腾讯云WAND实测：AI短剧单部成本10万—20万元，可用率提至80%

用 AI 做一段视频，几分钟就能出片。可要让它真正对上创作者的心思，常常得试上一遍又一遍。业内把这种反复生成、反复挑选的过程叫作“抽卡”。

腾讯云 WAND 多模态应用负责人朱琳在采访中说，按行业经验，一部 AI 短漫剧从分镜做到成片，大约得生成十次，才能碰上一次满意的效果。落差不止出现在视频上。它点出了眼下 AI 创作共同的矛盾：内容生成越来越快，创作者却未必能同样快地拿到真正想要的作品。

门槛是降了，反复试的代价却不小。每“抽”一次卡，背后都是额外的模型调用和等待，还可能搭进人工筛选、修改和返工的成本。

1 AI 能生成好画面，为什么还是难以一次性交付？

电商场景里，商家常要借 AI 给商品换背景、调光影，同时保证形状、颜色和品牌标识不走样。同一件商品还得配出主图、卖点图、场景图等多种素材。模型不光要生成达标的画面，批量生成时还得守住商品特征的准确和一致。

视频制作更难。单个镜头也许已经够逼真，可放进连续叙事里，角色形象、人物动作、空间关系和镜头衔接都得对得上。一个镜头偏了，前后的连贯性就可能受影响。

今年 9 月发表的论文《Better Call CineCrew: Consistent Ultra-Long Narrative-to-Film Generation》也提到，长篇叙事视频生成仍受困于镜头级控制、跨片段视觉身份和角色行为一致性等问题。研究者认为，现有基于提示词的工作流容易出岔子，一个重要原因是剧本和视频生成模型之间缺一层结构化的中间层，镜头、角色、连续性这些约束表达不充分。

说白了，剧本讲的是故事里发生了什么，却未必写清楚摄像机怎么动、人物站在哪儿、哪几个镜头之间哪些细节必须对上。这些信息没在生成前说透，创作者往往只能等结果出来再一遍遍改。

腾讯云副总裁、媒体 AI 产品负责人李志成在采访中也提到，即便是行业头部的视频生成模型，碰上光影、物理规律比较复杂的影视场景，仍有没解决的问题。商业生产对多模态模型的要求，也就不只是画面逼真，还要看它能不能准确听指令、保持内容一致、稳定产出合要求的素材。不然生成再快，也可能只是更快地造出一批等着筛选和修改的素材。

结果的不确定性，最后都会落到时间和钱上。

多模态模型一般按调用次数、视频时长或输出规格收费，可单次生成的价格说明不了成品的成本。假设生成一次视频要 10 元，平均十次才出一个可用镜头，光生成费用就是 100 元；可用率若提到 50%，理论上平均两次就能拿到可用结果，费用降到 20 元。人工筛选、修改和后期处理的成本还没算进去。对批量生产内容的团队来说，把可用率提上去，和把单次调用价格压下来一样要紧。

腾讯云今年推出的音视频 AI 产品家族 WAND，正试着从模型优化、生成控制和后期处理几处入手减少返工。据腾讯云披露，WAND 已帮客户把内容生产的综合成本降了约 20%。

这笔钱是怎么省下来的？朱琳在采访中解释，提高内容可用率是重要一条路。除了把模型生成效果调好，WAND 还用白模前置、擦除修复和生成式增强等技术，让一些原本要重新生成的素材处理后就能用，反复生成和返工随之减少，综合成本也就下来了。

漫森文化的实践给出了更具体的数据。公司助理总经理谭琳介绍，团队此前的镜头可用率约为 30%。接入腾讯云 WAND 的视频生成、画面修复与增强等能力后，可用率升到 50%—80%，再经精细化运营，能稳定在 80% 左右。

漫森文化还把 WAND 的视频生成、画质增强等能力接进自研制作中台，用 Agent 工作流把剧本、分镜、画面生成、后期处理和剪辑串起来。谭琳透露，公司做的精品 AI 短剧单部成本约 10 万—20 万元，用上 WAND 相关能力后，成本又省了约 30%，整体效率提升约 30%。

电商领域也有类似变化。紫讯科技联合创始人杜玉生介绍，公司主要服务跨境电商 B 端客户，帮商家做广告获客素材。接入 WAND-Vega 后，图片素材的有效使用率从原先的 50%—60% 升到 70%—80%；业务效果不变的前提下，商家的素材成本有所下降。

要把内容可用率提上去，光优化模型不够，还可以在生成前把约束讲清楚，在生成后把缺陷补上。

先说生成之前，把含糊的创作要求变成更明确的约束。

李志成在采访中介绍，面对复杂影视场景，WAND 试着引入 3D 白模：先用 3D 软件做出简化的场景视频，定下物体位置、空间关系及部分运动信息，再把它当参考交给视频生成模型。

跟完全靠自然语言描述相比，白模能把场景布局、物体位置和运动关系变成更明确的视觉约束。创作者在正式生成前就能调空间结构和镜头安排，之后再由模型出最终画面，结果的不确定性因此减少。

现场一位业务负责人讲了个真实客户案例。一家保险客户想呈现春节燃放鞭炮出事故、救护车赶到现场的情节。用户口述需求后，平台的工具先做出对应的白模场景，再交给 WAND-Vega 或其他模型生成视频，反复尝试的次数就少了。

另外，落到专业场景里，通用模型未必就是最合适的那一个。

李志成在采访中解释说，WAND-Vega 并非从零开始训练的通用基座模型，它是在腾讯混元以及部分开源基础模型之上做后训练和调优得来的。

腾讯云走这条路，跟它看到的实际业务需求有关。不少通用场景里，现有生成模型已经能应付基本要求，可电商、短剧这类专业场景仍有一些问题反复冒出来。电商要的是把商品特征准确留住，影视制作更在意人物一致性、动作和镜头衔接。围绕这些高频需求做优化，图的是让模型在特定业务里更好用，而不是单纯去刷通用评测成绩。

WAND-Vega 还分出了偏重性价比的 Lite 和偏重生成质量的 Pro 等版本。李志成透露，在效果跟部分行业主流模型基本对齐的前提下，面向成本敏感客户的方案能把模型成本压下来约 20%—30%。

还有一点，生成结果只有局部出问题时，修一修往往比重新生成更划算。

视频主体内容已经达标，只剩错误字幕或者局部画面有瑕疵，这时候重新生成不光多花钱，还可能把原本满意的部分也改掉。

这类问题交给 WAND-EraseVibe+ 处理，它具备视频擦除与画面重建能力。腾讯云披露的技术方案显示，该工具用的是基于隐空间 Transformer 的生成式修复架构：先把视频画面编码成隐空间特征，在特征层推断并重建待修复区域，再解码回视频画面。

白模前置、垂直场景调优、局部修复，这三样分别管着不同环节，图的都是少花点为拿到可用内容而重复生成的冤枉钱。可是当一个生产任务要串起多个模型和工具，新问题就来了：这些能力该怎么接起来，下一步做什么又该由谁定？

一段视频从生成走到成片，中间可能要过画面修复、增强、配音、字幕和剪辑好几道环节。这些任务一般由不同的模型或工具分别完成，开发者既要理清它们之间的依赖关系，还得管好执行状态和异常情况。

固定的自动化工作流能顶上一部分任务。漫森文化就是靠自研制作中台，按预设流程去调用不同的模型和处理工具。碰上需要临时拼凑不同能力的任务，Agent 给出的方式更灵活。

一位业务负责人介绍，其平台的 Creative OS 允许用户用自然语言提创作需求，模型选择和工具调用由 Agent 参与。平台此前做过一次统计，82% 的视频模型调用已经由 Agent 发起，有些过去要手动搭画布节点的操作，现在交给系统就能完成。

Agent 能帮忙理解任务、挑选工具、安排执行步骤，但生成结果合不合创作意图、够不够商业使用的要求、接下来该怎么改，恐怕还得创作者自己拿主意。

智象元一沈伟峰在采访中提到，普通个人创作者一般更看重最终结果，专业影视团队则不同，除了成片质量，还要求创作过程有较高的可控性和可编辑性。比如创作者可能认可一个镜头的整体效果，却只想改人物表情；也可能想留着现有场景，只调镜头运动。工具要是每次都把完整画面重新生成一遍，或者留不住、改不了中间结果，那自动化程度再高，也未必适合严肃的商业生产。所以 Agent 不能只想着减少人工操作，还得让创作者在关键节点上能检查、能修改、能调整结果。

从模型生成、工具处理到 Agent 编排，多模态内容生产正试着把原本散落各处的能力拢成一套完整的工作流。不过要真正做到稳定交付，系统不光得把各环节调用跑通，还得保证生成结果符合要求，并且允许创作者在关键节点插手修改。

声明：本文为 InfoQ 原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。