视频 AI：一支 AI 视频里的五项工作
动手试试：打开任一示例项目，说出以下五样东西背后是哪项工作：第 1 步的摘要、第 2 步的角色图片、编辑器中的镜头清单、播放器旁的配乐开关，以及「合成本集」按钮。
工作一：解析，由文本模型完成
输入： 你的剧本，或 SceneMixer 的「AI 创作」展开的那一句话。输出： 一份摘要、以文本描述外貌与声音的角色、场景、道具、分集切分，然后每一集都有一份分镜，包含有编号的镜头、秒数、角色名称与台词。在哪看： 第 1 步会显示摘要；分镜位于第 3 步，以及编辑器中的镜头清单或纯文本。怎么改： 全部都可以免费手动编辑，或用白话文请 AI 修改，每次修改收 1 积分；也可以从文本记录还原较早的版本。费用： 解析一次收 3 积分，每 3,333 个字符计；分镜则是本集每 100 字收 1 积分。
文本模型不画任何东西，也不拍任何东西。分镜是系统其余部分会逐字解析的格式，包括镜头标记、秒数与角色引用，因此它的质量就是之后所有环节的上限。项目里有什么。
工作二：绘图，由图像模型完成
输入： 每段描述加上你选的 SceneMixer 视觉风格。输出： 每个角色一张设定图（固定为 9:16）、每个场景与道具一张（固定为 16:9）、可选的状态图，以及封面海报。在哪看： 第 2 步，每个项目一张卡片。怎么改： 编辑描述后重新生成，或在付费方案中用自己的图片取代设定图。费用： 每个账号的前 15 张免费，之后在默认图像档位每张收 5 积分。
这些图片不是视频本身，而是之后每个镜头都会参照的依据，所以设定图刻意保持中性：背景和光线都很单纯，因为模型会像复制脸部一样忠实地复制参考图的光线与氛围。氛围是在分镜中逐镜头写明的。为什么设定图看起来很素。
工作三：拍摄，由视频模型完成
输入： 镜头中每个人与每样东西的设定图、附有秒数的镜头文本，以及每位说话者的声音。输出： 一段最长 15 秒的片段，或在长镜头档位为 30 秒；画面、台词、说话者的口型与场景环境音会一起生成为一段视频。在哪看： 预览播放器，所有版本都会保存在版本记录中。怎么改： 编辑镜头文本后重新生成该片段，或使用「修改这条片」来剪一刀、改画面、改台词或提升清晰度。费用： 默认档位每秒 8 积分，较高档位更贵；价格显示在按钮上。
这是真正花钱、也花时间的工作，SceneMixer 大陆站近 30 天实测（截至 2026 年 11 月 3 日，不含排队）：一段视频中位数约 3 分半钟，九成在 7 分钟内完成。它还具有几率性：两次完全相同的请求，可能得到两个不同的片段。编辑器顶部列的档位菜单会设置分辨率（从 480P 到 2K），以及可接受的最长片段。一次生成内含对白与声音。
工作四：配乐
输入： 完成的 SceneMixer 分镜、其中的场景、每段的氛围，以及台词出现的位置。输出： 整集的配乐规划，每段至少半分钟，在场景交界处以短暂的交叉淡化切换，并混在人声之下。在哪看： 播放器旁的配乐开关。怎么改： 只能开或关；没有选曲器、音量控制，也没有重新作曲的按钮。费用： 已包含在视频价格中。内置配乐。
工作五：合成，这不是模型
输入： 每个 SceneMixer 片段目前激活的版本，依序排列。输出： 整集的视频文件。在哪看： 「合成本集」按钮，所有片段完成后即可使用。怎么改： 把某个片段切换到其他版本或重新生成，然后再次合成；新文件取代前，旧文件会保留。费用： 每秒 1 积分。
合成只是单纯的视频处理。能不重新编码时就不重新编码，所以你确认过的画面就是最后发出的画面；它也无法修复有问题的片段。片段会照原样拼接，因此有些片段带标识、有些没有，这种状态会原样保留。合成并分享一集。
这是哪项工作造成的？
| 你看到的情况 | 是哪项工作 | 在哪里修 |
|---|---|---|
| 镜头里出现错的人或错的动作 | 解析 | 编辑 SceneMixer 的镜头文本，然后重新生成该片段 |
| 每个镜头的脸都不对 | 绘图 | 编辑第 2 步的描述，然后重新生成设定图 |
| 只有一个镜头怪，其他都正常 | 拍摄 | 重新生成该片段，或修改这条片 |
| 台词用错了声音 | 拍摄（来自声音标签） | 检查镜头中的说话者与声音标签，再检查该角色的声音 |
| 不想要配乐 | 配乐 | 关掉配乐开关后下载 |
| 整集中有些部分带标识，有些没有 | 合成 | 设置标识开关，重新生成异常的片段，然后再次合成 |
其中哪些可以选择模型
文本、图片与视频各自通过一个 档位 运作：这是 SceneMixer 的一组设置，规定用哪个服务、哪个模型、什么分辨率，以及一个片段最长能多长。视频档位最值得选，因为钱与看得见的差别都在这里，它的菜单位于编辑器的顶端列。文本与图片的档位放在「设置」下的「模型偏好」，默认值是当初为流程调校好的那组。本页不列出模型名称，因为档位是设置，会改动；菜单与定价页会显示即时清单。底层是怎么运作的。
| 工作项目 | 输入 | 输出 | 你可以修改 | 费用 |
|---|---|---|---|---|
| 解析 | 你的文本 | 角色、场景、道具、镜头 | 全部，可手动修改或用 AI 改 | 按长度计费；手动修改免费 |
| 绘制 | 描述与外观 | 设定图与状态图 | 描述、重新生成、上传（付费方案） | 前 15 张免费，之后按张数计费 |
| 拍摄 | 设定图、镜头文本、配音 | 一段带声音的片段 | 镜头文本、档位、片段修正 | 按秒数计费 |
| 配乐 | 分镜 | 配在人声下的音乐 | 开或关 | 已包含 |
| 合成 | 完成的片段 | 集的文件 | 挑选要用哪一版，然后再次合成 | 每秒 1 积分 |
常见问题
什么是视频 AI？
一组模型与工具，负责读文本、画参考图、拍出有声片段、为它们配乐，并把它们合成起来。在 SceneMixer 里，它分成五项工作，其中三项使用你可以选择的模型。
整支视频是由一个 AI 模型完成的吗？
不是。SceneMixer 的文本模型、图片模型与视频模型各做不同的工作，合成则是一般的视频处理。配乐由网站规划并混音。
哪个部分最花钱？
拍摄。SceneMixer 的视频按秒数计费，其他每一步相比之下都很少。
我可以选模型吗？
你可以在 SceneMixer 的编辑器里选视频档位，在设置里选文本与图片档位。定价页会显示即时清单；默认值则是流程调校时所用的设置。
为什么不能单独编辑声音？
SceneMixer 的人声、嘴型与环境音是和画面一起生成为一段片段的。你可以为完成的片段重新配音、关掉配乐，或重新生成该片段。
AI 会照字面逐字读我的剧本吗？
SceneMixer 会把剧本读成角色与镜头，并补上分镜需要的内容。在为任何视频付费之前，你都可以先读、先改结果。
过程中有人参与吗？
有，就是你。你要检查的两个地方，是 SceneMixer 的步骤 2 的角色，以及视频生成前的分镜。两者都可以免费编辑。
为什么两次相同的需求，会得到不同的片段？
视频生成本身具有几率性。这就是为什么要先读 SceneMixer 的分镜、先拍一个片段再拍其他的，并且可以单独重新生成某个镜头。
更新于 2026 年 11 月 3 日