可灵:把「图生视频」做成影视分镜工具的那条国产主线

它解决的问题:视频生成的「不可控」

纯文生视频在生产环境里有一个致命问题:你无法预先知道会拿到什么。构图、机位、角色长相、光照全部由模型决定,提示词只能施加很弱的影响,于是一次交付变成几十次抽卡。可灵的产品化路径是把这个不确定性推到上游——先用图像模型(或设计师自己画的稿)确定关键帧,再让视频模型在这张确定的画面上生成运动。这样至少构图、主体、色调是可控的,不可控的只剩「怎么动」。

这一步看起来只是工作流调整,实际改变了整个环节的成本结构:抽卡次数从几十次降到几次,因为失败的原因变少了(不再同时赌构图和运动)。这也是为什么这个域里真正的生产力工具都在往「图生视频」收敛。

三个可用度分层

用法	当前可用度	说明
产品/物体的短展示(旋转、推进、材质反光)	高	主体简单、运动幅度小,最容易稳定交付
氛围镜头(风景、街景、天气、光影变化)	高	没有人手与人脸,失败模式少
单人中景的简单动作(走动、转身、抬头)	中高	需要首尾帧约束,时长越长越容易崩
多人交互与手部特写	低	手指增减、穿模是高频失败点
带对白的口型同步叙事	低	需要专门的口型管线,不要指望一次生成

运镜控制为什么重要

可灵把推、拉、摇、移、环绕、跟随这类摄像机运动做成了可选参数。这件事的意义超出「视频更好看」:它意味着创作者可以用影视语言而不是自然语言形容词来描述需求。「缓慢推进到面部特写」是一个有明确定义的镜头指令,而「电影感的震撼画面」不是。参数化的镜头语言让生成结果可复现,也让多镜头之间的剪辑节奏可以被规划。

往前一步看,这正是 agent 接管创作流程的接口:一个能读懂分镜表的 agent,需要的不是「写提示词的能力」,而是「填镜头参数的能力」。

边界与失败模式

• 时长上限:单次生成停在 5-10 秒档位,更长的内容靠首尾帧接力拼接,接缝处会有风格与身份的轻微跳变,需要人工挑帧。
• 物理是纹理统计:流体、布料、刚体碰撞看起来对,但在需要守恒的场景(倒水的量、球反弹的高度、物体数量)会露馅。
• 文字与 logo:画面里的招牌、包装文字几乎必错,商业素材要么后期贴,要么在关键帧阶段就避开。
• 声音是另一条管线:输出静音,配音、配乐、音效都要单独做,口型对齐只在专门功能里可用。
• 成本量级:按秒计价,单条 5-10 秒的成本比一张图高一到两个数量级;考虑到重 roll 三到十次是常态,预算要按这个倍数算。

待核验清单(我们下一步做什么)

要把这条从 C 升到 B 以上,需要:用同一批提示词与同一组关键帧,横向对照可灵与其他两到三家视频模型的时序一致性与运镜遵循度;量化「首尾帧约束下身份漂移」的程度(首帧与末帧的人脸相似度);记录各档时长下的单条成本与排队时间。这些跑完之前,本页读数按厂商口径理解。