为什么同一段提示词，在不同 AI 视频模型上效果差这么远？
因为 AI 视频模型并非可以互换的通用工具。每一个模型在训练与调校时都针对不同任务：有些擅长稳定的镜头运动，有些的口型同步是原生生成，有些纯粹便宜到让你可以反复尝试。把所有镜头都丢给同一个顺手的模型，正是 AI 视频输出品质参差的最大原因。
过去两星期，我用三份相同的简报分别在五个模型上跑过：产品环绕镜头、一句对白的人物镜头、城市空镜。模型之间的品质差距，其实小于「派工」的差距。
模型派工（model routing）是指把视频中每个镜头分派给最适合该镜头类型的模型，而不是全部在同一个平台生成。这是工作流程的决定，不是订阅方案的决定，而且通常能同时降低成本与重拍次数。
哪一个 AI 视频模型适合哪一种镜头？
把镜头配对到模型的强项。对白用原生口型同步的模型，镜头运动用可控性高的模型，背景空镜用最便宜的一档，单一主视觉镜头则交给榜首模型。截至 2026 年 7 月，没有任何一个模型在这四类同时胜出。
以下是我现在使用的派工表：
--- 对白与人物镜头：选原生口型同步的模型。Seedance 2.5 是目前首选，声音与嘴型一同生成，而非事后配上。事后配音的口型，在手机屏幕上两秒内就被看穿。
--- 指定运镜：Runway Gen-4.5。它对结构化提示词（推轨、环绕、变焦对焦）的反应比榜首模型更可预测，而且嵌进剪辑流程而非聊天窗口。
--- 背景空镜与过场：用你能接受的最低价位。Veo 3.1 Lite 与 Runway Gen-4 Turbo 均约为每秒输出 0.05 美元。没有人会为你的第三个过场镜头按暂停。
--- 主视觉镜头：Gemini Omni Flash。截至 2026 年 7 月下旬，它以 1527 Elo 位居 LMArena 文字转视频榜首，领先第二名约 45 分，并支持对话式修改。
--- 4K 或较长序列：同样是 Seedance 2.5，新增原生 4K 与 30 秒输出，以及最终渲染前规划运镜的 3D 预览步骤。
模型每隔几星期就会改朝换代，但派工的分类不会。把习惯建立在分类上。
AI 视频每一分钟成片，实际成本是多少？
远高于每秒标价，因为你不可能用第一次生成的结果。以实际上约 8:1 的生成与采用比例计算，一分钟成片代表约 480 秒输出。以每秒 0.10 美元计算约为 48 美元，折合约 375 港元；以每秒 0.05 美元计算则降至约 187 港元。
截至 2026 年 7 月下旬的公开牌价，按输出秒数计算：
--- Veo 3.1 Lite：约每秒 0.05 美元。Runway Gen-4 Turbo：约每秒 0.05 美元（每秒 5 点数）。
--- Kling：约每秒 0.07 美元，Kling 3.0 接近 0.10 美元。
--- Sora 2 基础版：720p 约每秒 0.10 美元。Sora 2 Pro：约 0.30 至 0.50 美元，1080p Pro 可达 0.70 美元。
--- Gemini Omni Flash：约每秒 0.10 美元（每百万视频输出 token 17.50 美元），通过 Batch API 可减半至约 0.05 美元。
--- Runway Gen-4.5：每秒 12 点数，约 0.12 美元。Veo 3.1 标准版：1080p 约每秒 0.40 美元。
在决定订阅方案之前先算一次。同样以 8:1 比例计算，一段 60 秒产品视频若全部使用 Veo 3.1 标准版，单是生成成本便约为 1,498 港元。若妥善派工，只保留一个主视觉镜头、其余交给低价档，同样一分钟的成本会落在约 250 港元。
以上每一个数字都只是快速变动市场中的牌价。真正动用预算的当天，请回到供应商自己的定价页面确认。
一段好的 AI 视频提示词应该长什么样？
好的提示词会按固定次序写明五件事：主体、动作、镜头、光线、格式。模糊的提示词只会产生模糊的动态。模型并非凭感觉猜测你的意图，而是把你的文字对应到训练字幕，而字幕语言本身就是技术性的。
以下是我每个镜头都在用的模板。原样复制，填入方括号内容即可。
试试这段提示词：
SUBJECT：[一个具体主体，写明材质与颜色，例如「一只哑光黑陶瓷咖啡杯，冒着热气」]
ACTION：[只写一个物理动作，例如「热气缓缓上升，液面静止」]
CAMERA：[只写一个运镜，例如「由左至右缓慢 90 度环绕，视平线高度，50mm 镜头」]
LIGHTING：[光源、方向、色温，例如「单一柔光主灯自镜头左侧打入，暖色 3200K，向黑色深度衰减」]
FORMAT：[时长、比例、分辨率，例如「6 秒，16:9，1080p，无文字叠加，无标志」]
NEGATIVE：[不可出现的元素，例如「无手部、无摄影棚反光、无镜头晃动」]
有两条规则让模板生效。每段片只给一个动作、一个运镜：同时要求横摇、变焦与主体转身，结果只会一团糊，分成两段再剪辑。永远不要省略光线描述：光线正是决定多段片段是否像同一场拍摄的关键变量。
如果你已经在为文字模型撰写结构化提示词，这是同一套纪律换到另一种输出形式。我们关于情境工程的文章，说明了为何在各类模型上，明确结构都胜过巧妙措辞。
怎样让多段 AI 片段看起来像同一支视频？
在每次生成之间锁定三个变量：光线描述、镜头焦段与高度、色彩基调。把这三行原文照抄到每段提示词，只更换主体与动作。大部分「AI 视频看起来很割裂」的抱怨，源头都是每次重写光线那一行。
提示词之外，善用平台的一致性功能。风格参考、角色锁定、种子码重用本质上都在做同一件事：把模型约束在先前输出上。Runway 与 Kling 都有这类设定，聊天式工具则往往藏得很深。
然后在剪辑软件里收尾。所有片段套用同一组 LUT 调色，整条时间线加一层颗粒，统一音场。十五分钟调色掩盖的模型不一致，比多生成五十次还要多。
静态图像那一端同样有进展，这对分镜很重要。Meta 于 2026 年 7 月 7 日推出 Muse Image，目前在文字转图像约排第三、图像编辑排第二，Google 亦推出了 Nano Banana 2 Lite。先把关键帧以静态图生成，确认后再动画化，成本远低于直接在视频阶段反复试。
2026 年，AI 视频在哪些地方仍然做不好？
稳定地失手于四处：具名产品、画面文字、需要精细操作的手部、以及超过约十秒的连贯性。这些不是靠更好措辞就能解决的提示词问题，而是当前的模型极限，假装不存在只会浪费预算。
--- 你自己的产品。没有模型见过你的货号。生成的近似品不如手机实拍。产品实拍，环境交给生成。
--- 画面文字。小字级的清晰文字至今不稳定。字幕与标题请在剪辑软件加上，而不是写进提示词。
--- 精细手部动作。手指操作小物件仍然是最常见的失败点。用切镜或裁切避开。
--- 长度。多数模型在短片段上表现最好。即使有 30 秒输出，也应以多镜头组成序列，而非押注一次完美长生成。
诚实比吹捧有用。AI 视频如今在氛围、动态与环境上确实出色，在具体指涉上仍然薄弱。依这个分界规划剪辑，输出就不再像赌博。
立即试做：20 分钟派工测试
挑一个你这星期真正需要的镜头。用上面的模板生成三次：一次用低价档，一次用 Runway Gen-4.5，一次用当前榜首模型。五行内容相同、光线文字相同，只更换平台。
然后看「每段可用片段的成本」，而非每秒成本。我的测试中，低价档在空镜上大幅胜出，在需要指定运镜的镜头上则惨败。这一次测试抵得上几个月的订阅猜测。
把结果记在一张两栏笔记上：左边写镜头类型，右边写胜出模型。那张笔记就是你的派工表，价值高于任何排行榜，因为它反映的是你真正会拍的镜头。若你想了解模型在不同负载下的行为差异，我们的AI 努力程度设定指南在文字端说明了同一个原则。
结语
不要再寻找「最好的 AI 视频模型」，改为把镜头派给最能处理它的模型。建立派工表只需要一个下午，能撑过每一次模型改版，并把一分钟成片的成本，从四位数港元压到低三位数。
科技应该减少你在压力下要做的决定，而不是增加。懂AI，更懂你 UD相伴，AI不冷。
由 UD AI 团队审阅。
🎬 把技术变成可重复的流程
派工表你已经有了，下一步是把它建成每周都能稳定运行、不用每次从零重建的制作流程。UD 团队手把手带你完成每一步，由工具选型、提示词库，到审核关卡与交付。
