導言:為什麼 90% 的 AI 短片過了第 3 顆鏡頭就徹底「崩盤」?
這兩年 AI 影片生成模型的畫質突飛猛進,單看任何一段 5 秒的 Demo 都像好萊塢大片。但只要你嘗試把 15 顆鏡頭剪成一部 90 秒的敘事短片,觀眾通常撐不過第 15 秒就會出戲——問題永遠出在「連戲災難(Continuity Collapse)」:
- 跨鏡頭換臉與服裝漂移(Identity Drift):Shot 1 主角穿著深藍毛呢大衣、留著齊眉劉海;到了 Shot 3 轉側面特寫,臉型變成另一個人,毛呢大衣變成了防水衝鋒衣,鈕扣數量也不一樣。
- 動態狀態失憶(State Amnesia):Shot 2 主角左臉頰被玻璃劃傷、淋了大雨、右手拿著一把銀色打火機;到了 Shot 4 推遠景,臉上的血痕憑空消失、大衣瞬間乾爽、打火機換到了左手甚至變成手電筒。
- 空間方位與軸線錯亂(180-Degree Axis Violation):A 與 B 對話時,上一顆鏡頭 A 在畫面左側看向右邊,下一顆反打鏡頭(Reverse Shot)A 突然跑到了畫面右側,觀眾大腦瞬間失去空間座標,以為兩個人在對著空氣說話。
會發生這些問題,是因為大多數創作者把 AI 影片當成「每次獨立抽卡」的文字遊戲。如果沒有一套類似軟體工程「狀態管理(State Management)」與傳統電影工業「場記與走位(Script Supervisor & Blocking)」的混合架構,AI 永遠只能產出無邏輯的 MV 混剪。
這篇文章將為你建立一套可直接落地執行的 AI 影視連戲工程系統。
🧠 核心架構心法:將「不可變角色錨點」與「動態 World State」徹底分離
在軟體架構中,我們絕不會把「使用者的靜態身分證」跟「他當下的購物車狀態」混寫在同一個硬編碼字串裡;拍 AI 長片也是如此。
傳統失敗的 Prompt 寫法是把所有形容詞混成一鍋粥:
「一個三十歲台灣男偵探,穿濕透的黑色風衣,左臉有刀傷,拿著打火機,在霓虹雨夜街頭奔跑……」
一旦鏡頭切換到室內、或傷口癒合、或脫掉風衣,整段 Prompt 必須重寫,模型對「角色長相」的權重就會被天氣與動作詞彙稀釋,立刻換臉!
正確的工業級做法,是把資料拆成兩層:Immutable Character Identity(不可變角色錨點) 與 Mutable Dynamic World State(可變動態世界狀態)。
每顆鏡頭重頭描述角色、環境與動作:
- 角色特徵與濕度、傷痕、光影詞彙互相搶佔 Attention 權重。
- 沒有狀態記憶表,第 5 顆鏡頭一定忘記第 2 顆鏡頭撿起的道具。
- 單靠文字描述「左邊走去右邊」,無法控制真實 3D 空間座標。
基準錨點圖卡 + JSON 狀態機自動編譯每顆鏡頭:
- Character Anchor Sheet 鎖死五官骨相與基礎輪廓,跨場景 100% 認得出來。
- World State JSON 像「電子場記單」精準追蹤濕度、傷痕、道具與主光源。
- 透過 Shot Compiler 自動把 JSON 轉譯為各影片模型的物理運鏡指令。
🔒 支柱一:Immutable Character Anchor Sheet(不可變角色基準錨點)
在開拍任何一顆動態鏡頭前,必須先為每位主要角色製作一張 「純淨無干擾的 3 視角基準設定表(Turnaround Anchor Sheet)」。
製作基準錨點的 4 個鐵則
- 平光無戲劇陰影(Neutral Studio Lighting):在 5600K 柔和均勻棚燈、純灰或純白背景下生成角色的 正面(Front)、90 度正側面(Profile)、45 度半側面(Three-Quarter View)。千萬不要在賽博龐克強紅藍霓虹光下做角色設定圖,否則這組霓虹色偏會黏死在角色臉上,之後進白天場景一定破功。
- 分離「永久特徵」與「可變配件」:眼鏡、帽子、外套或傷痕如果會在劇情中脫穿或變化,基準圖請先做「素體基礎造型(Base Outfit)」,確保臉部骨相、髮際線、眉型與瞳色被 100% 鎖定。
- 高反差可辨識輪廓(Silhouette Anchor):AI 影片模型在中遠景極容易丟失五官細節,因此給角色設計 1–2 個強烈視覺錨點(例如領口一道金色滾邊、左耳一枚銀色耳骨夾、特殊剪裁的翻領)能大幅提升跨鏡頭連戲感。
- 多角度參考餵圖(Multi-Ref Subject Consistency):使用 Kling Elements、Runway References 或 ComfyUI IP-Adapter / Wan 2.1 Reference-to-Video 時,根據鏡頭朝向選擇對應角度的錨點圖(側面鏡頭餵 Profile 圖,正面特寫餵 Front 圖),能降低模型「腦補另一半臉」造成的顏值崩壞。
🔄 支柱二:Dynamic World State JSON(動態世界狀態場記機)
當角色從雨夜巷弄走進昏暗酒吧,發生了打鬥與道具交換,你需要一個結構化的 World State JSON 擔任「AI 劇組場記」。每拍完一顆鏡頭,只針對「發生變化的欄位」進行增量更新(Patch Update)。
以下是一份標準的企業級 AI 影視 WorldState 狀態結構設計:
{
"scene_id": "SC04_ALLEY_CONFRONTATION",
"shot_id": "S04_C03",
"time_and_weather": {
"time_of_day": "night_0200",
"weather": "heavy_rain",
"surface_reflection": "wet_asphalt_specular"
},
"lighting_rig": {
"key_light_direction": "back_left_45deg",
"key_light_color": "cold_cyan_neon_5800K",
"fill_light": "warm_amber_streetlamp_3200K_right_rim",
"contrast_ratio": "high_noir_4_to_1"
},
"characters": {
"detective_chen": {
"anchor_ref": "char_chen_turnaround_v3.png",
"wardrobe_state": "trench_coat_75pct_rain_soaked_collar_up",
"injury_state": "fresh_2cm_cut_on_left_cheekbone_minor_blood",
"hair_state": "wet_strands_clinging_to_forehead",
"held_prop_left": "none",
"held_prop_right": "brushed_silver_lighter_lit_flame",
"screen_position": "screen_left_foreground",
"gaze_direction": "facing_screen_right_towards_target"
}
},
"continuity_locks": {
"action_axis_180": "camera_stays_south_of_AB_line",
"focal_length_mm": 50,
"shutter_spec": "24fps_180deg_shutter_natural_motion_blur"
}
}
為什麼 held_prop_left 與 held_prop_right 要強制分開寫?
擴散模型對「左右手」的空間概念非常薄弱。如果在 Prompt 裡只寫「拿著打火機」,下一秒它就會換手;更保險的做法是同時鎖定 held_prop_right 與鏡頭內的畫面構圖位置(screen_left_foreground),並在首幀參考圖中讓道具位置一目了然。
📐 支柱三:GEO Blocking 與雙重 180 度法則
即使臉跟衣服都連上了,如果鏡頭的幾何空間關係(Geometric Blocking)錯亂,剪輯時依然完全接不起來。在 AI 影視指令工程中,你必須顯式控制以下兩個「180 度物理規則」:
1. 空間幾何走位與「180 度軸線法則」(The 180-Degree Axis Rule)
假設角色 A(站在畫面左側)與角色 B(站在畫面右側)面對面站立,兩人之間連成一條無形的動作軸線(Action Line):
- 合法機位區:攝影機只能移動在這條軸線的同一側半圓內。這樣無論切成全景、過肩鏡頭(OTS)還是特寫,A 永遠面向右邊(facing screen-right),B 永遠面向左邊(facing screen-left)。
- Prompt 明確鎖定字眼:在每一顆對話或對峙鏡頭中,務必透過 GEO Blocking 欄位明確宣告:
A positioned on screen-left, three-quarter view facing screen-rightOver-the-shoulder shot from behind A (left foreground blur) looking at B (center-right, facing screen-left)- 絕對避免只寫「兩個人的對話特寫」,那會讓模型隨機翻轉人物朝向。
2. 攝影機物理與「180 度快門法則」(The 180-Degree Shutter Rule)
許多 AI 影片一眼看過去有濃厚的「塑膠 CG 感」或「高幀率電玩鬼影感」,往往是因為缺少了電影攝影機的動態模糊(Motion Blur)物理參數。
在傳統電影攝影中(24 fps),標準快門開角為 180 度,對應的快門速度公式非常單純:
180-Degree Shutter Rule 物理換算:
Shutter Speed = 1 / (2 * Frame Rate)
若影片為 24 fps -> 快門速度 = 1 / 48 秒(實務標記為 1/48s 或 1/50s)
若影片為 30 fps -> 快門速度 = 1 / 60 秒
在生成基礎首幀(Keyframe)與動態影片 Prompt 中加入光學與快門錨點,例如 shot on 35mm anamorphic lens, 24fps, 180-degree shutter natural motion blur, shallow depth of field f/2.0,能有效抑制 AI 在人物快速揮手、轉頭或下雨粒子運動時產生的果凍變形與閃爍雜訊(Temporal Flickering)。
🎞️ 支柱四:跨引擎 Last-Frame-to-First-Frame(尾幀接首幀)串流工作流
要把 5 秒的單一短片串成長鏡頭或連續敘事,業界目前最核心的技術是 Last-Frame-to-First-Frame(Img2Vid Chaining),但直接無腦把「上一顆的最後一幀」丟進下一顆生成,到了第 3 顆就會出現嚴重的「壓縮糊化與色偏雪崩(Generation Loss)」。
我們必須先掌握四大主流引擎的特性差異,再套用「尾幀校正閘門」:
| 影片生成引擎 | 連戲控制強項 | 首尾幀 / 參考圖工作流特性 | 最常見連戲風險與對策 |
|---|---|---|---|
| Kling(可靈) | 首尾幀插值(Start-End Frame)與 Elements 多圖參考極強 | 支援同時鎖定第一幀與最後一幀(Keyframe-to-Keyframe),路徑可控性最高 | 動作幅度過大時人物關節偶爾加速;對策是縮短單段物理位移,兩幀間動作跨度不超過 1.5 秒常態速度。 |
| Runway Gen-3 / Gen-4 | Gen-4 Subject/World References 與運鏡筆刷精準 | 支援指定 Camera Control(Pan/Tilt/Zoom/Truck)與首幀錨定 | 多輪尾幀接續容易出現暗部色階壓縮;建議每 2 顆鏡頭做一次局部色彩與銳利度還原。 |
| OpenAI Sora | 物理世界邏輯、長時段連貫性與光影反射極自然 | 支援 Storyboard 時間軸分段與 Remix 局部微調 | 過度依賴純文字時細節易隨機漂移;務必配合明確的 Start Image 與精簡確定的動作動詞。 |
| Wan 2.1(本地 ComfyUI) | 開源生態自由度最高,可掛載 LoRA、ControlNet Depth/Pose 與 VACE | 支援 First-Last Frame、參考圖與深度/骨架精確控制 | VRAM 需求較高、參數調校門檻高;但能透過固定 Seed + 角色 LoRA 達成最高工業級一致性。 |
防崩壞關鍵:三步「尾幀校正閘門(De-Drift Gate)」
千萬不要把 Shot01_last_frame.png 原封不動直接餵給 Shot 02,請在中間安插一個極輕量的校正閘門:
- 抽取與檢驗(Extract & Inspect):用
ffmpeg精確擷取上一顆影片的最後一幀(或動作最穩定的倒數第 3 幀,避開動態模糊過重的最後 1 幀)。 - 局部重繪與狀態補丁(Inpaint & State Patch):如果這顆鏡頭剛好發生了劇情狀態改變(例如角色多了一道傷口、或原本模糊的臉在壓縮後變糊),用 Flux / Photoshop / ComfyUI Inpaint 僅針對臉部或道具進行無損重繪修復,同時對照 Character Anchor Sheet 拉回五官細節。
- 跨切鏡替代方案(Cutaway Reset):若連續跑了 3 顆連續動作鏡頭,畫面不可避免出現微幅色偏時,剪輯師可主動插入一顆「環境特寫 / 道具插鏡(Insert Shot)」或「反打鏡頭(Reverse Shot)」,改由乾淨的 Keyframe 重新起算,就能立刻把畫質重置回 100% 巔峰狀態!
# 實務指令:抽取上一顆鏡頭倒數第 2 幀作為乾淨無模糊的接續首幀候選
ffmpeg -sseof -0.1 -i shot_01_output.mp4 -frames:v 1 -q:v 1 shot_01_clean_tail.png
🧰 實戰錦囊:World State JSON 與 Shot Compiler 提示詞模板
在實際製作長片時,你可以把 LLM(Claude / Gemini / ChatGPT)當成你的「AI 攝影指導與場記編譯器(Shot Compiler)」。只要把這兩張卡片存進工作區,就能自動產出 100% 連戲的每顆鏡頭指令。
【輸入 1:不可變角色基準描述】: [貼上角色固定長相、髮型、基礎服裝輪廓]
【輸入 2:本顆鏡頭 World State JSON】: [貼上上方更新後的 JSON]
【輸入 3:本顆鏡頭劇情動作(5 秒內)】: [例如:林偵探聽到身後腳步聲,緩慢轉頭看向鏡頭右側,右手握緊雨傘柄]
請嚴格輸出以下三段結果:
- 【Keyframe 首幀生圖 Prompt (英文)】:必須明確寫入
geo_blocking方位(screen-left/right, gaze direction)、lighting_lock主副光方向與色溫、wardrobe_state濕度/傷痕細節與鏡頭焦段。 - 【Img2Vid 動態運鏡 Prompt (英文)】:專注描述 5 秒內的「物理動作變化、表情微動與攝影機運鏡(例如 slow push-in, 24fps, 180-degree shutter motion blur)」,禁止重複塞入會干擾動態模型的靜態贅詞。
- 【連戲防呆檢查表 (中文)】:列出剪輯這顆鏡頭時必須肉眼核對的 3 個連戲指標(道具左右手、光影方向、視線軸線)。
🛠️ AI 影視連戲疑難排解手冊(Troubleshooting Playbook)
在實戰剪輯與生成過程中,遇到以下 4 種高頻連戲崩壞時,請立刻對照查表修復:
| 現場翻車現象 | 背後技術成因 | 立即修復手法 |
|---|---|---|
| 同一角色切到特寫後突然變年輕或換臉 | 全身遠景時臉部只佔幾十個像素,Img2Vid 模型依據低解析臉部特徵自由發揮重建五官。 | 遠景接特寫時,絕對不要用遠景裁切放大直接生影片;改用 Front / 45° Anchor Sheet 重新生成高解析特寫首幀,再做 Img2Vid。 |
| 連續接了 3 顆尾幀後,畫面變暗、對比過高且邊緣糊化 | 典型多代編碼損失(Generation Loss)與 VAE 重編碼誤差累積。 | 觸發 De-Drift Gate:對尾幀進行一次高頻細節重繪修復(或僅在臉部做微調 Inpaint),或利用反應鏡頭(Reaction Shot)切換回原始高清 Keyframe。 |
| 角色原本往右走,下一顆鏡頭突然變往左走 | 違反 180 度動作軸線,或 Prompt 中同時出現 from left 與 looking left 造成方向語義衝突。 |
統一採用 Screen-Space 座標寫法(固定寫 moving towards screen-right、facing screen-left),絕不使用模稜兩可的「他的左邊 / 攝影機右邊」。 |
| 雨滴、火焰或閃爍霓虹燈在影片中像靜止貼圖或鬼影抽搐 | 模型未理解正確時間維度動態,或首幀靜態影像裡把雨滴畫成過於清晰的白色靜態線條。 | 首幀圖保持環境濕潤與地面積水反光即可,把「動態飄落雨絲、微風吹動濕髮」留到 Video Prompt 的運動描述中生成,並加上 24fps, natural motion blur。 |
🎯 總結:從「抽卡祈禱者」成為「AI 影視攝影指導」
當別人還在用一段段抽卡碰運氣、剪出角色每三秒換一張臉的 AI 短片時,真正能產出商業級長片與品牌廣告的團隊,靠的是嚴謹的工程紀律:
- 資料結構分離:用 Turnaround Anchor Sheet 鎖死「他是誰」,用 World State JSON 精確紀錄「他現在身上有什麼傷、穿幾分濕的衣服、拿在哪隻手」。
- 空間與光學紀律:用 GEO Blocking + 180 度軸線 讓剪輯師接得起來,用 180-Degree Shutter Rule 消除塑膠感。
- 跨幀無損串接:結合 Last-Frame-to-First-Frame 與定期 De-Drift 校正閘門,讓 Kling、Runway、Sora 與 Wan 2.1 真正成為聽你指揮的虛擬攝影棚。