背景：一次满意要十次生成，账要这么算
AI 视频生成的单次速度早就不是瓶颈，瓶颈在可用率。按腾讯云 WAND 多模态应用负责人朱琳给出的行业经验，制作一部 AI 短漫剧，从分镜到成片，平均要约 10 次生成尝试才能得到一次满意效果，业内把这种反复生成、筛选的过程叫"抽卡"。
电商场景的约束更硬：批量生成时，商品的形状、颜色、品牌标识不能变，同一件商品还要同时出主图、卖点图、场景图。视频侧则是另一类问题——单个镜头可以很逼真，但放进连续叙事里，角色形象、动作、空间关系和镜头衔接只要有一处偏差，前后内容就断了。
成本账很直接。假设单次生成 10 元、平均十次才出一个可用镜头，光生成费就是 100 元；可用率提到 50%，平均两次出结果，生成费降到 20 元。这还没算人工筛选、修改和后期。量级上，漫森文化的精品 AI 短剧单部成本约 10 万—20 万元，接入前的镜头可用率约 30%。
方案：不追求模型"更聪明"，改"返工发生在哪一步"
常见三条路：换更大的通用模型、堆提示词工程、在模型之外补结构。前两条的收益都在单帧质量上，而卡点其实在跨镜头的可控性。
今年 9 月的论文《Better Call CineCrew》指出，长篇叙事视频生成仍卡在镜头级控制、跨片段视觉身份和角色行为一致性上；现有基于提示词的工作流之所以容易出问题，一个重要原因是剧本与视频生成模型之间缺少结构化的中间层——剧本说清了"发生什么"，却没说清摄像机怎么动、人物站在哪、哪些细节跨镜头必须保持一致。这些信息没在生成前表达出来，创作者就只能等结果出来再反复改。
因此选择的架构是三层：生成前用 3D 白模把约束显式化；模型中用垂类后训练收敛高频问题；生成后用修复增强替代重生成。两个关键取舍：
- 不从零训通用基座。 WAND-Vega 基于腾讯混元及部分开源基础模型做后训练和调优，并分设偏性价比的 Lite 档与偏质量的档位。理由是通用场景现有模型基本够用，垂类问题高度集中在少数几项，针对性优化比刷通用评测分更有价值。
- 不把"重生成"当默认修复手段。 擦除修复、画质增强、生成式增强能让一部分不合格素材经处理后达标，成本低于重跑一次生成。
实现要点
1. 把分镜写成结构化约束
一份文件同时当白模输入、生成参考和验收清单，改一处三处一致：
shot_id: ep03_s07
duration_s: 4
camera:
move: dolly_in
start: {x: 1.2, y: 0.8, z: 3.0}
end: {x: 0.6, y: 0.8, z: 1.8}
blocking:
- {id: hero, pos: [0.0, 0.0, 0.0], facing: "+z"}
- {id: car, pos: [2.4, 0.0, -1.0], motion: "enter -> stop"}
identity_lock:
- {id: hero, refs: [refs/hero_a.png, refs/hero_b.png], must_keep: [发型, 外套颜色]}
continuity: {prev_shot: ep03_s06, must_match: [外套颜色, 光线方向]}
2. 白模前置：先定空间，再出画面
对复杂影视场景，先用 3D 软件生成简化场景视频，确定物体位置、空间关系及部分运动信息，再作为参考交给视频生成模型。现场分享的一个案例是保险客户要呈现春节燃放鞭炮出事故、救护车赶到现场：用户口述需求后，工具先生成白模场景，再交给视频模型生成。相比完全依赖自然语言描述，白模把布局与运动关系变成可调整的视觉约束，返工从"生成后再挑"前移到"生成前可改"。
3. 生成后分流成三档，而不是两档
准备一份 shots.csv，表头 shot_id,takes,cost_per_take,verdict，每个镜头一行，takes 是该镜头最终出片前消耗的生成次数，verdict 取 ok / fixable / regen：
#!/usr/bin/env bash
# 统计各档位返工量与「每次生成产出可用镜头」的比例
awk -F, 'NR>1{
n[$4]++; takes[$4]+=$2; fee[$4]+=$2*$3
}
END{
for (k in n) printf "%-8s shots=%d avg_takes=%.2f fee=%.1f\n", k, n[k], takes[k]/n[k], fee[k]
for (k in n){ total_takes+=takes[k]; total_fee+=fee[k] }
printf "每次生成产出可用镜头比例=%.1f%% 单部生成费=%.1f 元\n",
100*n["ok"]/total_takes, total_fee
}' shots.csv
三档的价值在于把"重跑一次生成"和"修一次"分开：fixable 进修复链路，regen 才回到生成模型。
4. 按镜头分级路由
不是所有镜头都值得上质量档。identity_lock 里标了角色特写或商品标识的镜头派给质量档，纯空镜、过场派给 Lite 档。
效果
| 指标 | 接入前 | 接入后 |
|---|---|---|
| 镜头可用率（漫森文化） | 约 30% | 50%—80%，精细化运营稳定在 80% 左右 |
| 单部精品 AI 短剧成本 | 10 万—20 万元 | 再节约约 30%，整体效率提升约 30% |
| 电商图片素材有效使用率 | 50%—60% | 70%—80% |
| 内容生产综合成本 | — | 降低约 20%（腾讯云披露） |
| 单镜头生成费（10 元/次、可用率 50% 推算） | 100 元 | 20 元 |
复盘
最贵的教训：把单次调用价格当成成本。 10 元一次听起来便宜，十次才出一个可用镜头就是 100 元；可用率从 30% 抬到 50%，同样的单次价格立刻变成 20 元一个镜头。不先测可用率就换模型，优化方向会全错。
第二贵的：先建埋点，再谈换模型。 上面那段 awk 不到 20 行，能算清每个镜头的平均生成次数与费用，是判断该修模型、该改约束、还是该砍镜头的唯一依据。没有这个分母，任何"画质提升"都无法折算成钱。
还能怎么改： 把 identity_lock 的一致性校验做成准入门禁，不达标不进剪辑；把商品特征（形状、颜色、标识）做成固定回归集，每次切换模型档位先跑一遍；fixable 的判定标准要写死，否则它会被悄悄当成 ok 放过去，问题留到成片才暴露。
参考来源
- InfoQ 中文 ·《AI 生成视频何时才能告别"抽卡"？藏在高效生成背后的返工与成本难题》：https://www.infoq.cn/article/xd9o6TyQ8GLON3dmiWpG?utm_source=rss&utm_medium=article
- 同一篇文章的 RSS 抓取入口（正文全文）：https://www.infoq.cn/article/xd9o6TyQ8GLON3dmiWpG