本文由 辛梓煜@词元二号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

AI短剧真正难的不是"生成一个好看镜头"，而是把一整集几十个镜头稳定地串成一条线。单个15秒片段现在的模型都能做得不错，可一旦要连续输出，角色会变脸、场景会漂移、机位一切就穿帮——这就是大家常说的"抽卡"。它的技术根子在于主流AI视频模型是2D扩散逐帧生成、帧与帧之间几乎没有记忆，模型"看不懂"三维空间。解决思路其实早就藏在电影工业里：把"预演（previs）"搬到生成之前，先用不烧算力的方式把机位、走位、空间关系定死，再让模型照着这个"锚点"去生成。我实测下来，真正能把成本压下来的关键动作有三个——把剧本拆成"叙事单元→片段→分镜"的分层结构、用3D片场在生成前反复调机位、用一段预览视频给整组分镜定一致性基准。 把这三步做扎实，废片率和积分消耗能明显往下走，一集短剧的产出效率会完全不同。

想看完整拆解——从一致性的技术原理，到3D片场和智能镜头到底怎么用、为什么省钱，再到Agent与画布怎么配合、团队怎么沉淀经验——往下翻。

一、先搞清楚：AI短剧到底卡在哪一环

做AI视频的朋友大概都有这种体感：生成一个十几秒的独立镜头，现在真的不难。切镜头、人物表情、光影质感、一点点运镜，主流工具都能给到不错的效果，发个朋友圈素材绰绰有余。

但你只要试着做"一整集"，麻烦立刻就来了。

我自己第一次完整走一集流程的时候，最直观的崩坏是这样的：第一个镜头里女主穿的是浅色风衣，切到下一个镜头衣领的样式变了；同一个客厅，上一镜沙发在画面左边，下一镜莫名其妙挪到了右边；两个角色对话，正反打之间人物的脸微妙地"换了个人"。这些问题单看每一帧都不致命，可连起来一放,观众一眼就能察觉"这是AI糊的"，代入感瞬间没了。

1.1 "抽卡"这个词，到底在说什么

圈里把这种现象叫抽卡。意思很直白：你写好提示词点生成，产出带有很强的随机性，同样的指令跑三条，可能只有一条能用，另外两条不是穿帮就是跑偏。于是你只能反复重跑、反复挑，像抽卡一样碰运气。

抽卡的代价是实打实的。每一次生成都要消耗算力（在很多平台上体现为积分或Token的扣减），你抽废的那两条，钱和时间就这么烧掉了。一集短剧动辄几十个视频片段，如果每个片段都要抽三五次才能过，成本会以肉眼可见的速度往上堆。

我一直觉得，衡量一个AI视频工具好不好用，画质只是及格线，真正的分水岭是"可控性"和"单位成本"。可控性决定你抽几次能中，单位成本决定你抽废了心不心疼。这两点做不好，画质再惊艳也只是Demo，落不了地。

1.2 成本主要烧在哪几个地方

我把一集AI短剧从剧本到成片的流程拆开，标了标每一环最容易失控、最容易烧算力的点：

看这张表你会发现一件事：烧钱的从来不是"生成"这个动作本身，而是"生成之后发现不对、只能推倒重来"的返工。 抓住这个本质，后面所有的优化思路其实都指向同一个方向——想办法在真正开始烧算力生成之前，就把不确定性尽量消灭掉。

1.3 为什么"单镜头容易、整集难"

这里再多说一层，因为它是很多新手最想不通的地方：明明单个镜头做得挺好，怎么一凑成整集就全乱了？

原因在于误差是会累积的。单个15秒镜头，模型只需要在很短的时间窗口里保持连贯，出错的机会有限，所以看着不错。但一整集是几十个镜头首尾相接，每个镜头都带着一点点偏差——这一镜角色的脸偏了0.5分，下一镜场景漂了0.5分，单看都不明显，可几十镜叠加下来，偏差就滚成了肉眼可见的崩坏。

更麻烦的是，前期环节的错误会向后传导。剧本拆分如果逻辑乱了，后面的分镜跟着乱；参考图如果没锁住形象，后面所有引用它的镜头都跟着变。这就是为什么我一再强调"前期功夫"——不是前期做得好后面就能省心那么简单，而是前期一旦出错，错误会像滚雪球一样一路放大到成片。整集难，难就难在这条"误差累积 + 错误传导"的链条上。理解了这条链，你就明白后面每一个"把功夫下在前面"的动作，都是在给这条链的源头装保险。

这也是我这篇文章想重点讲的。下面先把"为什么会崩"的技术原理讲透，再讲具体怎么在流程上把成本按下去。

二、为什么AI视频总是"崩"：一致性问题的技术根子

要治病得先知道病根。AI视频的"崩"，本质是**一致性（Consistency）**没保住。而一致性又可以拆成两个层面，很多新手容易混，我先用白话把它们分清楚。

2.1 两种一致性：角色一致 vs 空间一致

角色一致性，说的是同一个人在不同镜头里长得一样：脸、发型、身材、服装不能变。这是观众最先能察觉的一层。

空间一致性（也有人叫几何一致性），说的是场景的三维结构在镜头运动中保持稳定：同一个房间，桌子该在哪就在哪，镜头绕过去、拉近拉远，物体的相对位置、远近、尺度都不能乱。

打个比方，角色一致像是"演员没换人"，空间一致像是"没换片场"。一部戏演员没换、片场没换，观众才会相信这是连续发生的故事。两者只要有一个崩了，代入感就断了。

2.2 病根：逐帧生成，帧间没有记忆

为什么会崩？我查了不少技术资料，把原理捋成一句人话：主流AI视频模型大多基于2D扩散架构，本质是在做像素级的画面生成，并不真正"理解"三维空间。

早期的生成器甚至把每一帧都当成一个几乎独立的创作任务，帧与帧之间只有很松的联系。有个比喻我特别喜欢：这就像让一屋子画师各画电影的一帧，但谁都不知道前后画的是什么，最后拼起来当然对不上。

因为模型没有真正的空间认知，它识别不了场景的绝对尺度、物体的远近坐标，只能靠文本提示"脑补"画面。单帧看着挺精致，镜头一动就容易场景漂移、物体错位、空间失真、画面穿帮。 这也是为什么很多AI视频只能当"好看的观赏品"，一到需要连贯叙事的严肃场景就露馅。

用一张小图对比一下"传统逐帧生成"和"带空间理解的生成"在思路上的差别：

传统2D扩散逐帧生成：
  文本提示 ──▶ [帧1] [帧2] [帧3] ... 各帧独立脑补
                  ▲     ▲     ▲
                  └─弱关联─┘  ← 一动就崩

带空间理解的生成：
  文本/参考图 ──▶ 建立三维空间锚点 ──▶ [帧1][帧2][帧3]...
                        │                 ▲
                        └──── 硬约束 ──────┘  ← 位置稳定

2.3 行业的解法：让AI先"读懂空间"

这两年行业的突破口，基本都指向同一件事：给生成过程加上三维空间的硬约束，压住模型的"幻觉"。

一条路线是"持久记忆"式的主体锁定——先确立角色/物体的形象，再从不同角度渲染它，让核心特征在多个镜头里保留下来。国内外不少主流模型都上了这类"角色一致性""主体参照"功能，靠上传主体图+描述场景来锁形象，一定程度上缓解了变脸问题。

另一条路线更硬核，直接引入空间模型 / 世界模型：用真实三维几何数据作为硬性约束，让生成的每一帧都符合物理逻辑。这条路线的代表思路，是让AI真正建立起对"空间关系"的认知，而不是停留在二维像素层面。

我这次重点体验的工具LuxReal，走的就是后一条路。它背后是群核科技自研的Lux3D空间模型加上多智能体（Multi-Agents）协同系统，构建了一条从"3D理解→场景渲染→视频增强"的一体化管线。群核这家公司本身就是做空间智能出身的（早年那款家装设计软件酷家乐就是他们的，2012年成立，一直在用GPU做"物理正确的虚拟空间"），把过去在3D空间重建、生成、编辑上积累的老本行搬到AI视频里，思路是顺的。

这里有个我觉得很关键的判断——越贴近物理世界、越懂空间的AI，产出的画面越稳。 因为它不是在"猜"一个合理的画面，而是在一个已经搭好的三维骨架里"渲染"画面。骨架是死的，画面自然就稳了。

2.4 为什么"光靠文字提示词"喂不饱模型

很多新手会有个误区：以为提示词写得够细，模型就能稳定输出。实际不是这样。

问题出在信息维度上。文字是一维的线性描述，而画面是二维、场景是三维。 你用文字去约束一个三维空间，天然是"降维喂料"——无论你写得多细，"沙发在左边、茶几在中间、镜头从门口推进来"这句话里，仍然缺少大量模型需要的定量信息：沙发离镜头多远？茶几多高？镜头以什么曲线运动？这些空档，模型只能自己脑补，而每一次脑补都是一次不确定性的来源。

这也是为什么单纯堆提示词，边际收益会递减。写到一定程度，你会发现再怎么加词，画面该崩还是崩。因为瓶颈根本不在"描述得够不够细"，而在"模型有没有一个可以对齐的空间基准"。

所以真正的解法是换一种"喂料方式"：不再让模型从文字里脑补空间，而是直接给它一个已经确定的空间/参考。 一张锁定了站位的关键帧、一个搭好的三维场景，携带的空间信息量远远超过一大段文字。这就是为什么"参考图/3D场景"能立竿见影地把一致性提上来——它把模型最容易出错的那部分（三维空间的脑补）直接接管了。

我看到有些做空间大模型的团队，思路就是用真实三维几何数据当"硬性约束"去压制模型的幻觉，让生成视频的每一帧都保持稳定可信的空间逻辑。本质上和上面这套逻辑是一回事：能用确定信息约束的地方，就别让模型去猜。

2.5 顺带说说：一致性做好了，AI视频才算"能用"

多提一句行业视角。当视频生成真正具备几何一致性、空间一致性之后，它的意义不只是"短剧不穿帮"这么简单——它标志着AI视频从一个"好看的观赏工具"升级成了一个"可靠的生产工具"。

这就像一个只会画漂亮草图的实习生，和一个能按图纸精确施工的工程师之间的差别。前者能给你惊喜，但你不敢把正经活儿交给他；后者也许没那么多花样，但交出去的东西你放心。AI短剧要工业化、要规模化产出，靠的正是后一种"可靠"。而可靠的地基，就是这一节讲的一致性。

理解到这一层，你就能看懂后面两个核心功能——3D片场和智能镜头——为什么能省钱：它们本质上都是在"让模型照着一个稳定的空间锚点去生成"。

三、把电影工业的"预演"搬进AI流程

在讲具体操作之前，我想先补一个概念，它是整套省钱逻辑的思想源头——预演（Previs）。搞懂它，你会对"为什么要在生成前多花那点功夫"有完全不同的理解。

3.1 什么是Previs

Previs是Previsualization的缩写，中文一般叫视效预览或预演。简单说，就是在正式开拍之前，用低精度的3D模型和粗糙动画，把剧本或分镜"提前拍一遍"：演员怎么走位、镜头摆在哪、机位怎么运动、构图什么样，先用最省的方式演示给导演看。

好莱坞的大片，从《阿凡达》到一堆超级英雄电影，前期都做过大量Previs。为什么？因为电影拍摄一旦开机，每一分钟都在烧钱，摄影棚、灯光、群演、器材全是成本。如果等实拍甚至后期才发现"这个机位不对""这场调度不成立"，返工的代价是天文数字。

预演的做法其实不复杂，核心是"抓大放小"：用低精度的模型、简单的动画，先把演员走位、取景、机位角度、镜头运动这些"大方向"演示出来，省掉细节打磨那些耗时的环节。有意思的是，很多优秀的Previs跟最终成片几乎一模一样——导演看着预演反复提意见，改到满意了，实拍时就照着这套方案执行，节奏又稳又顺。除了控成本，预演还有个隐藏价值：一段形象、动态的预演视频，比一份纯文字剧本更容易让别人看懂你想拍什么，沟通效率高得多。

3.2 "在前期修复它"

行业里有句话我印象特别深：不专业的做法是"我们在后期修复它（fix it in post）"，意思是拍砸了没关系，后期花大价钱用数字手段补救；而Previs的理念正好反过来——"在前期修复它（fix it in pre）"，趁着还没真正烧钱，先在虚拟环境里把问题解决掉。

预演能让导演、摄影、剪辑提前对机位移动、灯光、每个镜头时长、布局设计反复试验，把错误消灭在开机之前。你想想这能省下多少时间和金钱。

3.3 类比到AI视频：把"抽卡"前置成"预演"

现在把这套逻辑平移到AI短剧上，你会发现它们的结构惊人地一致：

一句话总结：AI视频省钱的关键，不是让每次抽卡更便宜，而是尽量少抽卡。而"少抽卡"的办法，就是学电影工业，把功夫下在生成之前。

这就是我接下来要拆的几个功能的底层逻辑。你带着"这其实是AI版的Previs"这个视角去看，会通透很多。

四、工作流第一步：把剧本拆成有层次的结构

真正上手，第一件事不是急着生成，而是把剧本拆好结构。这一步看着不起眼，实测下来它直接决定了后面镜头一致性的表现。

4.1 三层结构：叙事单元 → 视频片段 → 分镜

我用过好几款同类工具，很多Agent会简单粗暴地把每个视频节点都叫"分镜"。但这个叫法其实不准确——一个视频节点里可能包含好几个分镜。命名一乱，项目管理就跟着乱。

LuxReal在这里做了一个我很认可的处理：把一集剧本拆成清晰的三层——

• 叙事单元：相当于把一集短剧按情节切成几大块，每块剧情连贯、场景集中。
• 视频片段：每个叙事单元里包含一个或多个片段。
• 分镜：每个片段又由多个分镜构成。

用一张结构图会更直观：

graph TD
    A[一集短剧剧本] --> B1[叙事单元 1]
    A --> B2[叙事单元 2]
    A --> B3[叙事单元 3]
    B1 --> C1[视频片段 1-1]
    B1 --> C2[视频片段 1-2]
    C1 --> D1[分镜 a]
    C1 --> D2[分镜 b]
    C1 --> D3[分镜 c]

别小看这套命名规范。当你要管理几十上百个节点时，一套清晰的层级能让你随时知道"我现在在改哪一块、它属于哪个情节"。这跟写代码要分模块、写文档要分章节是一个道理——结构先立住，混乱才不会蔓延。

4.2 开工前的基础配置

在正式生成之前，还有几个参数要先定好，相当于开机前把摄影机和片场规格调对：

1. 画面风格：整集的视觉调性，写实、动漫、还是某种特定质感。
2. 画幅比例：竖屏短剧一般走9:16，横屏走16:9，先定死免得后面返工。
3. 视频模型：不同模型擅长的东西不一样，可以按场景选。这里补一个我觉得很聪明的设计——好的平台不会把自己锁死在单一模型上，而是"不管黑猫白猫，能落地就是好猫"，在第三方模型提供创意的基础上，自己那一层专门负责把空间一致性补稳。
4. 创作Skill：这个下面第八节会专门讲，简单说就是一套预设的"创作风格模板"，比如偏剧情刻画、偏对话冲突，选一个贴合你这集调性的，也支持自己创建。

我的习惯是：配置这一步宁可多花五分钟，也不要偷懒。 风格和比例这种全局参数一旦定错，后面每个镜头都得跟着返工，那才是真的烧钱。辛梓煜@词元2号站在这一步踩过坑——早期图省事直接用默认参数开跑，结果画幅不对，几十个片段白生成，教训深刻。

4.3 再多聊聊Skill：为什么它值得一开始就选好

上面第4点里提到的Skill，我想单独多说两句，因为新手很容易忽略它，直接用默认跑，结果风格飘忽。

你可以把Skill理解成一套"预设的创作偏好"。同样一段剧本，选"偏剧情刻画"的Skill，出来的画面会更注重情绪、光影、人物微表情；选"偏对话冲突"的Skill，节奏和分镜会更紧凑、更强调正反打和张力。选对了Skill，相当于一开始就给整集定了一个统一的"腔调"，后面几十个镜头都会朝这个方向走，一致性和风格统一度都会更好。

如果内置的Skill不够贴合你的需求，还可以自定义创建，把你自己摸索出来的一套偏好固化下来。我的建议是：新手先从内置Skill里挑一个最接近的用着，等你对整套流程熟了、有了自己的手感，再考虑做自定义Skill。 一上来就自定义，容易因为不了解各参数的作用而调出奇怪的效果。

4.4 一句话记住这一节

整个第四节其实就讲了一件事：结构先行。 先把剧本拆成清晰的三层结构，把风格、比例、模型、Skill这些全局参数定死，再往下走。这一步做扎实了，后面的生成才有一个稳固的地基。急着跳过它直接生成，看似省了几分钟，实则给后面埋了一堆返工的雷。做AI短剧和盖房子一样，地基不稳，楼越高塌得越惨。

五、3D片场：把2D画面变成可调度的虚拟片场

好，进入第一个真正的"省钱大招"——3D片场。这也是群核作为空间智能公司最能打的一张牌。

5.1 它到底做了什么

一句话概括：它能把一张2D的场景图，转换成一个可以自由调度的3D虚拟片场。 进去之后，你能像在真实片场一样摆机位、调度镜头。

这背后接的正是前面说的空间模型和世界模型能力——基于一段文字、一张参考图或一个空间布局，生成一个完整的三维场景。对短剧创作来说，这意味着同一个场景在不同镜头里能保持稳定，不会切一个镜头就穿帮。

5.2 具体怎么操作

流程我走下来是这样的，很顺：

1. 剧本解析完，Agent会自动提取出所有数字资产（人物、场景等）。
2. 点开一张已经生成好的场景图，会看到一个"生成3D片场"的按钮。
3. 进去之后，画面就变成了可自由旋转、可调度的三维空间。你可以像导演一样反复调机位、确定构图。
4. 关键点来了——在3D片场里反复调机位、试构图，是不消耗任何生成视频积分的。
5. 等分镜定稿，再从3D片场里截取关键帧，作为后续生成视频的参考画面。

你把第4点和前面Previs那节连起来看就懂了：这就是AI版的"在前期修复它"。 在虚拟片场里怎么折腾都不烧生成算力，等你把机位和构图都调满意了，再进入真正烧积分的视频生成阶段。相当于把过去要靠反复抽卡才能碰到的"对的构图"，前置成一次不花钱的预演。

这里还有两个细节值得展开。

一个是数字资产。剧本解析完之后，系统会自动把人物、场景这些"资产"提取出来，你可以在创作界面一键批量生成。这些资产是复用的——同一个角色、同一个场景，在整集里反复出现时，调用的是同一份资产，而不是每次重新脑补一个。这本身就是一致性的一道保障。

另一个是资产联动。当你在某个环节替换了一张参考图，它会自动同步到下一轮的制作流程里，不用你一个节点一个节点手动去改。这个设计看着小，实际很省心——想象一下你临时决定给女主换套衣服，如果要手动去几十个节点里逐个替换，那才叫噩梦；有了联动，改一处、全局跟着走。

对AI创作者来说，3D片场真正给到的，是一种类似"导演在片场预演"的能力。以前做AI视频最头疼的就是：不同片段、不同机位之间，人物和空间的位置总是对不上，像是每个镜头都在不同的平行世界里拍的。现在你可以提前在一个统一的三维空间里规划好镜头、角色和动作，创作自由度一下子打开了，同时又把后续生成阶段"碰运气反复抽卡"的消耗大幅压了下来。自由度上去了，成本反而下来了——这在过去是很难兼得的两件事。

用伪代码表达这套逻辑，会更清楚它省在哪：

# 传统抽卡：每次试构图都烧积分
for 尝试 in range(N):
    视频 = 生成视频(提示词)      # ← 每次都扣积分
    if 构图满意(视频):
        break                    # 运气好早点中，运气差一直烧

# 3D片场预演：先在不烧积分的空间里定好，再一次性生成
关键帧 = 在3D片场里反复调机位()   # ← 0 积分消耗
视频 = 生成视频(提示词, 参考=关键帧)  # ← 只在最后烧一次，命中率高

5.3 一个直观的对照体验

为了验证参考图到底有没有用，我做过一次很朴素的对照实验（例子做了通用化处理，方便你理解原理）。

假设有一个站位比较复杂的关键帧：一个角色从画面左侧往右走，另一个角色从远处往近处走，两人的运动轨迹会在中间交汇。这种多主体、带纵深调度的画面，最容易崩。

我分别生成两段视频：一段喂了这张关键帧作参考，一段不喂。结果很明显——用了参考图的那段，人物运动轨迹完全照着我给的关键帧走；没用参考图的那段，跑着跑着就偏了，两个角色开始一起往镜头方向走，完全不是我要的调度。

这个对照说明一件事：参考图不是锦上添花，它是在给模型"划边界"。 你给的空间锚点越明确，模型脑补跑偏的空间就越小，废片概率自然就低，积分也就省下来了。

5.4 什么场景最值得做3D片场

实操建议：不是每个镜头都值得进3D片场。越是"重要、会反复出现、又特别不能穿帮"的核心场景，越值得花这个功夫。 比如整集戏都在的主场景（客厅、办公室），做一次3D片场把空间定死，后面所有在这个场景里的镜头都能受益。而一些一闪而过的过渡镜头，直接生成反而更划算。把精力花在刀刃上，这是控成本的基本功。

5.5 一个容易被忽略的用法：先上传，再调度

补一个进阶用法。3D片场里的场景图，不一定非得是系统生成的——你也可以自己上传一张场景图，或者改了提示词之后重新生成，再进入3D片场去调度。这给了你更大的自由度：手上有满意的场景素材，直接拿来当片场的底子；对系统生成的场景不满意，先改提示词把图调对，再进片场摆机位。

甚至在片场里，你还能给场景增加人物或其他要素。这意味着3D片场不只是一个"看"的预览器，它更像一个可以持续编辑、持续搭建的虚拟摄影棚。你在里面搭得越充分，后面生成时模型可依据的锚点就越扎实。我的习惯是，对整集最关键的那一两个场景，我会舍得在片场里多花点时间把它搭到位——这笔前期投入，后面会以"少抽很多卡"的形式加倍还回来。

六、智能镜头：用一段预览视频给整组分镜"定基准"

如果说3D片场解决的是"空间/机位"的一致性，那智能镜头解决的就是"跨分镜"的整体一致性。这是我这次体验里最喜欢的功能，思路很巧。

6.1 它在标准流程里"加了一步"

按常规流程，生成完视频提示词，下一步就直接进入最终的视频生成了。但智能镜头在中间插了一步：先生成一段10秒左右的预览视频，在这段视频里，把全部人物和空间的位置关系一次性锁定下来。

然后，Agent会从这段预览视频里抽取关键帧，作为后续每一个分镜的参考图，为整组分镜提供一个统一的"视觉基准"。

6.2 为什么它比"传统九宫格"稳

这里要对比一个老办法——传统九宫格。过去为了保一致性，常见做法是一次性生成一张九宫格图（一张大图里塞九个角度/姿态），再从里面抠图当参考。但九宫格里的每一格，本质上还是模型各自"脑补"出来的，格与格之间并没有真正的血缘关系，所以经常出现某一格穿帮、某一格人物特征对不上。

智能镜头不一样：它抽出来的所有关键帧，都源自同一段连续的预览视频。 同一段视频里的帧，天然共享同一套镜头语言、同一套人物特征、同一套空间布局，是有"血缘"的。所以拿它们去做后续分镜的参考，一致性远比九宫格那种"拼凑出来的参考"要稳。

用一张表把两种做法摆一起：

6.3 它省钱的账，怎么算

智能镜头的成本逻辑，用一个简单的关系式就能说明白。设整组要生成的分镜数为 (n)，每个分镜平均抽卡次数为 (k)，单次生成积分为 (c)。

不做锚定时，总消耗大致是：

[

\text{成本}_{\text{无锚}} = n \times k \times c

]

做了智能镜头之后，你只多付出"一段预览视频"的固定成本 (P)，但因为每个分镜都有了稳定基准，平均抽卡次数从 (k) 降到了更小的 (k')：

[

\text{成本}_{\text{有锚}} = P + n \times k' \times c \quad (k' < k)

]

只要分镜数 (n) 够多、锚定把 (k') 压得够低，那点预览视频的固定成本 (P) 就会被摊薄到可以忽略。说白了：花一段预览视频的代价，给下游数个甚至十几个分镜提供锚点，降低抽卡概率——分镜越多，这笔买卖越划算。

6.3.5 一个穿帮对照，直观感受差距

再补一个我观察到的对照，帮你把这个差距"看见"。

在一组连续分镜里，如果用传统九宫格的参考去生成，很容易出现局部穿帮：比如同一个房间，某一格里窗户