怎样让AI视频在多个镜头之间保持一致？

镜头为什么会越拍越不一样

视频模型生成每个片段时，都是从随机噪声出发，把它变成符合提示词的画面。同一条提示词的两次生成，起点的噪声不同，所以脸会有细微差别，外套的纽扣不一样，演员身后的窗户也不同。在一个片段内部，模型能同时看到所有帧，所以保持稳定；而在两个独立的片段之间，它完全没有记忆。

研究人员也描述过同样的断层。论文 Long Context Tuning for Video Generation（2025）指出，能生成长单镜头的模型，仍然很难生成连贯的多镜头场景，并提出把模型的注意力扩展到一个场景的所有镜头，让它学会场景级的一致性。一些商用模型现在宣传原生的多镜头生成，比如 Seedance 1.0 技术报告就把主体一致的多镜头叙事连贯性列为一项功能。

原生多镜头功能有帮助，但就目前而言，只限于一次生成内部的短序列。一部短片或一集内容，仍然要由许多次生成拼成，所以下面的方法依然是工作的核心。

什么必须保持不变：连贯性清单

剧组会记录连贯性笔记（continuity notes），好让分几天拍摄的一场戏看起来像是同一时刻。在写任何提示词之前，也这样做。下面每一行，都是一段固定的简短文字，或者一张可以原样重复使用的参考图。

方法1：用参考图，不要只用描述

光靠文字，锚点很弱。“短黑发的女人”能对应上百万张脸。参考图是强得多的锚点，因为它固定了一张具体的脸。就目前而言，许多工具接受主体或角色参考图：比如 Google 的 Veo 文档就介绍了一种参考模式，使用一到三张人物、角色或产品的图片，让主体的外观在输出里得到保留。

先把参考图做好，用静态图，因为重试很快：

1. 一张角色设定图：同一个人的正面、四分之三侧面和侧面，加上一张穿着最终服装的全身图，背景朴素。
2. 为场景里的每个地点各做一张场景静帧，用最终的画幅比例。
3. 如果某件物品对故事重要，再做一张关键道具图。

角色设定图要用平淡均匀的光线。参考图里带有强烈的彩色光，往往会被复制进每一个镜头，然后和每个场景自己的光线打架。

方法2：用帧来衔接镜头

两个镜头需要流畅衔接时，比如一个连续动作被拆成了两段，就用帧而不是文字来连接它们。

• 尾帧衔接：导出镜头A的最后一帧，在图生视频中把它用作镜头B的第一帧。这样B的开头和A的结尾完全吻合。
• 首尾帧：如果工具两者都支持，就给它镜头必须开始的那一帧和必须结束的那一帧，让模型补全中间的运动。当镜头C必须落在一个已经规划好的关键帧上时，这很有用。
• 关键帧分镜：先用同一批参考图做出所有关键帧，放在一起检查，再逐个让它们动起来。

衔接是有代价的。小误差会累积：镜头A结尾稍微软一点的脸，会成为镜头B起始的脸，连续几环之后，角色就可能走样。每隔几个镜头重新锚定一次，用原始参考图做出的新关键帧开始，而不是用上一段的最后一帧。

方法3：让提示词共用固定的段落

把提示词看作若干固定段落，加一个会变的段落。镜头之间只有镜头段落在变。

[CHARACTER] Leo, a man in his 20s, curly brown hair, round glasses,
mustard-yellow knit sweater, dark blue jeans.
[LOCATION] Small bookshop interior, tall wooden shelves, one large front window.
[LIGHT] Late afternoon sun through the front window from screen right, warm tones.
[SHOT] Medium shot, eye level. Leo pulls a red book from the shelf and opens it,
facing screen left. Slow push-in.

下一个镜头，原样复制前三段，只替换 [SHOT] 段。如果故事转到新的地点或新的时间，就写一次新的 [LOCATION] 或 [LIGHT] 段，之后一直复用它。

方法4：在剪辑里藏起无法修复的部分

即使用了参考图，仍会剩下一些差异。剪辑师长期以来有一些技巧，能让细小的不匹配看不出来：

• 动作剪辑（cut on action）。在动作进行到一半时切，眼睛会跟着运动，从而忽略细节。
• 每次切镜都改变景别。全景接特写，能掩盖不同的背景；两个连续的中景则会暴露它。
• 使用插入镜头和切出镜头（cutaway）。手部、物件或环境的镜头，让观众在两个人脸镜头之间喘口气。
• 整段序列一起调色。在所有片段上统一做一次色彩校正，让光线感觉一致。
• 在剪辑点之下铺一条连续的声音。贯穿多个镜头的房间底噪或音乐，会让它们感觉像是同一时刻。

发布前的质量检查

把序列看三遍，每遍只找一类问题：

1. 身份：在每张脸上定格，与参考图对比。检查年龄、眼睛颜色、发际线、眼镜和疤痕。
2. 物体：逐个镜头追踪每件道具和服装。检查哪只手拿着什么。
3. 空间与时间：检查画面方向、光线方向和窗外的天气。

只重新生成不合格的镜头。为每个通过的镜头记录参考图、提示词和设置，这样以后才能做出风格匹配的替换镜头。