AI视频还在“抽卡”：真正的瓶颈是可用率与返工成本

导语

用AI生成一段视频，可能只需几分钟；但要得到真正符合要求的镜头，往往还要反复尝试。业内将这种不断生成、筛选的过程称为“抽卡”。据采访信息，AI短漫剧从分镜到成片，可能平均需要约十次生成，才能得到一次满意结果。速度提升因此并不等于交付效率提升。

核心问题：生成快，不代表内容可用

商业内容对生成模型的要求，远不止画面逼真。电商素材需要保持商品的形状、颜色和品牌标识，并批量生成主图、卖点图和场景图；视频制作则要同时维护角色外观、动作、空间关系和镜头衔接。只要一个镜头出现偏差，就可能引发后续返工。

长篇叙事尤其如此。相关研究指出，当前工作流往往缺少连接剧本与视频模型的结构化中间层。剧本说明“发生什么”，却未必清楚描述镜头如何运动、人物位于何处，以及哪些特征必须跨镜头保持一致。当这些约束没有在生成前表达清楚，问题就只能在结果出来后修补。

成本不只来自模型调用

假设一次生成成本为10元，平均十次才能得到可用镜头，单纯的模型费用就达到100元；若可用率提高到50%，平均调用两次即可得到结果，费用则降至约20元。实际成本还包括人工筛选、修改、剪辑和等待时间。因此，提高可用率，往往比单纯压低单次调用价格更重要。

素材中提到，腾讯云WAND尝试从三个环节减少返工：

• 生成前增加约束：通过3D白模预先确定场景布局、物体位置和部分运动关系，再交给视频模型生成，降低空间结构出错的概率。
• 针对行业进行调优：电商更重视商品特征保留，短剧更关注人物一致性、动作和镜头衔接。垂直优化的目标，是提升具体业务中的有效产出。
• 生成后进行局部修复：当主体画面已经合格、仅字幕或局部区域存在问题时，擦除与重建可能比整段重生成更经济。

据相关企业披露，漫森文化接入这类能力后，镜头可用率由约30%提升至50%—80%，精品AI短剧成本节约约30%；紫讯科技则称，电商图片素材有效使用率由50%—60%提升至70%—80%。这些数据属于企业案例，实际效果仍取决于任务类型和制作流程。

Agent能做什么，不能做什么

从生成、修复、增强到配音、字幕和剪辑，内容生产需要调用多个模型与工具。固定工作流适合标准化任务，Agent则可以根据自然语言需求选择工具、安排步骤并处理部分调用。素材显示，某平台此前统计中，82%的视频模型调用已由Agent发起。

但自动编排并不等于自动交付。专业创作者可能只想改变人物表情或镜头运动，而不是重新生成整幅画面。如果系统不能保留中间结果、支持局部编辑，自动化反而会牺牲可控性。

意义与影响

AI视频行业的竞争焦点，正在从模型单次效果转向完整生产系统：前端要把创意转化为明确约束，中间要协调模型和工具，后端要支持修复、复用与人工介入。未来真正有价值的产品，不只是更快生成画面，而是以更高可用率、更少返工和更强可编辑性，稳定地把内容送到交付环节。

来源：InfoQ 中文