可控性优先 —— AI Shorts 生产管线的工程方法论
AI 生成视频从工程角度看，根子问题是不可控：同一提示词跑两次结果不同，跨镜头角色会漂移，运动随机。这篇记录怎么把"碰运气生成"做成工程化生产，以及人在回路里该站在哪。
问题：为什么是可控性，不是生成质量
生成式视频模型的本质是基于概率预测下一帧。它学的是视觉统计规律，不是真实物理——所以画面"看起来像"但"经不起推敲"：人物会漂浮、手指数量会错、长镜头会断裂。这是恐怖谷效应的来源，也是所有视频模型共享的物理约束。
画质这条曲线在过去两年逼近可用：480p 到 1080p，从无声到带原生音轨。但画质的边际收益已经开始放缓。下一道墙是另一件事——
- 不可复现：同一提示词多次生成，结果差异巨大。创作者要的不是"漂亮的随机画面"，是"我要的精确画面"。
- 跨镜头漂移：一条 Shorts 是多个镜头拼成的，AI 在镜头 1 和镜头 3 里画出来的"同一只猫"，外观会变。
- 运动抽卡：镜头怎么动、动多快、停在哪，全凭模型心情，导演意图传不进去。
工作流架构：人占决策位，AI 占执行位
这不是道德口号，是架构选择。2025 年中平台治理明确淘汰了"全自动流水线"——每天 10+ 条、无人工输入、AI 全包的内容会被去货币化。平台要的是AI 增强人，不是 AI 替代人。可持续的架构只有一个：人占决策位，AI 占执行位。
选题 / 脚本核心 [人] ← 创意意图的源头，不可外包 ↓ 分镜结构 [人+AI] ← AI 发散候选，人定结构和节奏 ↓ 静图锚定 [AI] ← 关键帧先生成，确定性最高的环节 ↓ 图生视频 i2v [AI] ← 锚定图锁角色，prompt 控运动 ↓ 拼接 / 音频 / 字幕 [AI] ← 机械组装，AI 执行 ↓ QC 质量门 [人] ← 三维一致性，人判过不过关 ↓ 发布 [人] ← metadata / 合规 / 发布按钮
看每个环节的决策权归属：创意意图、节奏、最终质量判断、发布——全在人的手里。AI 做的是重复、耗时、可参数化的执行：生成素材、粗剪、配音、组装。这套分工既吃到了 AI 的效率红利，又规避了全自动流水线的合规风险和质量陷阱。
× 全自动流水线（已被淘汰）
AI 全包，人只做选题和发布。每天 10+ 条，产量碾压。
代价：内容同质化、无 SynthID 来源信号、被平台治理去货币化、观众信任度崩塌。短期利润率 85%，长期不可持续。
✓ 人机协作流（可持续）
AI 在每个环节起作用，但每个关键决策点都有人。
产量是纯人工的 3–5 倍，合规风险最低，质量有质量门兜底。这是平台治理后唯一被保护的路径。
可控性四解法
这是方法论的核心。四个解法层层递进，把概率性生成的风险面逐步收窄。它们解决的是同一件事：让 AI 生成从"抽卡"变成"可控输出"。
解法一 · 静图锚定先行
关键发现：图模型的一致性远高于视频模型。视频模型逐帧预测，误差会沿时间累积；图模型只生成一帧，没有累积。所以正确的顺序是——先用图模型把每个镜头的关键帧生成出来、锁定，再用图生视频让画面动起来。
这一步把"不可控的视频生成"降级成"可控的图 + 受控的动"。视频模型不再负责"画什么"（图已经定死），只负责"怎么动"（运动可控）。风险面从"整段视频"缩到"运动幅度"，小一个数量级。
解法二 · 参考图引导 i2v
用图生视频（i2v）而非文生视频（t2v）作为主路径。文生视频把"画什么"和"怎么动"都交给模型自由发挥，随机性最大；图生视频用一张参考图锁住角色外观和构图，运动只由 prompt 控制相机和动作。
解法三 · 角色一致性约束（character bible）
跨镜头角色漂移的解法是 character bible——一份离线的、结构化的、纯文本的角色描述。它定义角色的视觉锚点：轮廓、配色、特征点（如某只猫的左耳缺口、白毛位置、胡须方向）。每镜生成时，bible 的锚点作为约束写进 prompt，跨镜头做一致性回归。
关键设计：bible 是离线资产，独立于模型。模型换一代、prompt 重写一次，bible 不动。模型是消耗品，bible 是资产。把"哪个是稳定的、哪个是易变的"分清楚，是这套方法能长期成立的前提。
解法四 · 镜头级控制
用固定分镜模板替代自由生成。模板把每个镜头参数化：序号 → 功能（hook / 主体 / 收尾）→ 路由（走 i2v 还是数字人）→ 相机运动 → 景别 → 时长。每镜的随机性被压到 prompt 里的运动描述，其余全是模板定的。
这把"导演意图怎么传进模型"从玄学变成参数。模板稳定下来后，单镜的生成变异只来自运动参数，可控性显著提升。
| 解法 | 收窄的风险面 | 核心机制 |
|---|---|---|
| 静图锚定 | 整段视频 → 单帧 | 图模型先定关键帧，i2v 只管动 |
| 参考图引导 i2v | 画什么+怎么动 → 只剩怎么动 | 参考图锁角色构图，prompt 控运动 |
| 角色 bible | 跨镜头漂移 → 锚点回归 | 视觉锚点写进每镜 prompt，离线资产 |
| 镜头级模板 | 导演意图不可传 → 参数化 | 序号→功能→路由→运动→景别→时长 |
QC 三维质量门 · 人在回路的位置
可控性的最后一道闸是 QC——但它不是自动评分系统，是人的质量门。AI 生成的内容必须过人眼这道门才能进成片。质量门卡三个维度，每个维度都对应一个"错了会毁了片子"的点。
| 维度 | 检查什么 | 卡在哪一步 | 谁判 |
|---|---|---|---|
| 色调一致性 | 跨镜头色调是否统一、是否符合设定的情绪基调 | 静图锚定后 / i2v 后 | 人 |
| 角色一致性 | 同一角色跨镜头外观是否对得上 bible 锚点 | i2v 后 | 人 |
| 节奏一致性 | 镜头时长配比、剪辑密度是否符合结构模板 | 拼接后 | 人 |
不过关的镜头回到上游重生。这正是"人在回路修正"的形态：每镜带版本号迭代（v1 → v2 → v3），版本号本身就是修正记录。这不是失败，是可控性管线的正常工作方式——生成是概率的，修正是确定的。
判断：把抽卡变成工程
把四条解法和质量门串起来看：静图锚定收窄随机性 → 参考图引导锁角色 → bible 跨镜头回归 → 模板参数化镜头 → QC 质量门兜底。每一步都在把"概率"换成"约束"。加起来，AI Shorts 生成从"碰运气的抽卡"变成"可设计、可复现、可纠错的工程"。
这套工作流之所以可持续，不在某个模型多强，在于它把易变的（模型、prompt）和稳定的（bible、模板、质量门）分层，并让稳定的层约束易变的层。模型每季度都在换，工艺不换——这才是 AI Solution 的工程价值。