AI模型擅长单帧画面,不擅长跨帧长期记忆。所以主流模型生成视频以短时长为主,单次生成约4–10s
比如下方视频,使用vidu AI生成,把五个场景压缩在8s的视频中,视频衔接生硬,节奏混乱。
将视频分割为多个片段,多个镜头分开生成视频,最后进行合成剪辑,确保视频节奏和流畅度。
动态物理方面失真,不懂真实世界规则。叙事与逻辑连贯性断裂。
比如只有提示词使用即梦生成图片时,火车从黄鹤楼下开出,不符合现实逻辑。
引入参考图,首帧场景风格,后续帧以首帧为基准迭代,强制视觉统一。补充生活化、写实类动态图片与数据,引导模型理解真实逻辑。