为什么“选模型”正在变成“设计工作流”
如果你还把 AI 视频当成一个“输入提示词、等待结果”的黑盒，大概率会在第三个镜头就开始返工。过去一段时间，行业讨论的焦点是“哪个模型最强”：Luma Dream Machine 在物理运动上的自然度、Kling 在中文提示词与亚洲面孔上的贴合度、Sora 类模型在长镜头叙事上的野心，都曾是判断标准。但真正开始交付项目之后，评判标准会迅速切换成另外一组问题：这五秒能不能一次过？角色到第十二个镜头还能不能保持同一张脸？返工三次之后，时间还划不划算？
换句话说，模型能力决定上限，工作流决定你的实际产能。一个把中等模型用得很顺的团队，往往比一个反复追逐最新模型、每次都从零试错的团队交付得更快。原因并不神秘：视频生成的不确定性太高，单次生成只是概率事件，只有把“生成—筛选—修补—复用”变成可重复的流程，才能把概率事件变成稳定产出。
所以下面不会给出一份“最强模型排行榜”，而是按工作流顺序拆解：不同技术路线各自的强项在哪里、哪些参数真正影响成片质量、如何为不同镜头分配不同模型，以及画面出问题时该往哪个方向排查。你可以把它当成一份可执行的操作手册，而不是一次性的评测结论。
主流模型的技术路线与各自强项
物理运动与镜头真实感：Luma Dream Machine 这一路线
这类模型给人的第一印象往往是“镜头像真的有人在拍”。它对重力、惯性、布料和流体的模拟相对克制，不容易出现物体突然穿模、速度瞬变或者背景整体“融化”。适合的镜头包括：产品旋转展示、自然环境空镜、人物行走与转身、带明确相机运动的过渡镜头。不适合的是需要精确口型的长对白和复杂多人互动。使用时最有效的技巧是明确写出相机行为——推、拉、摇、移、跟拍、环绕、升降——而不是堆砌“电影感、超高清、大片质感”这类形容词。把“缓速环绕推近，浅景深，背景虚化”写进提示词，结果的可控性会明显提升。
中文提示词与亚洲人物表现：Kling 这一路线
另一条路线更强调提示词理解与人物还原，对中文语序、成语式描述以及亚洲人五官比例的把握更稳，服装、发型、场景的文化贴合度也更好，同时图像转视频与首尾帧控制相对可靠。它适合：中文剧本项目、需要固定角色的系列短视频、电商人物出镜、要求与参考图高度一致的镜头。使用要点是把角色特征拆成固定描述块——脸型、发型、肤色、服装、配饰、年龄感——每次生成都原样粘贴，不要临时改写措辞，否则一致性会肉眼可见地下降。
长镜头叙事与多主体调度：Sora 类模型
长镜头路线的野心在于用更少的剪辑讲清更复杂的因果关系，擅长多主体互动、连续动作链、镜头内的时空变化。它的价值不是替代其他模型，而是承担“叙事骨架镜头”：那些必须一次性讲清楚“谁对谁做了什么”的段落。代价是可控性波动较大，更稳妥的做法是用它产出关键段落，再用运动更稳的模型补齐插入镜头、特写和转场。
开源与可微调路线：Wan、HunyuanVideo、LTX-Video
开源方案的价值在于可控：本地部署、批量推理、训练 LoRA、直接改采样参数与调度器。适合有技术人力、需要固定风格，或者对素材合规性有严格要求的团队。代价是硬件门槛、调试时间和分辨率与时长上的限制。对独立创作者来说，一条务实的路线是：云端模型负责探索与定稿，开源模型负责风格化的批量生产。
图像转视频与首尾帧控制
真正的稳定性来自“先定画面，再做运动”。先用图像模型产出满意的关键帧，再交给视频模型做三到六秒的运动延展，成功率远高于纯文本生成。首尾帧控制则适合需要精确衔接的转场：给出起始帧与结束帧，让模型补中间过程。这条思路几乎适用于所有项目类型，也是新手最容易忽略、收益却最大的一步。
决定成片质量的七个变量
同一段提示词，换一个人生成，结果可能天差地别。差别通常不在模型，而在下面这些变量：
- 动作的具体程度：写“她缓慢转身，右手把杯子放到桌面”远比“她做点什么”可控。模型对动词和方向词最敏感，对情绪形容词最迟钝。
- 相机运动：固定机位、手持轻微晃动、稳定器跟拍、无人机俯冲，会在成片上产生完全不同的观感。不写相机行为，模型就会替你随机决定。
- 环境与光线：时间、天气、光源方向决定画面的可信度。写“清晨侧逆光、薄雾、地面湿润反光”比写“高质量”有效得多。
- 参考图质量：模糊、有噪点、构图混乱的参考图会直接污染输出。宁可多花十分钟修图，也不要用一张勉强能看的图去生成。
- 时长与分辨率：五秒以内的镜头最稳定；超过八秒，形变和逻辑崩坏的概率陡增。习惯用短镜头拼接，而不是硬撑长镜头。
- 负面描述：明确列出不想要的东西——多手多指、面部扭曲、文字乱码、镜头抖动、颜色过饱和、重复人脸。
- 种子与可复现性：找到满意的结果后固定种子再做微调；否则你永远无法判断改动到底是改善还是随机波动。
把这七项写成一张检查表，每次生成前过一遍，能省掉大量“不知道为什么这次更好”的困惑。
从脚本到成片的六步工作流
第一步：把脚本拆成“可生成的单元”
不要按句子拆，按镜头拆。每个镜头回答四个问题：主体是谁、主体在做什么、相机怎么运动、这个镜头持续几秒。一个三十秒的成片通常拆成八到十四个单元。拆得越细，后面失败重做的成本越低——重做一个三秒镜头，比重做一段十秒镜头便宜太多。
第二步：先做关键帧，不要直接做视频
用图像模型把每个镜头的第一帧、必要时还有最后一帧画出来。关键帧阶段可以自由修改构图、服装、光线，成本极低；一旦进入视频阶段，修改成本会成倍上升。这个顺序还能顺便帮你确认分镜在视觉上是否连贯。
第三步：为每个镜头分配模型与参数预设
建立一张表格，把镜头分成三类：运动型（交给物理模拟强的模型）、人物型（交给面孔稳定的模型）、叙事型（交给长镜头强的模型）。为每一类固化一套参数：分辨率、时长、运动幅度、采样步数。固化预设的意义在于减少变量，让失败原因变得可定位。
第四步：批量生成、打分、筛选
同一镜头一次生成四到八个版本，然后按三个标准打分：动作是否符合意图、角色是否保持一致、画面有无硬伤。只留下最高分的一到两个。批量生成的关键是不要在第一个结果上纠结太久——如果前四版都不行，问题通常在提示词结构或关键帧，而不是运气。
第五步：修补——口型、扩帧、超分、去闪烁
生成的素材很少能直接用。典型修补包括：用口型同步工具处理对白；用插帧与扩帧工具延长或平滑运动；用超分提升清晰度；用去闪烁与降噪处理逐帧跳变。把修补当成流水线上的固定工序，而不是救火。
第六步：剪辑、声音与交付
AI 生成的镜头天生缺少节奏感，需要靠剪辑补回来：在动作顶点切、在转场处给半秒的呼吸、用环境音填满静音段。配音、音效与背景音乐对真实感的贡献常常被低估——观众对声音瑕疵的容忍度远低于画面瑕疵。最后按交付平台确认画幅、帧率、码率与字幕规范。
多模型并行的排期与预算思路
用重试率估算真实成本
不要用单次生成的价格衡量成本，用“每个可用镜头需要几次生成”。如果某个模型单次更便宜，但重试率是另一个模型的三倍，真实成本反而更高。记录每次项目的重试率，几轮之后你就能凭经验判断某类镜头该用哪个模型。更进一步，把失败原因也记录下来：是动作不符合意图，还是面孔漂移，还是结构崩坏？归因清晰之后，你才会知道该换模型、换提示词，还是回去改关键帧。
分辨率分级：预览稿、定稿、交付稿
第一轮用低分辨率、短时长做构图与动作验证，这一阶段的投入应该压到最低；确认分镜没问题后，再用高分辨率重跑通过的镜头。很多团队失败的原因是把高分辨率用在探索阶段，资源在见到第一个可用镜头之前就耗完了。经验法则是：探索阶段只在乎“动作对不对”，定稿阶段才在乎“细节够不够”。
排队与批处理时段
生成任务天然适合批处理：把同类型镜头凑成一批，统一参数、统一提交、统一回收。夜间提交长队列，白天做筛选和后期，可以让等待时间与人工时间重叠。需要紧急修改时，再单独插队处理。同时为每批任务建立命名规范（项目名_场次_镜头号_版本号），否则素材一多就会彻底失序。
常见问题排查清单
人物面部漂移
换了镜头，脸就变了。原因通常是提示词描述前后不一致，或者每个镜头都从零生成。解决方式：固定角色描述块，配合参考图；同一场景的镜头尽量用同一模型、同一参数；必要时训练角色 LoRA。
画面闪烁与纹理噪点
常见于高频纹理（草地、发丝、织物、密集网格）。降低运动幅度、增加采样步数、改用更高分辨率再降采样，通常能缓解。如果背景本身纹理过密，考虑在关键帧阶段就简化背景。
手部与肢体畸形
手指数量、关节方向、手臂长度是最常见的崩坏点。规避方式是把手藏起来——插兜、背手、拿道具、置于画外；或者把镜头做短，让手部只在画面里出现一两秒；也可以在后期用局部重绘修正。
镜头运动不听话
要么完全不动，要么乱晃。解决办法是把相机运动写成独立的一句话，不要和其他描述混在一起；一次只指定一种运动；如果模型仍不稳定，改用“固定机位加主体运动”的组合，稳定性会高很多。
画面文字与 logo 乱码
目前大多数视频模型对文字渲染仍不可靠。最实用的做法是：画面里不放文字，后期用图形工具叠加；必须出现招牌时，让关键帧里就已经是正确文字，再让模型做轻微运动延展。
音画不同步
如果使用带音频生成的模型，先确认台词长度与镜头时长匹配。常见错误是把三秒能说完的台词塞进两秒镜头，模型只能压缩或加速口型，结果必然失真。拆成两个镜头往往比硬压进一个镜头更好看。
提升跨镜头一致性的进阶技巧
角色卡与参考图集
为每个主要角色建立一份角色卡：一段固定文字描述、三到五张不同角度的参考图，以及一组稳定的关键词。所有生成都从这份卡片出发。这是所有一致性方案里投入产出比最高的一项。
首尾帧接续与分镜续写
要拍“同一个动作跨越两个镜头”，就让上一个镜头的最后一帧成为下一个镜头的第一帧。这样既能保证服装、光线、背景连续，也让剪辑点更自然。续写时保持提示词结构不变，只改动作部分。
风格锁定与统一调色
不同模型有各自的色彩偏好，混用会让成片显得东一块西一块。解决办法是在剪辑阶段统一做一次调色：统一白平衡、统一对比曲线、统一颗粒感。一个简单的 LUT 就能把几个模型出品的素材拉到同一条视觉线上。
什么时候值得训练小型 LoRA
当你有稳定复用的角色、产品，或者独特画风，并且预计会生成几十个以上镜头时，训练一个小型 LoRA 是划算的。如果只是一次性项目，用参考图和首尾帧控制就足够，没必要投入训练时间。
三类项目的推荐配置
竖屏短视频广告
重点是前三秒的抓眼力和稳定的产品露出。建议：镜头长度两到三秒，运动明确，人物镜头用面孔稳定的模型，产品特写用运动可控的模型，关键帧阶段就把产品位置与构图固定好，后期统一叠加文案。同时把每一个镜头都当成独立广告位来设计，避免依赖前后镜头的上下文才能看懂。
剧情短片
重点是氛围与叙事连贯。建议：先写完整分镜表，再按镜头类型分配模型；对白场景用短镜头加后期口型同步；空镜与环境镜头用来承担情绪过渡；同一场景尽量只用一到两个模型，减少视觉风格的跳变。剪辑上宁可多一次切换，也不要为了省镜头而拖长单镜头。
产品演示与电商
重点是细节准确与运动可控。建议：以产品实拍图作为参考图，用图像转视频做缓慢环绕与推近；避免复杂背景和多余手部；所有文案与参数在后期叠加，不要让模型生成文字。产品颜色和材质是最容易被模型“改掉”的细节，关键帧阶段就要核对色号。
常见问题 FAQ
只用一个模型够用吗？
对风格统一、镜头类型单一的短项目，够用。但只要项目里有对白、有产品特写、有长镜头叙事，单模型就会在某一环明显拖后腿。与其换来换去，不如固定两到三个模型，明确各自的职责边界。
生成失败几次就该换方案？
连续四到六次都不满意，问题通常不在随机性，而在提示词结构或关键帧。这时候换模型往往只是把同一个问题换了个地方出现。先回去检查关键帧和动作描述。
为什么我的视频看起来“很AI”？
多数情况下不是因为模型不好，而是因为：镜头太长、运动太满、画面太干净、缺少景深和噪点、剪辑没有节奏。加一点不完美——轻微手持、不均匀光线、一点颗粒——反而更像实拍。
需要多高的分辨率？
按交付平台决定。竖屏社交平台通常 1080p 就足够，更高分辨率主要留出裁剪与稳定空间。把高分辨率用在关键镜头上，而不是平均分配。
一致性到底靠什么？
靠参考图、固定描述、固定参数、首尾帧接续，以及同一场景尽量不换模型。没有哪一项单独能解决问题，组合起来才有效。
新手最容易踩的坑是什么？
一次性写超长提示词、追求长镜头、忽略关键帧、在第一个结果上反复微调而不批量生成。把这四点改掉，产出质量会立刻上一个台阶。
结语：把模型当成一个团队
没有哪个模型是全能选手。真正稳定的产出，来自把不同模型的强项放进同一条流水线：用物理运动稳的模型做环境与产品镜头，用面孔稳定的模型做人物与对白，用长镜头强的模型做叙事骨架，用开源模型做风格化批量生产，最后用统一的调色、声音和剪辑把素材捏成一个整体。
如果你现在只打算做一件事，那就先做这三样：建立角色卡、固定每个镜头的模型与参数预设、在生成视频之前先做关键帧。这三步几乎不增加成本，却能消掉大部分返工。剩下的，就交给迭代和记录——每一次失败的生成，都在告诉你下一次该改哪个变量。
