AI 初稿只有 60 分：从自动成片到 90 分成片的手动微调清单

一、问题的提出：为什么 AI 初稿天然停在 60 分

先把"60 分"这个说法讲清楚。它不是某个评测榜单上的具体分数，而是创作者对 AI 初稿的一种经验性描述：能看、能用、能交差，但离"拿得出手"还差一口气。这口气差在哪里？笔者认为，核心在于生成模型与成片标准之间存在三重错位。

1.1 错位一：局部合理与全局连贯的错位

当前主流视频生成模型大多基于扩散架构，其训练目标是在给定条件下生成"看起来真实"的帧序列。扩散模型的去噪过程本质上是在学习数据分布的条件概率密度，这意味着模型擅长的是"单帧或短片段像不像"，而不是"整段视频顺不顺"。本文评述：这种目标函数层面的差异，决定了模型天然缺乏对长程叙事结构的建模能力。一个 5 秒的镜头可以惊艳，但把十个 5 秒镜头拼在一起，观众感受到的往往是断裂而非连贯。

1.2 错位二：概率采样与精确控制的错位

生成过程带有随机性。同一个提示词跑两次，结果可能差异明显。对于创意探索这是优点，但对于需要精确控制主体位置、动作幅度、镜头运动的成片需求，这种随机性就是负担。Runway、可灵等工具虽然提供了镜头控制、运动笔刷等条件输入，但控制精度与专业剪辑软件的时间线操作仍有量级差距。

1.3 错位三：单模态生成与多模态成片的错位

成片是画面、声音、字幕、音乐、音效的复合体，而多数视频生成模型只负责画面。声音需要单独生成或匹配，字幕需要单独排版，音乐需要单独选曲。这种"各管一段"的生成方式，导致最终合成时音画对不上、情绪不统一。本文评述：把成片拆成多个独立生成任务，再靠人工缝合，是当前工作流效率损耗的主要来源。

关键判断：AI 初稿停在 60 分，不是模型不够强，而是"生成"与"成片"之间缺少一层系统化的微调工序。这层工序，正是本文要补齐的部分。

二、分析主线：从"生成能力"到"微调能力"的范式迁移

要理解这条主线，不妨回顾一下图像生成领域走过的路。2022 年 Stable Diffusion 开源后，第一波热潮是"生成"——谁能跑出好看的图。但很快，价值重心转向了"控制"：ControlNet 让姿态可控，LoRA 让风格可控，IP-Adapter 让参考图可控。到了 2024 年，真正拉开创作者差距的，已经不是"会不会用 SD"，而是"会不会调 ControlNet 权重、会不会训 LoRA"。

视频生成正在重演这条路径，只是节奏更快。2024 年 Sora 发布引发轰动，2025 年可灵、Runway Gen-3、Pika 2.0 相继成熟，生成能力的军备竞赛已经进入平台期。本文评述：当生成质量趋同，差异化就来自微调。谁能把 60 分的初稿稳定推到 90 分，谁就掌握了下一阶段的核心竞争力。

这条主线可以进一步拆解为三个命题：

• 命题一：微调的目标不是"更好看"，而是"更可控"。好看是主观的，可控是可验证的。
• 命题二：微调的对象不是单帧，而是帧与帧之间的关系。视频的本质是时间维度上的信息组织。
• 命题三：微调的方法不是凭感觉，而是有清单、有指标、有回退路径的工程流程。

这三个命题，构成了后文所有微调清单的理论基础。

三、三阶段工作流：生成、评估、微调

在给出具体清单之前，先建立工作流的骨架。笔者认为，把 AI 视频从初稿推到成片，应该遵循"生成-评估-微调"的三阶段循环，而不是"生成-生成-再生成"的蛮力试错。

3.1 阶段一：生成——带着约束去生成

很多人把生成当成"抽卡"，提示词写得越花越好，跑得越多越好。这是低效的。正确的做法是：在生成之前就把后续微调的接口预留出来。具体包括：

• 固定随机种子，保证同一提示词可复现；
• 分镜生成，不要一次性生成整段，每个镜头单独跑，便于替换；
• 保留原始生成参数（提示词、种子、模型版本、CFG 值），建立可追溯的生成日志；
• 对关键镜头生成多个候选（通常 3-5 个），为后续选择留出空间。

3.2 阶段二：评估——用指标代替感觉

评估是当前工作流中最薄弱的一环。多数创作者靠"看一遍觉得行不行"来判断，这既不高效也不稳定。笔者认为，应该建立一套分层评估指标：

3.3 阶段三：微调——按优先级逐层修复

微调不是把所有问题一起改，而是按"叙事层→感知层→技术层→交付层"的优先级逐层修复。原因很简单：上层问题会掩盖下层问题。如果叙事结构不对，画面再精致也白搭。本文评述：先定结构，再修画面，最后抠细节，这个顺序不能颠倒。

四、维度一：叙事结构的微调清单

叙事结构是成片的骨架。AI 生成的是碎片，微调的第一步就是把碎片组织成有起承转合的整体。

4.1 清单项：建立镜头清单表

在动手剪辑之前，先做一张镜头清单表。每一行是一个镜头，列包括：镜号、时长、画面内容、情绪标签、音效需求、衔接方式。这张表的作用是把"感觉"变成"结构"，让后续所有微调都有参照。

镜号 | 时长 | 画面内容        | 情绪 | 音效     | 衔接
-----|------|----------------|------|----------|------
01   | 3.2s | 城市清晨远景    | 平静 | 环境音   | 硬切
02   | 2.5s | 主角推门特写    | 期待 | 门轴声   | 匹配剪辑
03   | 4.0s | 街道跟拍        | 轻快 | 节奏鼓点 | 动接动
04   | 1.8s | 眼神特写        | 紧张 | 心跳声   | 跳切

4.2 清单项：检查情绪曲线

把每个镜头的情绪标签连成一条曲线，看是否有起伏。如果整条曲线是平的，说明叙事缺乏张力。常见的修复手法：在平淡段落插入一个反差镜头，或在高潮前加一个停顿。本文评述：AI 生成的内容往往情绪偏"中性"，因为模型倾向于生成"安全"的画面，这恰恰需要人工注入情绪对比。

4.3 清单项：验证信息密度

信息密度指单位时间内观众需要处理的信息量。AI 初稿常见的问题是密度不均：有的镜头信息过载，有的镜头空洞。修复方法是调整镜头时长，或替换内容。一个经验值：叙事类视频每 3-5 秒应有一个信息点，快节奏内容可压缩到 1-2 秒。

4.4 清单项：补齐转场逻辑

AI 生成的镜头之间往往缺少转场设计，直接硬切会显得突兀。常见的转场修复手段包括：匹配剪辑（利用形状或动作相似性）、动接动（利用运动方向连续性）、声音先入（下一镜的声音提前进入）。这些手法在传统剪辑中早已成熟，直接迁移即可。

操作提示：转场修复建议在剪辑软件中完成，不要在生成工具里反复重跑。生成工具擅长"造素材"，剪辑软件擅长"组素材"，各司其职效率最高。

五、维度二：镜头节奏的微调清单

节奏是视频的呼吸。AI 初稿的节奏问题通常表现为两种：要么全程匀速，像 PPT；要么忽快忽慢，像卡带。

5.1 清单项：标定基准节奏

先确定整片的基准节奏，再设计变化。基准节奏由目标受众和内容类型决定：短视频平台通常 1.5-2.5 秒一个镜头切换，品牌片可以放宽到 3-5 秒，纪录片可能更长。本文评述：AI 生成工具默认输出的镜头时长往往偏长，需要人工压缩，这是节奏微调的第一刀。

5.2 清单项：设计节奏变化点

匀速是节奏的大敌。修复方法是在关键节点制造节奏变化：高潮前放慢，高潮时加速，结尾处留白。具体操作上，可以通过调整镜头时长、改变剪辑点位置、插入空镜或黑场来实现。

5.3 清单项：对齐音乐节拍

如果成片配乐有明确节拍，剪辑点应该尽量对齐节拍。这不是硬性要求，但对齐后观感会明显提升。操作上，可以在剪辑软件中导入音乐，标记节拍点，再把镜头切换点吸附到节拍上。

六、维度三：音画同步的微调清单

音画同步是成片的"隐形及格线"。不同步的成片，观众未必说得出哪里不对，但就是觉得别扭。

6.1 清单项：口型对齐

如果成片包含人物说话，口型与语音必须对齐。AI 生成的视频往往口型模糊或与配音不匹配。修复手段：使用 Wav2Lip、SadTalker 等口型同步工具重新驱动，或在剪辑中调整音频偏移量。本文评述：口型同步是当前 AI 视频最容易被挑刺的环节，建议在生成阶段就选择支持音频驱动的模型，减少后期返工。

6.2 清单项：音效对位

画面中的动作应该有对应的音效。开门有门轴声，脚步有脚步声，转场有 whoosh。AI 生成的视频通常没有音效，需要手动添加。操作上，可以建立常用音效库，按动作类型分类，剪辑时快速调用。

6.3 清单项：音乐情绪匹配

配乐的情绪应该与画面情绪一致。常见错误是画面紧张但配乐舒缓，或画面平静但配乐激昂。修复方法：先给每个段落打情绪标签，再选择对应情绪的音乐。如果找不到完全匹配的，可以通过调整音乐段落、改变音量包络来适配。

6.4 清单项：响度标准化

不同来源的音频响度不一，直接拼接会导致忽大忽小。修复方法：统一响度标准。短视频平台通常要求 -14 LUFS 左右，广播级内容要求 -23 LUFS。使用响度表（如 Youlean Loudness Meter）检测并调整。

工具推荐：音频修复可参考 iZotope RX 官方教程（izotope.com/en/learn.html），响度标准化可参考 Youlean 官方文档（youlean.co/loudness-meter）。

七、维度四：色彩一致性的微调清单

色彩一致性是成片的"质感底线"。AI 生成的镜头之间，色温、对比度、饱和度往往不统一，拼在一起像"调色盘打翻"。

7.1 清单项：统一白平衡

先检查每个镜头的白平衡是否一致。如果某个镜头偏暖、某个偏冷，需要统一。操作上，可以在剪辑软件中使用色轮或曲线工具，以主镜头为基准，调整其他镜头。

7.2 清单项：匹配对比度与饱和度

对比度和饱和度的不一致同样会破坏观感。修复方法：使用示波器（波形图、矢量示波器）检测各镜头的黑场、白场、饱和度水平，调整到同一区间。

7.3 清单项：应用统一 LUT

LUT（查找表）是快速统一色彩的工具。可以自己制作 LUT，也可以使用现成的电影感 LUT。本文评述：LUT 不是万能药，它只能统一色调，不能修复曝光或白平衡的根本问题。正确顺序是先修基础，再套 LUT。

7.4 清单项：检查肤色一致性

如果成片包含人物，肤色一致性是重点。不同镜头中同一人物的肤色应该接近。修复方法：使用肤色选区工具，单独调整肤色区域。

八、工程化落地：把微调变成可复用的流水线

清单有了，怎么落地？笔者认为，关键是建立一条可复用的微调流水线，而不是每次从零开始。

8.1 建立素材库

把常用的音效、音乐、LUT、转场预设分类存档。素材库越丰富，微调速度越快。建议按"情绪-场景-动作"三级分类，便于检索。

8.2 建立模板工程

在剪辑软件中建立模板工程，预设好轨道结构、调色节点、音频处理链。新项目直接套用模板，省去重复设置的时间。

8.3 建立检查清单

把本文的微调清单打印出来，每次成片前逐项检查。检查清单的价值在于把"经验"变成"流程"，减少遗漏。

8.4 建立版本管理

每次微调保存一个版本，标注修改内容。这样如果改坏了，可以快速回退。版本管理是微调的安全网。

流水线参考：DaVinci Resolve 官方培训资料（blackmagicdesign.com）对调色与音频处理有系统讲解，适合作为流水线搭建的起点。

九、前沿研判与学术预判

最后，对未来的技术走向做几点研判。这些研判基于当前公开研究趋势，供读者参考。

9.1 微调工具将逐步内置化

目前微调主要靠外部剪辑软件完成。未来，生成工具很可能内置更多微调能力，比如时间线编辑、局部重绘、镜头运动调整。本文评述：这会降低微调门槛，但不会消除微调需求，因为"判断哪里需要改"仍然依赖人的审美与经验。

9.2 评估环节将走向自动化

目前评估主要靠人眼。未来，基于多模态大模型的自动评估工具有望成熟，能够自动检测主体漂移、音画不同步、节奏问题。本文评述：自动评估会提升效率，但最终决策仍需人来做，因为"好"的标准是主观的。

9.3 可控性将成为模型竞争焦点

当生成质量趋同，模型之间的竞争将从"生成得多好"转向"控制得多准"。支持精细控制（如逐帧编辑、局部重绘、运动轨迹指定）的模型将更受专业用户青睐。

十、结语：微调能力就是下一代的创作壁垒

回到文章开头的问题：为什么 AI 初稿停在 60 分？因为生成模型解决的是"有没有"，而成片标准要求的是"好不好"。从 60 分到 90 分，差的不是更强的模型，而是一套系统的微调方法。

本文提出的"生成-评估-微调"三阶段工作流，以及叙事结构、镜头节奏、音画同步、色彩一致性四个维度的微调清单，目的就是把这套方法固化下来，变成可复用、可传承的工程流程。当生成能力不再是壁垒，微调能力就是壁垒。

希望这份清单能帮到正在把 AI 视频从"能用"推向"好用"的创作者。