從單幀到序列：敘事能力的飛躍

角色偏差：敘事的隱形殺手

2019-2023年的AI視頻有一個致命的缺陷：每一幀都是一個孤島。

一個15秒的產品視頻——女性涂精華液、晨間護理、日間活動、晚間休息——聽起來很簡單。但Runway Gen-2生成的三個4秒視頻片段中，出現了三個完全不同的女性：棕紅色頭髮有雀斑、金色頭髮皮膚完美、黑髮臉型完全不同。

"每個片段都很漂亮，但組合在一起看起來像是試鏡，而不是一個故事。"

解決方案是重複上傳相同的參考圖像，祈禱AI能識別它。成功率：大約30%。剩餘的70%？生成、舍棄、重新生成——消耗額度、耐心和截止日期。

這就是"角色偏差"——每一次新的生成都是一張彩票。主角可能在鏡頭之間改變人種、髮型，甚至看起來不同的年齡。AI視頻工具傳遞了令人驚艷的瞬間，但卻未能滿足視覺敘事的最基本要求：連續性。

單幀時代可以創造令人印象深刻的孤立圖像。但將它們串聯起來？結果是一堆不相關的漂亮意外的幻燈片，而不是一個敘事。

演進時間線：從片段到流暢

2019年：深度偽造時代——沒有背景的面孔

早期的AI視頻本質上是複雜的人臉交換。像DeepFaceLab這樣的工具需要500-1000張目標面孔的圖像和數小時的訓練。結果是詭異地逼真的——如果主體直接面對攝像機。

但轉動你的頭45度？笑得太燦爛？改變光線條件？幻覺就破碎了。這些是技術演示，而不是創意工具。單個令人信服的10秒視頻需要：

• 8-12小時的GPU訓練時間
• 精心策劃的源素材
• 大多數創意人士沒有的技術專業知識

2021年：基於GAN的生成——不可思議的谷地

GAN（生成對抗網絡）帶來了文本到圖像的功能，但視頻仍然遙不可及。微軟2021年的"Godiva"可以生成256×256像素、持續3-4秒的視頻。運動是重複的，主體在第二秒後經常融化成抽象紋理。

這麼低的分辨率對專業工作來說是無法使用的。YouTube的最低質量閾值是720p。Instagram故事需要1080×1920。這些早期視頻是概念驗證玩具，而不是生產工具。

2023年：商業突破——孤立的卓越

Runway的Gen-2（2023年6月）通過使AI視頻可訪問改變了遊戲。創意人士第一次可以輸入提示，在幾分鐘內獲得一個4秒、720p的視頻。民主化是真實的——並且是革命性的。

但局限性立即顯現：每次生成最多4秒。沒有音頻。最關鍵的是，代際之間沒有記憶。每個提示都是一張新的彩票。角色一致性本質上是不存在的。

Sora的研究預覽（2024年2月）展示了60秒的連貫性是可能的，但對大多數創意人士仍然無法訪問。演示和部署之間的差距很大。

2025年：敘事時代——連續性作為默認

ByteDance的Seedance 2.0（2026年2月）代表了轉折點。角色一致性不是事後的想法——它是建築性的。雙分支擴散變換器不僅生成幀，它維持對以下內容的持久理解：

• 跨角度和表達的面部結構
• 運動中的服裝和配件
• 光照行為和環境一致性
• 主體之間的空間關係

結果？15秒的片段，其中同一個角色在不同的動作、光照條件和攝像機角度中移動——仍然可識別地是同一個人。

---

系列導航

上一篇： E05: From Random to Director 下一篇： E07: From Day to Night

---

角色一致性不僅僅是一個功能——它是使其他所有功能有意義的基礎。當你的角色最終記住他們是誰時，你會講述什麼故事？