生成式 AI 影片：什麼是生成的，你能控制什麼
動手試試：挑一個你在意的鏡頭元素，例如臉孔、外套、某人站的位置或天氣，然後判斷它應該用圖片、用文字還是用設定來決定。下方表格會說明哪一種控制真正守得住。
是生成還是拼接：快速判斷法
範本或現成素材編輯器是拼接：它把已經存在的片段、文字和配樂拿來擺放。成品裡沒有任何東西是為你的句子做的，所以結果可以重複、每次修改便宜，但只能用現有的素材。生成式工具則是製作：畫面、語音和聲音都是依你的要求產生的。你可以要求一個素材庫裡沒有的東西，例如依你描述的外貌、出現在你描述的房間裡的角色，但每次要求都是一次全新的抽取。
測試很簡單。要求一個不可能存在於現成影片中的東西，例如穿著特定服裝、說出特定台詞的有名字角色。如果工具回傳的是接近既有素材的內容，那就是在拼接。在這裡，片段是根據你的角色圖、鏡頭文字和聲音產生的，其中沒有任何一部分是從片段庫裡取出來的。最後的拼接是唯一不屬於生成的步驟：它把完成的片段縫合在一起。
圖片綁定
生成鏡頭時，模型會把其中提到的角色、場景與道具的設定圖當成圖片接收，並且高度還原：臉孔、服裝、材質，以及圖片中的光線與背景。這是現有最強的控制，但也是一把雙面刃。圖片綁定它所呈現的內容，再多句文字也改不掉它。所以要改臉孔或外套，就得改圖片：修改描述後重新生成設定圖，或在付費方案中換成你自己的圖片，或為改變後的造型加一張狀態圖。
這也是設定圖刻意保持中性的原因：如果角色是在黑色電影式的光線下畫的，那種光線就會跟著被帶進陽光野餐的場景。情緒應該逐鏡頭寫在文字裡，那才是它該待的地方。為什麼設定圖看起來很素 · 使用你自己的參考圖。
文字引導
鏡頭文字決定那些圖片本身無法決定的事：人站在哪裡、他們在做什麼、光從哪裡來、天氣、時間、鏡頭怎麼移動，以及逐字說出什麼台詞。文字作用在圖片之上的一層，所以下雨、黃昏、有人坐下、誰拿著杯子，都會疊加在設定圖所呈現的內容之上。文字是引導，而不是固定。名詞的權重高於虛詞，所以否定句常常會把它所否定的東西真的畫出來；一長串形容詞則會把真正重要的字壓下去。要寫的是鏡頭前有什麼、光的來由，而不是你希望結果得到的評語。
設定框限
SceneMixer 的設定劃定了圖像與文字運作的範圍。視覺風格是畫面的媒材，從寫實攝影到手繪再到 3D，會套用在所有內容上。場景風格和服裝風格在解析劇本時只套用一次，並融入每一段描述。畫幅是 9:16 還是 16:9，在第 1 步之後就固定了。影片檔位決定解析度，從 480P 到 2K，也決定單個片段的最長時間，15 或 30 秒；每個鏡頭的秒數加起來不能超過這個上限。設定從不規定鏡頭裡發生什麼，系統也避免讓設定和文字互相打架：它不會告訴模型主體要放在哪裡，因為那是分鏡的工作。
選擇風格設定 · 15 或 30 秒的片段 · 直向或橫向。
你想控制的內容，以及哪種控制能守住它
| 你想設定的是 | 用 | 守住的程度 |
|---|---|---|
| 臉孔、年齡、體型 | 角色設定圖 | 綁定：高度還原 |
| 服裝 | 設定圖，或為改變後的服裝另加一張狀態圖 | 綁定；文字無法蓋過 |
| 房間的格局 | 場景設定圖與場景的 3D 模型 | 綁定空間 |
| 人物站的位置 | 文字，作為空間的定位點 | 引導；能跨機位維持 |
| 光線、天氣、時段 | 鏡頭中的文字 | 引導；疊加在圖片之上運作 |
| 說出的台詞 | 附說話者與聲音標記的台詞 | 逐字說出 |
| 聲音的音色 | 撰寫的聲音描述，或素材庫的預設音色 | 引導；套用預設音色後即綁定 |
| 長度與細節 | 每個鏡頭的秒數、檔位 | 畫格：在上限之內 |
| 精確取景、小動作、手部 | 沒有任何控制能穩定掌握 | 交由模型決定；重新生成 |
哪些仍是隨機的，以及怎麼應對
兩次完全相同的請求，可能得到兩段不同的影片；SceneMixer 的條款明確寫了這一點，而任何生成式產品的誠實做法，就是把這種情況當作預期之中。會變的部分包括確切的構圖、表演、小細節，以及你沒有交代的一切。順著它來，不要硬碰硬：付費生成影片之前先讀過分鏡，先生成一個片段，只改單一鏡頭的文字並只重新生成那幾個鏡頭，並且保留先前的版本——每個片段的每次生成都會保存在版本記錄裡，在版本之間切換是免費的。改單一鏡頭再重新生成 · 片段版本。
因為每個片段都是一次新的抽取，成本是按嘗試次數計，而不是按結果計：預設檔位每秒 10 積分。你手上最便宜的控制，是生成之前的文字，編輯多少次都免費。
| 控制的種類 | 範例 | 靠什麼保持不變 |
|---|---|---|
| 圖片 | 角色、場景與道具設定圖、狀態圖，以及你自己的照片 | 被高度還原 |
| 文字 | 鏡頭文字、位置、光線、天氣、對白 | 引導圖片沒有定下來的部分 |
| 設定 | 畫面、場景與服裝風格、畫面比例、檔位、秒數 | 設定所有事情發生的框架 |
| 無 | 精確的取景、手勢與雙手 | 重新生成並挑選 |
常見問題
什麼是生成式 AI 影片？
由模型根據描述生成畫面、語音與聲音的影片，而不是從既有素材或範本拼湊而成。
它和範本式影片剪輯器有什麼不同？
範本式剪輯器是把既有片段、文字與音樂排進去，所以能重複使用，但只能用現有的東西。生成式工具則會依每次要求產生新的畫面與聲音，因此能做出新場景，但無法完全重複出一模一樣的結果。
生成式影片能控制哪些東西？
圖片能綁定臉孔、服裝與房間；文字能引導位置、光線、天氣與對白；設定則框定風格、畫面比例、解析度與長度。細緻的取景與手勢則交由模型決定。
為什麼我的文字無法改變角色的服裝？
參考圖會連同服裝一起被照搬，文字無法覆蓋它。請更換圖片、修改描述後重新生成設定圖，或新增一張狀態圖。
能得到完全相同的影片兩次嗎？
不能。生成具有機率性。你可以保留喜歡的版本，免費在各版本之間切換，並只重新生成不理想的鏡頭。
影片中有任何部分不是生成的嗎？
把完成的 SceneMixer 片段接合成一集的步驟，就是一般的影片處理。聲音來自預設音色庫或一段文字描述，配樂則是為整集挑選的。
生成式是否就等於隨機？
部分如此。你提供的圖片與文字會固定角色身分、房間與故事；變動的是精確的取景、表演與細節。
最省錢的控制方式是什麼？
文字。在 SceneMixer 裡編輯分鏡是免費的，生成前改好一句話，就能省下一次按每秒計價的重新生成。
更新於 2026 年 11 月 2 日