AI 短剧的痣会乱跑：问题出在模型，还是使用者？

上一篇文章《AI 短剧越来越逼真，为什么却越来越出戏？》，我们讨论了当前 AI 视频中一些颇为荒诞的现象。

人物对话时不看对方，射出去的箭尾巴朝前飞，受到惊吓时莫名其妙地泪流满面。

这些问题很容易让我们得出一个结论：AI 视频模型还不够成熟。

但随着观察深入，我开始产生另一个疑问。

有些错误，真的是模型无法避免的吗？

比如，主角左脸上的一颗痣，过了几个镜头就跑到右脸；剧情里明明断了左手，后面却变成右手；主角早已搬进砖房，十几集过去，住所却依然是泥土房。

这些情况，未必都需要等待下一代视频模型才能改善。

有没有可能，问题不只是 AI 不够聪明，而是制作方根本没有建立可靠的上下文管理和质量验证流程？

一、先区分两类问题：生成能力不足，还是制作过程失控？

假设我们要求 AI 生成一个弓箭射击镜头。

提示词明确要求箭头朝前，模型却始终无法正确生成。

这可能涉及模型的运动建模、空间理解，以及物理一致性能力。

但如果主角在第八集搬进了砖房，到第十八集又住回泥房，情况就有所不同。

我们需要先问几个问题：

制作方是否记录了主角已经搬家的事实？后续生成镜头时，是否提供了新住所的参考素材？最终剪辑时，有没有人检查场景是否符合剧情？

如果这些工作都没有完成，就很难把错误全部归咎于模型。

这里实际上存在两种不同的故障。

第一种是生成故障。 模型接收了正确的要求，却没有生成符合要求的结果。

第二种是流程故障。 制作系统没有提供正确的要求，或者虽然发现了错误，却没有阻止错误进入最终成片。

两者可能同时发生，但解决方法并不相同。

前者可能需要更强的模型、更合适的生成方式，甚至借助传统动画技术。

后者则可以通过上下文管理、素材管理和质量验收加以改善。

而我认为，第二种问题在当前 AI 内容生产中尤其值得重视。

二、传统影视早就有一套解决办法：场记

事实上，人物状态和场景连续性，从来不是 AI 时代才出现的问题。

传统影视拍摄也经常不按照剧情顺序进行。

今天拍摄的可能是故事结尾，明天拍摄的却是开头。

如果没有专门的记录机制，演员的服装、发型、伤口、道具位置，都可能出现前后矛盾。

因此，影视制作中存在一个重要岗位：场记（Script Supervisor）。

场记需要记录人物动作、服装道具、场景细节、镜头方向等信息，协助剧组维持画面的连续性。

这让我想到一个问题：

既然真人拍摄都需要专门管理连续性，为什么我们会认为 AI 可以只靠几段提示词，就自动拍好一部几十集的短剧？

对于 AI 视频来说，人物形象和场景设定同样需要记录。

区别在于，传统剧组依靠工作人员和实物维持连续性，而 AI 制作可以进一步使用结构化数据、参考图片和自动化检查。

但不管采用什么工具，首先都必须建立一套可靠的故事状态记录。

三、第一步：给故事建立一份「状态档案」

我们可以用一个简单的例子说明。

假设有这样一部短剧：

主角天生左脸有一颗痣，第六集失去了左手，第八集赚到钱，把原来的泥土房换成了砖房。

那么，我们至少应该建立下面这张表。

这张表看起来非常简单，却解决了一个基础问题：

哪些设定必须保持不变，哪些设定会随着剧情发生改变。

例如，左脸的痣属于固定的人物特征。

除非剧情明确发生变化，否则它不应该随镜头改变。

而住所从泥土房变成砖房，则属于一次状态更新。

更新发生以后，后续涉及当前住所的镜头，都应该使用新的场景设定。

当然，如果第十八集出现回忆镜头，重新展示过去的泥土房，那就是合理的。

因此，真正严谨的状态管理还需要记录剧情时间，而不能只根据集数判断。

另外，这里有个容易忽略的细节。

所谓「左脸」，应该始终指人物自身的左侧，而不是画面左侧。

当人物转身、摄影机改变角度时，画面左右会发生变化，但人物的解剖学位置不能跟着改变。

这些看似琐碎的约束，恰恰是生成系统必须明确处理的事情。

不过，只有文字记录还不够。

如果要稳定生成同一人物和同一个场景，最好同时保存已经确认的角色参考图、不同角度的形象，以及场景布局和关键道具图片。

文字负责记录事实，参考素材负责约束视觉表现。

四、第二步：不要直接生成视频，先让 AI 检查分镜

建立状态档案后，下一步不是立即把完整剧本丢给视频模型。

而是先将剧本拆分为可执行的分镜，再检查每个分镜是否符合当前剧情状态。

例如，第十八集有这样一段剧情：

主角坐在新家的客厅里，与朋友商量下一步的计划。

生成之前，系统就应该自动提取几个关键信息：

• 场景：砖房客厅，而不是泥土房。

• 人物：主角左脸有痣，左手缺失。

• 动作：持物和手势不能与身体状态矛盾。

• 空间：主角与朋友的位置、朝向和视线需要合理。

• 时间：当前剧情，不是过去的回忆。

这样，视频生成模型接收到的就不再是一句笼统的「两个人在客厅交谈」。

而是包含角色、场景和动作约束的明确分镜。

这里可以让大语言模型协助完成。

【可直接使用的 Prompt：分镜一致性检查】

你是一名影视连续性审查助手。

我将提供一段剧情，以及当前已经确认的角色、场景和道具状态。

请在生成视频之前完成以下工作：

1. 将剧情拆分为独立分镜。

2. 列出每个分镜涉及的人物、场景和关键道具。

3. 检查分镜是否与已有剧情事实冲突。

4. 明确人物位置、身体朝向、视线目标和运动方向。

5. 对每个分镜给出必须保持的视觉约束。

6. 如果缺少关键资料，请标记「需要确认」，不要自行编造设定。

输出格式：

- 分镜编号：

- 镜头内容：

- 涉及人物：

- 场景状态：

- 必须保持的外观特征：

- 空间与动作约束：

- 可能存在的连续性风险：

- 是否可以进入视频生成：

下面是剧情和状态资料：

【在此粘贴剧情】

【在此粘贴角色与场景状态表】

这段 Prompt 的目的，并不是要求 AI 一次完成所有创作。

而是让它在视频生成之前，先承担一部分场记和分镜检查工作。

通过这种方式，至少可以减少因为设定遗漏而产生的错误。

五、第三步：生成完成不等于制作完成

这是我认为 AI 内容生产中最容易被忽视的一步。

许多人使用 AI 时，流程是这样的：

输入提示词，等待生成，觉得画面不错，然后直接使用。

但如果目标是一部完整的影视作品，这种流程显然不够。

视频生成模型输出的只是候选素材，并不意味着素材已经通过验收。

制作方需要重新检查生成结果。

检查的重点，也不应该只是人物是否漂亮、画面是否流畅。

还应该包括：

外观一致性： 人物面部特征、发型、服装、伤病状态是否符合设定？

空间与运动合理性： 人物视线是否合理，物体运动方向是否符合要求？

剧情连续性： 场景、道具以及此前发生的事件，是否在后续画面中得到正确延续？

声音与动作： 台词是否准确，发音、口型和表情是否自然？

这些检查可以部分交给具备视频理解能力的多模态模型完成。

2026 年，Google Research 介绍了 VQQA（Video Quality Question Answering）研究。

它的基本思路很值得借鉴：围绕视频生成要求提出具体的视觉问题，让视觉语言模型检查结果，再根据反馈调整生成提示词，形成迭代改进的流程。Google Research 对 VQQA 的介绍说明了这一思路。

但这里有一个重要前提。

AI 可以协助验收，却不应该在没有证据的情况下宣布自己已经验收通过。

例如，检查一颗很小的痣到底位于哪侧脸上，可能受到画面清晰度、拍摄角度和遮挡的影响。

如果模型无法确认，就应该如实指出，而不是猜测。

我们也可以为这一环节准备一段 Prompt。

【可直接使用的 Prompt：视频质量验收】

你是一名严谨的 AI 视频质量审核员。

我会提供视频文件，以及与该镜头对应的剧情、角色设定和场景状态。

请根据实际可见、可听的信息进行审核。

重点检查：

1. 人物外观是否符合角色设定。

2. 身体状态、伤口及肢体是否保持正确。

3. 场景建筑、家具、道具是否符合剧情时间线。

4. 人物站位、视线和动作方向是否合理。

5. 是否存在明显违反物理常识的运动。

6. 台词、发音、口型与表情是否协调。

请按以下格式输出：

- 问题类型：

- 所在时间点：

- 观察到的现象：

- 对应的剧情或设定要求：

- 判断结果：通过 / 不通过 / 无法确认

- 判断依据：

- 严重程度：高 / 中 / 低

- 建议处理方式：

审核规则：

- 不得编造视频中不存在的细节。

- 不能确认的内容必须明确标记。

- 人物左右方向以人物自身为准。

- 不要把有意设计的回忆、梦境和剧情变化误判为错误。

- 如果无法直接读取视频或音频，请说明限制，并要求提供关键帧、截图或其他必要资料。

- 只给出有证据支持的结论，不因整体画面美观而忽略细节问题。

【附上视频及对应的设定资料】

这套方法不一定需要复杂的软件系统。

对于个人创作者而言，一份电子表格、一个整理好的参考素材文件夹，再加上具备视觉理解能力的 AI 工具，就可以开始实践。

关键不在于工具数量，而在于有没有形成稳定的验证习惯。

六、这套流程能解决所有问题吗？

显然不能。

2026 年的 CANVAS 研究，就尝试通过持续的视觉记忆、人物与场景状态管理，改善跨镜头的连续性问题，见 Google Research 对 CANVAS 的介绍。

研究报告中的结果表明，改进制作系统可以在其测试条件下提升一致性；这并不等于本文的简化流程已经得到同样的验证。

但这种方法并不意味着所有视频生成错误都可以通过更好的 Prompt 或工作流解决。

例如，模型始终无法正确生成箭的运动姿态，反复强调「箭头朝前」可能依然无效。

这时候，更合理的做法可能是采用参考视频、动作控制，或者结合传统三维动画完成复杂动作，再交给生成模型处理视觉表现。

同样，如果口型生成始终不自然，也可以考虑将语音生成、口型驱动与画面生成分开处理。

工程化的意义，不是强迫一个模型完成所有任务，而是根据各项技术的能力边界，选择可靠的实现方式。

此外，我们还必须考虑成本。

建立素材库、检查分镜、筛选候选镜头、重新生成错误片段，都需要额外的时间和资源。

如果一部 AI 短剧的商业目标是尽可能低成本、快速地大量生产内容，制作方未必愿意投入这些成本。

因此，市场上出现质量参差不齐的 AI 视频，并不一定意味着所有创作者都不懂技术，也可能与他们选择的生产成本和质量标准有关。

没有具体制作流程和成本数据，我们无法准确判断其中哪种因素占主导。

七、AI 降低了制作门槛，但没有取消专业能力

回顾这两篇文章，我越来越觉得，当前 AI 视频行业存在一个很值得关注的现象。

模型的进步，显著降低了制作精美画面的难度。

过去可能需要摄影、灯光、演员、场景和后期团队共同完成的镜头，现在个人创作者也有机会生成。

但这并不意味着，一部优秀影视作品所需要的专业能力也随之消失。

编剧需要维持剧情逻辑，导演需要组织镜头和表演，场记需要保证连续性，后期制作需要发现并处理问题。

这些工作并不会因为画面由 AI 生成，就自动完成。

恰恰相反，当生成内容越来越容易，如何判断内容是否正确、如何组织复杂的制作流程、如何稳定控制最终质量，可能会变得更加重要。