如何讓 AI 影片在多個鏡頭之間保持一致？

為什麼鏡頭之間會漂移

影片模型生成每個片段的方式，是從隨機雜訊出發，把它變成符合提示詞的影格。同一個提示詞的兩次生成，起點的雜訊不同，結果就會有些微不同的臉孔、不同的大衣鈕扣，或演員身後不同的窗戶。在單一片段內，模型能同時看到所有影格，所以能維持穩定；在兩個獨立的片段之間，它完全沒有記憶。

研究人員也描述了這個落差。2025 年的論文《Long Context Tuning for Video Generation》指出，能生成長單一鏡頭的模型，仍難以生成連貫的多鏡頭場景，並提出把模型的注意力擴展到一場戲的所有鏡頭，讓它學會場景層級的一致性。現在有些商用模型宣稱原生支援多鏡頭生成，例如 Seedance 1.0 技術報告就把「具備一致主體的多鏡頭敘事連貫性」列為特色。

原生多鏡頭功能有幫助，但撰文當下，它們僅限於單次生成中的短序列。短片或一整集，仍然是由許多次生成組成，所以下面這些方法依然是工作的核心。

哪些必須保持一致：連戲表

劇組會做連戲紀錄，讓分好幾天拍攝的一場戲，看起來像同一個瞬間。在寫任何提示詞之前，先做同樣的事。下面每一行，都是一段簡短的固定文字，或一張參考圖，並且要原封不動地重複使用。

方法一：用參考圖取代描述

只靠文字是很弱的錨點。「黑色短髮的女子」符合數百萬張臉孔。參考圖是強得多的錨點，因為它固定了一張臉。撰文當下，許多工具都接受主體或角色參考圖：例如 Google 的 Veo 文件就描述了一種參考模式，使用一到三張人物、角色或產品的圖片，讓主體的外觀在輸出中保持不變。

先用靜態圖片製作參考圖，因為在靜態圖上重試很快：

1. 角色設定圖：同一個人的正面、四分之三側面與側面，再加上穿著最終服裝的全身圖，背景用素色。
2. 場景中每個地點各一張場景參考圖，採用最終的長寬比。
3. 如果某個物件對故事很重要，再做一張關鍵道具圖。

角色設定圖請用素淨、均勻的光線。參考圖裡強烈的有色光，往往會被複製到每個鏡頭，和各場景自己的光線打架。

方法二：用影格串接鏡頭

當兩個鏡頭必須流暢地銜接，例如一個連續動作被拆成兩半，就用影格而不是文字把它們連起來。

• 末格串接：匯出鏡頭 A 的最後一格，在圖生影片裡用作鏡頭 B 的第一格。B 的開頭就會與 A 的結尾完全吻合。
• 首尾影格：如果工具兩者都支援，就同時提供鏡頭必須開始的那一格和必須結束的那一格，讓模型補上之間的動作。當鏡頭 C 必須抵達事先規劃好的關鍵影格時很有用。
• 關鍵影格分鏡：先用同一組參考圖做出所有關鍵影格，一起檢查後，再讓每一格動起來。

串接是有代價的。小誤差會累積：鏡頭 A 結尾稍微模糊的臉，會成為鏡頭 B 起始的臉，串了幾次之後，角色就可能漂移。每隔幾個鏡頭，就重新以原始參考圖製作的新關鍵影格為起點重新定錨，而不是從上一格繼續。

方法三：讓提示詞共用區塊

把提示詞當成固定區塊，加上一個會變動的區塊。從一個鏡頭到下一個鏡頭，只有鏡頭區塊會改變。

[CHARACTER] Leo, a man in his 20s, curly brown hair, round glasses,
mustard-yellow knit sweater, dark blue jeans.
[LOCATION] Small bookshop interior, tall wooden shelves, one large front window.
[LIGHT] Late afternoon sun through the front window from screen right, warm tones.
[SHOT] Medium shot, eye level. Leo pulls a red book from the shelf and opens it,
facing screen left. Slow push-in.

下一個鏡頭時，完整複製前三個區塊，只替換 [SHOT] 區塊。如果故事轉到新的地點或新的時段，就寫一次新的 [LOCATION] 或 [LIGHT] 區塊，之後都沿用那一個。

方法四：把修不好的留給剪輯

即使有參考圖，仍會留下一些差異。剪輯師長久以來都用一些手法，讓細小的不吻合變得看不出來：

• 動作剪接（cut on action）。在動作進行到一半時剪接；眼睛會跟著動作走，而錯過細節。
• 每次剪接都改變景別。遠景接特寫，可以掩蓋不同的背景；連續兩個中景則會暴露出來。
• 使用插入鏡頭與切出鏡頭（cutaway）。手部、物件或環境的鏡頭，能讓觀眾在兩個臉部鏡頭之間喘口氣。
• 整段序列一起調色。在所有片段上套用同一個校色，讓光線感覺一致。
• 在剪接點底下鋪一段連續的聲音。貫穿數個鏡頭的環境音或音樂，會讓它們感覺像同一個瞬間。

發布前的品質檢查

把整段序列看三遍，每一遍只找一種問題：

1. 身分：每張臉都定格，與參考圖比對。檢查年齡、眼睛顏色、髮際線、眼鏡和疤痕。
2. 物件：逐鏡頭追蹤每個道具和服裝。檢查哪隻手拿著什麼。
3. 空間與時間：檢查畫面方向、光線方向，以及窗外的天氣。

只重新生成有問題的鏡頭。為每個通過的鏡頭記錄參考圖、提示詞和設定，這樣日後才能做出相符的替換版本。