十次生成才出一个镜头：AI 视频最贵的不是模型调用费

一条十秒的 AI 视频，生成可能只要几分钟。但要让画面真正符合分镜要求，创作者往往要反复生成、筛选、再修改——这个被从业者称为“抽卡”的过程，正在成为 AI 内容生产中最隐蔽、也最容易被低估的成本。

一分钟速览

• 行业经验：一部 AI 短漫剧从分镜到成片，平均约十次生成才能得到一次满意结果。
• 单次生成便宜，不等于成品便宜。可用率只有三成时，一个镜头的真实生成成本是标价的三倍以上。
• 腾讯云 WAND 披露的客户案例中，镜头可用率从 30% 提升到 50%—80%，精品 AI 短剧单部成本再降约 30%。
• 竞争焦点正从“生成质量”转向“可用率、可编辑性与交付成本”。

“抽卡”为什么会吃掉利润

腾讯云 WAND 多模态应用负责人朱琳给出的行业经验是：制作一部 AI 短漫剧，从分镜到成片，过程中大约需要十次生成尝试，才能得到一次满意效果。这个数字背后，是模型调用费、等待时间、人工筛选和后期返工的叠加。

成本账其实很好算。假设生成一次视频需要 10 元，平均十次才得到一个可用镜头，仅生成费用就是 100 元；如果可用率提高到 50%，平均两次就能得到可用结果，费用降到 20 元。这还没有算上人工筛选、修改和后期处理的工时。对批量生产内容的团队来说，提高可用率与降低单次调用价格同样重要，甚至更重要。

漫森文化的实践提供了一个更具体的参照。公司助理总经理谭琳介绍，团队此前的镜头可用率约为 30%；接入腾讯云 WAND 的视频生成、画面修复与增强能力后，可用率提升到 50%—80%，经过精细化运营可以稳定在 80% 左右。公司制作的精品 AI 短剧单部成本约为 10 万—20 万元，使用相关能力后成本进一步节约约 30%，整体效率提升约 30%。

电商场景的逻辑类似。紫讯科技联合创始人杜玉生介绍，公司主要服务跨境电商 B 端客户，帮助商家制作广告获客素材。接入 WAND-Vega 后，图片素材的有效使用率从此前的 50%—60% 提升到 70%—80%，在达到相同业务效果的情况下，商家的素材成本有所下降。

问题不只在模型：缺的是“中间层”

今年 9 月发表的论文《Better Call CineCrew: Consistent Ultra-Long Narrative-to-Film Generation》指出，长篇叙事视频生成仍然面临镜头级控制、跨片段视觉身份和角色行为一致性等挑战。研究者认为，现有基于提示词的工作流容易出问题，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，无法充分表达镜头、角色和连续性等约束。

换句话说，剧本描述了故事要发生什么，却未必明确规定摄像机如何运动、人物站在哪里、哪些细节必须跨镜头保持一致。这些信息如果没有在生成之前被表达清楚，创作者就只能等结果出来之后再反复修改。

腾讯云副总裁、媒体 AI 产品负责人李志成也提到，即使是行业头部的视频生成模型，在光影、物理规律较为复杂的影视场景中，仍有尚未解决的问题。商业生产对多模态模型的要求，已经不只是“画面逼真”，还包括准确遵守指令、保持内容一致、稳定产出符合要求的素材。

减少返工的三条路

第一条是生成前加约束。WAND 尝试引入 3D 白模：先用 3D 软件生成简化场景视频，确定物体位置、空间关系和部分运动信息，再把它作为参考交给视频生成模型。相比纯自然语言描述，白模把场景布局和运动关系变成了更明确的视觉约束，创作者可以在正式生成前调整空间结构和镜头安排。现场分享的一个案例是，保险客户希望呈现春节燃放鞭炮发生事故、救护车赶到现场的情节，平台先生成白模场景，再交给视频模型生成，从而减少了反复尝试。

第二条是针对专业场景做后训练。WAND-Vega 并不是从零训练的通用基座，而是基于腾讯混元及部分开源基础模型进行后训练和调优。通用场景下现有模型已能满足基本要求，但电商要准确保留商品形状、颜色和标识，影视更关注人物一致性、动作与镜头衔接——这些高频问题需要专门的优化。WAND-Vega 还提供偏性价比的 Lite 和偏生成质量的 Pro 版本；李志成透露，在效果基本对齐部分行业主流模型的情况下，面向成本敏感客户的方案可降低约 20%—30% 的模型成本。

第三条是局部修复代替整体重生成。如果主体内容已经符合要求，只是字幕错误或局部画面瑕疵，重新生成不仅增加成本，还可能破坏原本满意的部分。WAND-EraseVibe+ 采用基于隐空间 Transformer 的生成式修复架构，先把视频编码为隐空间特征，在特征层推断并重建需要修复的区域，再解码回画面。

Agent 接管流程，但判断仍要留给人

一段视频从生成到成片，要经过画面修复、增强、配音、字幕和剪辑等多个环节，涉及不同模型与工具。固定工作流能完成部分任务，漫森文化就通过自研制作中台按预设流程调用；而需要临时组合能力的任务，则更适合交给 Agent。

有平台负责人介绍，其 Creative OS 允许用户用自然语言提出创作需求，由 Agent 参与模型选择和工具调用。平台统计显示，82% 的视频模型调用已经由 Agent 发起，部分过去需要手动搭建画布节点的操作，如今可以交给系统完成。

但自动化不等于可以交付。智象元一沈伟峰指出，普通个人创作者更关注最终结果，专业影视团队还要求创作过程具有较高的可控性和可编辑性：可能认可一个镜头的整体效果，却只想改人物表情；也可能想保留现有场景，只调整镜头运动。如果工具每次都要重新生成完整画面，或者无法保留和编辑中间结果，那么自动化程度再高，也未必适合严肃的商业生产。

下一步：从“能生成”到“能交付”

过去两年，视频模型的竞争主要围绕画质、时长和物理一致性展开；当这些指标逐渐接近可用水平，真正的分水岭变成了单位成品的成本。白模前置、垂直场景调优、局部修复和 Agent 编排，指向的是同一个目标：把不确定的“抽卡”变成可预测的生产流程。

这也意味着，评估一个视频模型不能只看单次生成价格，而要看“得到一个可用镜头”的综合成本；不能只看演示片，而要看批量生产中的一致性、可编辑性和返工率。对内容团队来说，下一阶段的效率提升，可能不再来自换一个更强的模型，而是来自把生成前、生成中、生成后的环节重新组织起来。