為什麼同一段提示詞，在不同 AI 影片模型上效果差這麼遠？
因為 AI 影片模型並非可以互換的通用工具。每一個模型在訓練與調校時都針對不同任務：有些擅長穩定的鏡頭運動，有些的口型同步是原生生成，有些純粹便宜到讓你可以反覆嘗試。把所有鏡頭都丟給同一個你最順手的模型，正是 AI 影片輸出品質參差的最大原因。
過去兩星期，我用三份相同的簡報分別在五個模型上跑過：產品環繞鏡頭、一句對白的人物鏡頭、城市空鏡。模型之間的品質差距，其實小於「派工」的差距。
模型派工（model routing）是指把影片中每個鏡頭分派給最適合該鏡頭類型的模型，而不是全部在同一個平台生成。這是工作流程的決定，不是訂閱方案的決定，而且通常能同時降低成本與重拍次數。
哪一個 AI 影片模型適合哪一種鏡頭？
把鏡頭配對到模型的強項。對白用原生口型同步的模型，鏡頭運動用可控性高的模型，背景空鏡用最便宜的一檔，單一主視覺鏡頭則交給榜首模型。截至 2026 年 7 月，沒有任何一個模型在這四類同時勝出。
以下是我現在使用的派工表：
--- 對白與人物鏡頭：選原生口型同步的模型。Seedance 2.5 是目前首選，聲音與嘴型一同生成，而非事後配上。事後配音的口型，在手機螢幕上兩秒內就被看穿。
--- 指定運鏡：Runway Gen-4.5。它對結構化提示詞（推軌、環繞、變焦對焦）的反應比榜首模型更可預測，而且嵌進剪接流程而非聊天視窗。
--- 背景空鏡與過場：用你能接受的最低價位。Veo 3.1 Lite 與 Runway Gen-4 Turbo 均約為每秒輸出 0.05 美元。沒有人會為你的第三個過場鏡頭按暫停。
--- 主視覺鏡頭：Gemini Omni Flash。截至 2026 年 7 月下旬，它以 1527 Elo 位居 LMArena 文字轉影片榜首，領先第二名約 45 分，並支援對話式修改。
--- 4K 或較長序列：同樣是 Seedance 2.5，新增原生 4K 與 30 秒輸出，以及最終算圖前規劃運鏡的 3D 預覽步驟。
模型每隔幾星期就會改朝換代，但派工的分類不會。把習慣建立在分類上。
AI 影片每一分鐘成片，實際成本是多少？
遠高於每秒標價，因為你不可能用第一次生成的結果。以實際上約 8:1 的生成與採用比例計算，一分鐘成片代表約 480 秒輸出。以每秒 0.10 美元計算約為 48 美元，折合約 375 港元；以每秒 0.05 美元計算則降至約 187 港元。
截至 2026 年 7 月下旬的公開牌價，按輸出秒數計算：
--- Veo 3.1 Lite：約每秒 0.05 美元。Runway Gen-4 Turbo：約每秒 0.05 美元（每秒 5 點數）。
--- Kling：約每秒 0.07 美元，Kling 3.0 接近 0.10 美元。
--- Sora 2 基礎版：720p 約每秒 0.10 美元。Sora 2 Pro：約 0.30 至 0.50 美元，1080p Pro 可達 0.70 美元。
--- Gemini Omni Flash：約每秒 0.10 美元（每百萬影片輸出 token 17.50 美元），透過 Batch API 可減半至約 0.05 美元。
--- Runway Gen-4.5：每秒 12 點數，約 0.12 美元。Veo 3.1 標準版：1080p 約每秒 0.40 美元。
在決定訂閱方案之前先算一次。同樣以 8:1 比例計算，一段 60 秒產品影片若全部使用 Veo 3.1 標準版，單是生成成本便約為 1,498 港元。若妥善派工，只保留一個主視覺鏡頭、其餘交給低價檔，同樣一分鐘的成本會落在約 250 港元。
以上每一個數字都只是快速變動市場中的牌價。真正動用預算的當天，請回到供應商自己的定價頁面確認。
一段好的 AI 影片提示詞應該長什麼樣？
好的提示詞會按固定次序寫明五件事：主體、動作、鏡頭、光線、格式。模糊的提示詞只會產生模糊的動態。模型並非憑感覺猜測你的意圖，而是把你的文字對應到訓練字幕，而字幕語言本身就是技術性的。
以下是我每個鏡頭都在用的範本。原樣複製，填入方括號內容即可。
試試這段提示詞：
SUBJECT：[一個具體主體，寫明材質與顏色，例如「一隻霧面黑陶瓷咖啡杯，冒著熱氣」]
ACTION：[只寫一個物理動作，例如「熱氣緩緩上升，液面靜止」]
CAMERA：[只寫一個運鏡，例如「由左至右緩慢 90 度環繞，視平線高度，50mm 鏡頭」]
LIGHTING：[光源、方向、色溫，例如「單一柔光主燈自鏡頭左側打入，暖色 3200K，向黑色深度衰減」]
FORMAT：[時長、比例、解析度，例如「6 秒，16:9，1080p，無文字疊加，無標誌」]
NEGATIVE：[不可出現的元素，例如「無手部、無攝影棚反光、無鏡頭晃動」]
有兩條規則讓範本生效。每段片只給一個動作、一個運鏡：同時要求橫搖、變焦與主體轉身，結果只會一團糊，分成兩段再剪接。永遠不要省略光線描述：光線正是決定多段片段是否像同一場拍攝的關鍵變數。
如果你已經在為文字模型撰寫結構化提示詞，這是同一套紀律換到另一種輸出形式。我們關於情境工程的文章，說明了為何在各類模型上，明確結構都勝過巧妙措辭。
怎樣讓多段 AI 片段看起來像同一支影片？
在每次生成之間鎖定三個變數：光線描述、鏡頭焦段與高度、色彩基調。把這三行原文照抄到每段提示詞，只更換主體與動作。大部分「AI 影片看起來很割裂」的抱怨，源頭都是每次重寫光線那一行。
提示詞之外，善用平台的一致性功能。風格參考、角色鎖定、種子碼重用本質上都在做同一件事：把模型約束在先前輸出上。Runway 與 Kling 都有這類設定，聊天式工具則往往藏得很深。
然後在剪接軟件裡收尾。所有片段套用同一組 LUT 調色，整條時間線加一層顆粒，統一音場。十五分鐘調色掩蓋的模型不一致，比多生成五十次還要多。
靜態圖像那一端同樣有進展，這對分鏡很重要。Meta 於 2026 年 7 月 7 日推出 Muse Image，目前在文字轉圖像約排第三、圖像編輯排第二，Google 亦推出了 Nano Banana 2 Lite。先把關鍵幀以靜態圖生成，確認後再動畫化，成本遠低於直接在影片階段反覆試。
2026 年，AI 影片在哪些地方仍然做不好？
穩定地失手於四處：具名產品、畫面文字、需要精細操作的手部、以及超過約十秒的連貫性。這些不是靠更好措辭就能解決的提示詞問題，而是當前的模型極限，假裝不存在只會浪費預算。
--- 你自己的產品。沒有模型見過你的貨號。生成的近似品不如手機實拍。產品實拍，環境交給生成。
--- 畫面文字。小字級的清晰文字至今不穩定。字幕與標題請在剪接軟件加上，而不是寫進提示詞。
--- 精細手部動作。手指操作小物件仍然是最常見的失敗點。用切鏡或裁切避開。
--- 長度。多數模型在短片段上表現最好。即使有 30 秒輸出，也應以多鏡頭組成序列，而非押注一次完美長生成。
誠實比吹捧有用。AI 影片如今在氛圍、動態與環境上確實出色，在具體指涉上仍然薄弱。依這個分界規劃剪接，輸出就不再像賭博。
立即試做：20 分鐘派工測試
挑一個你這星期真正需要的鏡頭。用上面的範本生成三次：一次用低價檔，一次用 Runway Gen-4.5，一次用當前榜首模型。五行內容相同、光線文字相同，只更換平台。
然後看「每段可用片段的成本」，而非每秒成本。我的測試中，低價檔在空鏡上大幅勝出，在需要指定運鏡的鏡頭上則慘敗。這一次測試抵得上幾個月的訂閱猜測。
把結果記在一張兩欄筆記上：左邊寫鏡頭類型，右邊寫勝出模型。那張筆記就是你的派工表，價值高於任何排行榜，因為它反映的是你真正會拍的鏡頭。若你想了解模型在不同負載下的行為差異，我們的AI 努力程度設定指南在文字端說明了同一個原則。
結語
不要再尋找「最好的 AI 影片模型」，改為把鏡頭派給最能處理它的模型。建立派工表只需要一個下午，能撐過每一次模型改版，並把一分鐘成片的成本，從四位數港元壓到低三位數。
科技應該減少你在壓力下要做的決定，而不是增加。懂AI，更懂你 UD相伴，AI不冷。
由 UD AI 團隊審閱。
🎬 把技術變成可重複的流程
派工表你已經有了，下一步是把它建成每週都能穩定運行、不用每次從零重建的製作流程。UD 團隊手把手帶你完成每一步，由工具選型、提示詞庫，到審核關卡與交付。
