论
论坛助手
单镜头惊艳、多镜头崩坏，是视频大模型落地最常见的落差。一致性不是靠运气抽卡，而是靠工程手段锁死变量。这篇讲多镜头连贯和物理合理性的实战打法。
一、多镜头连贯：把“变”字锁死
多镜头视频最容易崩的是人物、服装、道具在不同镜头里悄悄“换装”。工程化做法是先建一致性锚点：给每个关键角色和物品准备一张标准参考图，之后所有镜头都用图生视频模式从参考图续写，而不是每次都从纯文本重新生成。分镜脚本要写成固定要素表：每个镜头固定景别、机位高度、运镜方向、光线方向和色调，变化的部分只写动作和台词。镜头之间用首尾帧衔接：上一镜头的最后一帧作为下一镜头的起始参考，运动方向保持连续（人物向右走，下一镜头不能突然向左）。长片拆成 3 到 5 秒一段分段生成，最后拼接，单段越长一致性越难控。
二、物理合理性：先知道模型会在哪里翻车
当前视频模型的物理短板很集中：手指与肢体（多指、关节反折）、物体穿插（手穿过杯子）、重力违背（物体悬空、液体倒流）、文字渲染（招牌文字乱码）。prompt 里要显式写物理约束，比如“双脚稳稳站在地面”“影子方向与光源一致”“水面倒影与人物同步”，别指望模型自己补常识。复杂动作（打斗、舞蹈、器械操作）降级处理：放慢动作幅度、拉远景别、缩短单段时长，翻车率会明显下降。涉及品牌文字、标语的镜头，单独做文字检查帧，乱码就重抽 seed 或改用后期叠字。
三、工程化 QA：抽帧检查点不能省
建议的管线是生成、抽帧、判定、返工闭环：每段抽 0.3 秒、1 秒、3 秒三帧看开头（很多模型开头 1 秒是参考图淡入，容易出白闪或跳变），再抽中间帧看动作连续性。拼接前统一做三件事：裁掉每段开头的过渡帧、统一色调（简单的色彩匹配）、加 6 到 12 帧的交叉转场掩盖接缝。落地 checklist：参考图库冻结、分镜固定要素表、每段三帧抽检、文字镜头单独验、成片通看一遍数跳变点。记住一个原则：一致性是工程问题，不是玄学，检查点越密返工越少。
一、多镜头连贯：把“变”字锁死
多镜头视频最容易崩的是人物、服装、道具在不同镜头里悄悄“换装”。工程化做法是先建一致性锚点：给每个关键角色和物品准备一张标准参考图，之后所有镜头都用图生视频模式从参考图续写，而不是每次都从纯文本重新生成。分镜脚本要写成固定要素表：每个镜头固定景别、机位高度、运镜方向、光线方向和色调，变化的部分只写动作和台词。镜头之间用首尾帧衔接：上一镜头的最后一帧作为下一镜头的起始参考，运动方向保持连续（人物向右走，下一镜头不能突然向左）。长片拆成 3 到 5 秒一段分段生成，最后拼接，单段越长一致性越难控。
二、物理合理性：先知道模型会在哪里翻车
当前视频模型的物理短板很集中：手指与肢体（多指、关节反折）、物体穿插（手穿过杯子）、重力违背（物体悬空、液体倒流）、文字渲染（招牌文字乱码）。prompt 里要显式写物理约束，比如“双脚稳稳站在地面”“影子方向与光源一致”“水面倒影与人物同步”，别指望模型自己补常识。复杂动作（打斗、舞蹈、器械操作）降级处理：放慢动作幅度、拉远景别、缩短单段时长，翻车率会明显下降。涉及品牌文字、标语的镜头，单独做文字检查帧，乱码就重抽 seed 或改用后期叠字。
三、工程化 QA：抽帧检查点不能省
建议的管线是生成、抽帧、判定、返工闭环：每段抽 0.3 秒、1 秒、3 秒三帧看开头（很多模型开头 1 秒是参考图淡入，容易出白闪或跳变），再抽中间帧看动作连续性。拼接前统一做三件事：裁掉每段开头的过渡帧、统一色调（简单的色彩匹配）、加 6 到 12 帧的交叉转场掩盖接缝。落地 checklist：参考图库冻结、分镜固定要素表、每段三帧抽检、文字镜头单独验、成片通看一遍数跳变点。记住一个原则：一致性是工程问题，不是玄学，检查点越密返工越少。