AI 视频真正昂贵的部分不是生成，而是重新生成

过去几个月，我一直在基于视频生成模型构建产品。最让我惊讶的是，资金和挫败感实际上都消耗在了哪里。人们谈到 AI 视频的成本时，想到的是单个片段的价格。但在实践中，单个片段的价格几乎无关紧要。真正的成本在于那个循环：你生成了，结果不是你想要的，你调整提示词，再生成一遍。一段三十秒、包含六到八个镜头的视频，很容易变成四十次生成，因为每个镜头都可能独立失败，而且在你付费之后，失败才会显现。我学到了三件事，它们不仅适用于我的产品：廉价预览胜过精妙提示词。先生成静态图片的成本只是生成动态视频的一小部分，而一张静帧能告诉你大部分你需要知道的信息：角色看起来对不对，色彩世界是否一致，构图是否符合你的设想。如果静帧是错的，再多的动态也无法弥补。要把失败转移到低成本阶段。规划模型比视频模型更重要。我们曾尝试减少规划步骤的"思考量"来提高速度。测试中，方案变得单薄，有些甚至直接失败。决定镜头是什么的那一步，恰恰决定了视频的好坏，所以我们不再试图在这一环节省钱。一致性是产品问题，不只是模型问题。模型不会记得角色两个镜头前长什么样，除非你给它一些可依据的素材。参考图片和随每个镜头传递的书面脚本，比任何提示词技巧都有效。上周我还学到了这件事不那么光鲜的一面：当上游模型服务商出现容量事故时，我们的某个步骤耗时超过一分钟，而网关在 29 秒时就放弃了。尽管任务在后台完成了，用户却看到了超时错误。没有人会提醒你，"今天模型很慢"会变成产品故障，除非你为此做了设计。我正在构建的产品叫 Melodious。它可以把一首歌变成音乐视频，首次分镜规划免费，让你在花钱之前先看到方案。如果你想看看，链接是 melodious.ai，但说实话我更感兴趣的是这里其他人如何处理重试问题。你们是限制每个镜头的花费，还是先预览，或者干脆接受重做率？