生成式 AI 视频：什么是生成的，你能控制什么
动手试试：挑一个你在意的镜头元素，例如面孔、外套、某人站的位置或天气，然后判断它应该用图片、用文本还是用设置来决定。下方表格会说明哪一种控制真正守得住。
是生成还是拼接：快速判断法
模板或现成素材编辑器是拼接：它把已经存在的片段、文本和配乐拿来摆放。成品里没有任何东西是为你的句子做的，所以结果可以重复、每次修改便宜，但只能用现有的素材。生成式工具则是制作：画面、语音和声音都是按你的要求产生的。你可以要求一个素材库里没有的东西，例如按你描述的外貌、出现在你描述的房间里的角色，但每次要求都是一次全新的抽取。
测试很简单。要求一个不可能存在于现成视频中的东西，例如穿着特定服装、说出特定台词的有名字角色。如果工具返回的是接近既有素材的内容，那就是在拼接。SceneMixer 的片段是根据你的角色图、镜头文本和声音产生的，其中没有任何一部分是从片段库里取出来的。最后的拼接是唯一不属于生成的步骤：它把完成的片段缝合在一起。
图片绑定
SceneMixer 生成镜头时，模型会把其中提到的角色、场景与道具的设定图当成图片接收，并且高度还原：面孔、服装、材质，以及图片中的光线与背景。这是现有最强的控制，但也是一把双面刃。图片绑定它所呈现的内容，再多句文本也改不掉它。所以要改面孔或外套，就得改图片：修改描述后重新生成设定图，或在付费方案中换成你自己的图片，或为改变后的造型加一张状态图。
这也是设定图刻意保持中性的原因：如果角色是在黑色电影式的光线下画的，那种光线就会跟着被带进阳光野餐的场景。情绪应该逐镜头写在文本里，那才是它该待的地方。为什么设定图看起来很素 · 使用你自己的参考图。
文本引导
镜头文本决定那些图片本身无法决定的事：人站在哪里、他们在做什么、光从哪里来、天气、时间、镜头怎么移动，以及逐字说出什么台词。文本作用在图片之上的一层，所以下雨、黄昏、有人坐下、谁拿着杯子，都会叠加在设定图所呈现的内容之上。文本是引导，而不是固定。名词的权重高于虚词，所以否定句常常会把它所否定的东西真的画出来；一长串形容词则会把真正重要的字压下去。要写的是镜头前有什么、光的来由，而不是你希望结果得到的评语。
设置框限
SceneMixer 的设置决定图片与文本能运作的框架。视觉风格是媒介，从摄影写实到绘画再到 3D，套用于一切。场景风格与服装风格则是在解析剧本时套用一次，然后流入每一段描述。画幅 9:16 或 16:9 在第 1 步之后就固定了。视频档位决定分辨率，从 480P 到 2K，以及最长片段，即 15 或 30 秒；每个镜头的秒数合计后不能超过这个上限。设置本身从不描述镜头里发生什么，系统也会避免它们跟文本互相冲突：它不会告诉模型主体该放哪里，因为那是分镜的工作。
选择风格设置 · 15 或 30 秒的片段 · 竖屏还是横屏。
你想控制的内容，以及哪种控制能守住它
| 你想设置的是 | 用 | 守住的程度 |
|---|---|---|
| 面孔、年龄、体型 | 角色设定图 | 绑定：高度还原 |
| 服装 | SceneMixer 的设定图，或为改变后的服装另加一张状态图 | 绑定；文本无法盖过 |
| 房间的格局 | 场景设定图与场景的 3D 模型 | 绑定空间 |
| 人物站的位置 | 文本，作为空间的定位点 | 引导；能跨机位维持 |
| 光线、天气、时段 | 镜头中的文本 | 引导；叠加在图片之上运作 |
| 说出的台词 | 附说话者与声音标记的台词 | 逐字说出 |
| 声音的音色 | 撰写的声音描述，或素材库的默认音色 | 引导；套用默认音色后即绑定 |
| 长度与细节 | 每个镜头的秒数、档位 | 画格：在上限之内 |
| 精确取景、小动作、手部 | 没有任何控制能稳定掌握 | 交由模型决定；重新生成 |
哪些仍是随机的，以及怎么应对
同样的两次要求，可能会得到两段不同的片段，任何生成式产品都是如此。会变动的部分包括精确的取景、表演、细节，以及你没写明的任何事。与其对抗它，不如顺着它来：付费生成视频之前先读分镜，先生成一个片段；单个镜头就改它的文本，只重新生成那些镜头；并保留先前的版本，因为片段的每次生成都会保存在 SceneMixer 的版本记录中，在版本之间切换也是免费的。编辑一个镜头并重新生成 · 片段版本。
因为每个片段都是一次新的抽取，成本是按尝试次数计，而不是按结果计：默认档位每秒 8 积分。你手上最便宜的控制，是生成之前的文本，编辑多少次都免费。
| 控制的种类 | 示例 | 靠什么保持不变 |
|---|---|---|
| 图片 | 角色、场景与道具设定图、状态图，以及你自己的照片 | 被高度还原 |
| 文本 | 镜头文本、位置、光线、天气、对白 | 引导图片没有定下来的部分 |
| 设置 | 画面、场景与服装风格、画面比例、档位、秒数 | 设置所有事情发生的框架 |
| 无 | 精确的取景、手势与双手 | 重新生成并挑选 |
常见问题
什么是生成式 AI 视频？
由模型根据描述生成画面、语音与声音的视频，而不是从既有素材或模板拼凑而成。SceneMixer 的片段是根据角色图、镜头文本和声音产生的。
它和模板式视频剪辑器有什么不同？
模板式剪辑器是把既有片段、文本与音乐排进去，所以能重复使用，但只能用现有的东西。生成式工具则会按每次要求产生新的画面与声音，因此能做出新场景，但无法完全重复出一模一样的结果。SceneMixer 的片段都是按每次要求产生的。
生成式视频能控制哪些东西？
SceneMixer 的图片能绑定面孔、服装与房间；文本能引导位置、光线、天气与对白；设置则框定风格、画面比例、分辨率与长度。细致的取景与手势则交由模型决定。
为什么我的文本无法改变角色的服装？
SceneMixer 中，参考图会连同服装一起被照搬，文本无法覆盖它。请更换图片、修改描述后重新生成设定图，或添加一张状态图。
能得到完全相同的视频两次吗？
不能。生成具有几率性。你可以保留喜欢的版本，免费在 SceneMixer 的各版本之间切换，并只重新生成不理想的镜头。
视频中有任何部分不是生成的吗？
把完成的段拼接成一集的合成步骤，属于一般的视频处理。语音来自 SceneMixer 的默认音色库或文本描述，配乐则是为该集挑选的。
生成式是否就等于随机？
部分如此。你提供的图片与文本会固定角色身份、房间与故事；变动的是精确的取景、表演与细节。SceneMixer 就是用设定图来固定角色长相的。
最省钱的控制方式是什么？
文本。修改 SceneMixer 的分镜是免费的，而在生成前先定好一句话，就能省下一次按每秒单价计费的重新生成。
更新于 2026 年 11 月 3 日