去年有個(gè)數(shù)據(jù)被很多人忽略了——全球AI視頻生成工具的月活用戶暴漲340%，但企業(yè)級(jí)商用訂單的轉(zhuǎn)化率不到3%。

剩下的97%去哪了？一個(gè)做品牌宣傳片的朋友告訴我：客戶看完demo很興奮，一提"要同一個(gè)人出鏡8個(gè)場(chǎng)景"，全跑了。

我實(shí)測(cè)了4個(gè)頭部工具，結(jié)果有點(diǎn)荒唐

上個(gè)月接了個(gè)真需求?？蛻粢?0秒企業(yè)宣傳片，發(fā)言人需要出現(xiàn)在辦公室、倉(cāng)庫(kù)、戶外、會(huì)議室等8個(gè)場(chǎng)景。要求很明確："同一個(gè)人，從頭到尾。"

我試了Runway、Kling、Seedance、Pika四個(gè)工具。同樣的參考圖，同樣的提示詞按各平臺(tái)語(yǔ)法調(diào)整。

Runway的畫面最逼真，但人物漂移最明顯。頭發(fā)長(zhǎng)度變來(lái)變?nèi)?，戶外?chǎng)景膚色自動(dòng)變暖，廣角鏡頭下面部結(jié)構(gòu)直接走樣。每個(gè)場(chǎng)景平均生成18次，才拿到勉強(qiáng)能用的版本。倉(cāng)庫(kù)和辦公室兩個(gè)場(chǎng)景并排放，像兄妹而不是同一個(gè)人。

Kling的人臉一致性是四家里最好的，參考圖釘選功能確實(shí)有用。但衣服成了噩夢(mèng)——夾克顏色幾乎每個(gè)場(chǎng)景都在變，其中兩個(gè)場(chǎng)景直接換了款式。我花了一下午調(diào)提示詞組合，最終一致性大概80%。客戶能看出來(lái)，這單就黃了。

Seedance的運(yùn)動(dòng)質(zhì)量最流暢，人物卻像隨機(jī)抽獎(jiǎng)。8個(gè)場(chǎng)景里3個(gè)完全是另一個(gè)人。戶外鏡頭我重生了22次，放棄了。

Pika中規(guī)中矩。角度相近時(shí)人臉還能穩(wěn)住，一旦從半身切到特寫，人物直接"換臉"。

四款工具平均下來(lái)，每個(gè)場(chǎng)景要跑15-20次，才能拿到"接近可用"的結(jié)果。注意，是接近，不是真正一致。

最后客戶雇了真人，半天拍完。

社區(qū) Hack 大全：都是補(bǔ)丁，沒(méi)有解藥

AI視頻圈針對(duì)這個(gè)問(wèn)題發(fā)明了不少野路子，效果參差不齊。

參考圖釘選（Reference Image Pinning）最直接——給工具喂多張角度的角色圖，讓它照著匹配。Kling目前做得最好。但限制也很明顯：姿勢(shì)相近時(shí)管用，動(dòng)作幅度一大就崩。

有人用ComfyUI搭工作流，把第一幀生成的人物摳出來(lái)，強(qiáng)制墊到后續(xù)場(chǎng)景的提示詞里。能緩解，不能根治。光影變化大的時(shí)候，墊圖反而讓結(jié)果更怪。

更激進(jìn)的玩法是"分鏡拆分法"：把8個(gè)場(chǎng)景拆成8個(gè)獨(dú)立項(xiàng)目，每個(gè)單獨(dú)調(diào)參，最后硬剪在一起。時(shí)間成本爆炸，而且鏡頭一動(dòng)還是露餡。

最務(wù)實(shí)的方案是"規(guī)避策略"——讓角色背對(duì)鏡頭、戴面具、只拍手或產(chǎn)品特寫。這不算解決問(wèn)題，算繞過(guò)問(wèn)題。

為什么技術(shù)卡在這里？

當(dāng)前AI視頻的核心架構(gòu)是擴(kuò)散模型（Diffusion Model），它本質(zhì)上是個(gè)"逐幀猜測(cè)"系統(tǒng)。每一幀都在根據(jù)噪聲和提示詞重新計(jì)算像素，沒(méi)有"記憶"上一幀人物長(zhǎng)什么樣的機(jī)制。

參考圖釘選相當(dāng)于給模型一個(gè)外部記憶庫(kù)，但它匹配的是"視覺(jué)相似度"，不是"身份ID"。角度、光照、表情任何一個(gè)變量變化，匹配精度就斷崖下跌。

3D一致性是另一個(gè)思路。如果先生成角色的3D模型，再渲染不同角度，理論上能解決。但當(dāng)前工具的3D重建精度， corporate video級(jí)別的客戶根本接受不了——像游戲過(guò)場(chǎng)動(dòng)畫，不像真人。

Runway去年演示過(guò)Character Consistency功能，至今沒(méi)正式上線。Pika的"角色固定"功能在簡(jiǎn)單場(chǎng)景能用，復(fù)雜光照下照樣漂移。Kling的釘選是現(xiàn)有方案里相對(duì)成熟的，但衣服、配飾這些細(xì)節(jié)仍不可控。

一個(gè)被忽視的真相

所有AI視頻工具的官方demo都是單鏡頭。5秒驚艷片段，配一句"改變一切"。

你從未見過(guò)同一個(gè)人出現(xiàn)在第二個(gè)鏡頭里。這不是疏忽，是能力邊界。

這個(gè)邊界把AI視頻鎖死在"玩具"和"工具"之間。個(gè)人創(chuàng)作者玩得很開心，企業(yè)級(jí)生產(chǎn)望而卻步。340%的用戶增長(zhǎng)背后，是97%的商業(yè)轉(zhuǎn)化率在沉默。

我那個(gè)做宣傳片的朋友現(xiàn)在有個(gè)內(nèi)部規(guī)則：客戶提"人物一致性需求"，直接轉(zhuǎn)真人拍攝。不解釋，不掙扎，不浪費(fèi)雙方時(shí)間。