實作觀點
AI 影片生成：難的不是生成，是驗收
把 AI 影片當生意做，瓶頸不在模型好不好，而在你有沒有辦法在交付前知道這支片是不是壞的。生成模型今天已經能產出足以放上官網的畫面，也同樣能產出「輸送帶自己變長」「三爪卡盤轉著轉著爪子消失」這種一眼假的畫面——而這兩種結果會來自同一個模型、同一組參數，只差一句提示詞。能不能量產，取決於你有沒有一套「哪些鏡頭本來就不該叫 AI 做」的判斷，以及一套逐秒檢查的驗收方法。選模型是最容易的一步，也是最不重要的一步。
四個結論
01
AI 影片的失真集中在「離散動作」與「複雜幾何旋轉」——一顆顆掉落的產品、夾著工件高速旋轉的卡盤、噴出的液體。同一個模型拍「鏡頭移動＋機器靜止」卻穩定得多。這不是模型優劣問題，是任務類型問題。
02
靜態抽幀驗收會漏掉全部的動態瑕疵。結構變形、物件增殖、方向錯誤都發生在時間軸上；改用逐 0.5 秒的網格逐格比對後，前三輪「看起來沒問題」的成品全部現形。
03
保真度隨秒數衰減：首格最可信（那就是你的來源照片），越往後模型自由發揮越多。實務對策是生成長段、只取前段，並用多個短鏡頭快切取代單一長鏡頭——短段快切還有個副作用好處：2 秒的瑕疵幾乎看不出來，15 秒的瑕疵整支報廢。
04
最便宜的模型往往最貴。我們對測四個低價模型做提示詞前處理，其中最便宜的那個把運算預算全燒在內部推理然後交白卷；另一個「能跑」的模型把「遠小於」理解成「約一半」——它讓使用者以為問題解決了，實際放大了原本的錯誤。便宜而錯的輸出，成本是整批重做。
為什麼「換一個更好的模型」解決不了這件事？
因為失真的來源不是模型能力不足，是任務違反了模型的機率本質。
生成模型輸出的是「看起來合理的下一格」。機器動作的本質卻是等速、重複、單向、離散——而模型的傾向是漸變、隨機、雙向、連續。兩者衝突的地方就是穿幫點。「一顆顆生產出來的產品」需要的是因果（前一顆離開、下一顆出現），模型只會把它糊成一團連續變形。你換再貴的模型，這個結構性衝突不會消失，只會變得比較不明顯。
真正有效的做法是在寫腳本階段就不要下這種單。同一個訊息可以用做得到的鏡頭講：不拍「產品一顆顆掉下來」的瞬間，改拍「已經成排的成品＋緩慢推鏡」，觀眾自己會補上因果。專業的產業 b-roll 本來就是這樣拍的——動感來自運鏡與剪輯節奏，不是機器在畫面裡耍雜技。
為什麼提示詞要先被改寫，而不是直接送進模型？
因為使用者自然會寫出模型系統性誤解的詞，而這些詞是可以列舉的。
最典型的是相對尺寸。我們要一根「直徑遠小於卡盤」的細棒料，模型生出比原本還粗兩三倍的工件——相對量詞被反向理解。修法不是換模型，是把它換成具體錨點：「約 20mm、成人手指粗細」「像鉛筆一樣細長」。同一類問題還有精確數量（「一排三顆」）、要求模型畫出中文字（必然崩壞）、以及物理上不該存在的元素（常溫機械冒蒸氣）。
這些都是可以自動化的。把實測累積的失敗模式做成規則，在生成前跑一次便宜的語言模型改寫，成本佔一張圖不到百分之二，但直接決定命中率。更重要的設計選擇是：改寫過程要讓使用者看得到。我們的做法是打字時就即時提示「相對尺寸模型常誤解，建議改用具體比例」，生成後再顯示「已自動優化你的描述」並可展開比對。偷偷修好會讓客戶學不到東西，下一次還是寫出同樣的句子。
我們從四個開源專案學到什麼，以及它們共同缺什麼？
四個公開專案各自解掉了管線的一段，而它們全都沒有處理「你怎麼知道輸出是對的」。
它們的共同缺口不是疏忽，是定位差異：這些是示範專案，示範專案的成功條件是「能跑出一次漂亮的結果」；生意的成功條件是「不能交出一次難看的結果」。這兩件事之間的全部距離，都在驗收層。
同樣值得記下的是我們沒有採納的。其中一個是設計精巧的微型內容審核模型——免費、不外洩提示詞，但它是英語成人內容專用，而我們的流量是中文的工業機械描述，風險域不對，重訓的投資報酬率現在不成立。另一個是「限流後讓使用者填自己的 API 金鑰」，這直接違反我們永不下發任何供應商金鑰的原則。看過並且拒絕，跟沒看過，是兩件不同的事。
如果你要評估一家做 AI 影音的供應商，該問什麼？
不要問他們用什麼模型。問這四題：哪些鏡頭你們不接、你們怎麼驗收、同一支片重做要多少錢、你們的失敗紀錄在哪裡。
第一題答不出來的，代表他們還沒撞過牆，你會成為他們的學費。第二題「我們會看過」不是答案——要能說出以什麼時間粒度、檢查哪幾種特定失效模式。第三題如果重做成本高到他們不願意重做，你拿到的就是第一次的結果。第四題最關鍵：有系統累積失敗經驗的團隊，下一支片會比上一支好；沒有的，每一支都是重新賭一次。
我們自己的答案寫在產品裡：哪些鏡頭不接是明文規則，驗收是逐秒網格，生成失敗自動退點，而每一次穿幫都會回寫進內部知識庫——那本知識庫現在是我們最不想交出去的資產，比任何一支成品都值錢。
四個開源專案：各自解掉什麼，以及我們採納了什麼
| 專案 | 它解掉的問題 | 我們採納的做法 |
|---|---|---|
| loras-dev | 風格型錄化的生圖介面 | 每個風格帶一組提示詞精修規則——這個欄位設計啟發我們把失敗模式規則化 |
| violin | 影片翻譯全管線：轉錄、翻譯、配音、混音 | 帶日期戳的供應商費率表＋逐案成本回算；以及「一個風格預設同時綁多個管線階段參數」的資料結構 |
| blinkshot | 即時生圖與濫用防護 | 來源檢查（擋掉不經瀏覽器的直接呼叫）作為縱深防禦的一層 |
| napkins | 截圖轉應用程式 | 它維護一份公開的評測基準（數百次跑分紀錄）——把品質當數據管理的紀律值得抄 |
為什麼換一個更強的 AI 影片模型，解決不了畫面失真的問題？
因為失真的來源不是模型能力不足，而是任務違反了模型的機率本質。生成模型輸出的是「看起來合理的下一格」，而機器動作的本質是等速、重複、單向、離散——模型的傾向卻是漸變、隨機、雙向、連續。兩者衝突之處就是穿幫點。換更貴的模型不會消除這個結構性衝突，只會讓它變得比較不明顯；有效的做法是在寫腳本階段就不下這種單。