偏移可以在后期解决；结构闪烁、阴影方向矛盾最好重做。修结构性问题往往越修越糟。
问：多个镜头之间如何保持人物外观一致？
答：把人物做成资产包，包含多角度、多光位参考，并在每个镜头的提示词里重复相同的服装与材质描述。不要指望模型记住上一段。
问：有没有必要为每个项目重新建立流程？
答：不需要。建立一套自己的模板：光照圣经表格、提示词骨架、分段规则、后期处理链。新项目只替换变量，效率会随项目数量累积提升。
问：手机端预览和最终输出差异很大怎么办？
答：在暗房环境下用校色过的显示器做色彩判断，同时准备一份移动端预览版做亮度校验。很多“光影不一致”的投诉，其实是观看设备的问题。
结语：把控制权拿回自己手里
AI 视频渲染的光影一致性，本质上不是一个模型能力问题，而是一个信息传递问题。模型永远只能基于你给的信息推断，你给的信息越接近真实拍摄时的现场指令，输出就越接近你以为自己描述过的画面。
对摄影师来说，这是一次优势迁移。你懂光比、懂色温、懂阴影边缘、懂镜头语言，这些原本属于现场经验的东西，在 AI 工作流里同样是最稀缺的判断力。把光照圣经写起来，把参考图当资产管起来，把分段与重叠变成默认操作，把后期顺序固定下来。剩下的，就是反复迭代到画面自己站得住。
当你能稳定输出光影一致的成片时，AI 就不再是一个碰运气的玩具，而是一台你能掌控的摄影机。
