第十四章 AI 视频的局限——它做不到的事

一、为什么这一章很重要

很多 AI 视频教程都在"贩卖魔法"——让你以为 AI 视频什么都能做。

真相是：AI 视频在 2026 年依然有大量"做不好"的事。

如果你不知道这些边界：

• 你会浪费时间在 AI 视频做不好的事上。
• 你会做出尴尬的作品（比如 AI 视频里手指有 7 根）。
• 你会给客户/家人不切实际的期望，最后失望。
• 你会错过该用真人/真拍摄的场景，得不偿失。

这一章是"反向使用指南"——知道 AI 不能做什么，比知道它能做什么更重要。

二、局限 1：长视频的"连贯性"问题

2.1 现象

• 单镜头 5-10 秒：AI 做得不错。
• 5-10 秒之间：开始有"画面漂移"。
• 30 秒以上：基本失控（角色变样、场景突变、风格不统一）。
• 1 分钟以上：几乎无法保证连贯。

2.2 为什么

AI 视频生成的本质是"一帧一帧画"。每画一帧，前面的"记忆"就会衰减一些。

类比：让一个人画 100 张连环画——前 10 张能保持一致，到第 50 张主角的脸就开始变。

2.3 解决方案

方案 1：拆分法

• 把长视频拆成多个 5-10 秒片段。
• 每段单独生成。
• 用剪辑工具拼接。
• 用"转场"掩盖断裂感。

方案 2：用支持长视频的工具

• 可灵 2.5：支持 30 秒单次生成 + 续写到 3 分钟。
• Sora 2 Pro：60 秒单次生成。
• Runway Gen-4：10 秒单次。

方案 3：图生视频"接力"

• 第 1 段视频生成 → 截取最后一帧。
• 用这一帧作为第 2 段的"起始图"。
• 这样画面之间有连贯感。

2.4 仍然解决不了什么

• 长篇剧情（5+ 分钟连贯故事）：拼起来也会有断裂感。
• 同一角色长时间出现：依然会有变化。
• 复杂场景的延续（比如一场战役）：很难。

所以：做电影/长剧情，AI 视频依然只是"辅助"，主体依然要靠真拍。

三、局限 2：角色一致性

3.1 现象

你今天用 AI 生成"红衣女孩"，明天再生成一段"她的视频"——80% 概率两次的女孩长得不一样。

• 脸型不同。
• 发型不同。
• 衣服细节不同。
• 身高比例不同。

3.2 为什么

每次生成，AI 都是"重新理解你的描述"。即使描述完全一样，生成结果也有 random（随机性）。

3.3 解决方案

第五章 详细讲过 4 种方法：

1. 用支持"角色锁定"的工具（Vidu、可灵 Pro）。
2. 用图生视频代替文生视频。
3. 先用 AI 画图工具创造"角色卡"。
4. 详细描述角色（适合不支持参考图的工具）。

3.4 仍然解决不了什么

• 完全 100% 一致：做不到。
• 复杂角色（比如有特殊服饰、特殊配饰）：更难。
• 跨工具一致（即梦生成的角色、可灵生成的角色不一样）。

所以：长期 IP 角色 + 复杂角色，依然推荐用真人 + 数字人。

四、局限 3：手指、眼神、嘴型

4.1 现象

AI 视频里：

• 手指：经常多一根、少一根、变形、扭曲。
• 眼神：偶尔"飘"或"呆滞"，或者"两只眼睛看不同方向"。
• 嘴型：快速说话时，口型对不上。
• 耳朵：偶尔多一个、形状奇怪。
• 牙齿：经常有"诡异微笑"。

4.2 为什么

人体的"小细节"（手指、眼神、嘴型、牙齿）是 AI 训练数据里密度最低的部分——大部分网上视频都不会特写这些地方。

4.3 解决方案

方案 1：避免特写

• 让人物远景/全景出现，不要特写手部、特写眼睛。
• 中景以上的人物，问题就少很多。

方案 2：用真实素材

• 手部特写、眼神特写——用自己拍的真实素材。
• 把 AI 生成的"远景"和真实拍的"特写"剪在一起。

方案 3：动作要慢

• 快速运动 + 复杂动作 → AI 容易出问题。
• 缓慢动作 + 简单动作 → AI 出错率低。

4.4 仍然解决不了什么

• 2026 年的 AI 还做不好"完美的人体细节"。
• 就算最强的 Sora 2，依然偶尔有手指/眼神问题。
• 完美的手部特写、表演级的微表情：依然要真人。

五、局限 4：文字渲染

5.1 现象

让 AI 在视频画面里出现"清晰的文字"非常难：

• "招牌上写'欢迎光临'"——会变成乱码。
• "T 恤上印着'NIKE'"——会变成扭曲的字符。
• "黑板上写着方程式"——会是看似数学但实际无意义的乱码。
• "海报上的标题"——多半失真。

5.2 为什么

AI 视频生成器把"文字"理解成了"视觉模式"，但它不真正理解"什么是文字"。

5.3 解决方案

方案 1：后期叠加文字

• AI 生成"没有文字的画面"（比如"一块空白招牌")。
• 用剪映在后期加上文字。
• 完美控制 + 字体随你选。

方案 2：用"图生视频"+ 文字图

• 先用 PS / Canva 设计好带文字的图片。
• 用图生视频让它"动起来"（保持文字稳定）。

方案 3：避开

• 不要在提示词里写"画面里有文字 X X X"。
• 把文字相关的内容用画外音 + 字幕 表达。

5.4 仍然解决不了什么

• 画面里出现复杂文字（中文/小字号）：2026 年依然失真。
• 国外工具（Sora、Veo）对中文文字渲染几乎不行。

六、局限 5：真实物理规律

6.1 现象

• 水从下往上流。
• 烟雾不消散反而聚集。
• 玻璃破碎像橡皮筋。
• 球抛出去不沿着抛物线。
• 影子方向和光源不对应。

6.2 为什么

AI 学的是"看起来像什么"，不是"物理规律"。

6.3 解决方案

方案 1：用最新模型

• Sora 2 / Veo 3 比上一代物理逻辑好很多。
• 国内可灵 2.5 在物理上有显著进步。
• 付费版通常物理更准。

方案 2：避开复杂物理场景

• 简单场景（人走路、说话、坐着）→ AI 处理得好。
• 复杂物理（爆炸、流体、碰撞）→ 用真实素材或专业 CG。

6.4 仍然解决不了什么

• 专业 CG 级的物理模拟（电影级特效）：依然要专业 CG 团队。

七、局限 6：精确的镜头控制

7.1 现象

你说"镜头先推到主角脸部，停顿 1 秒，再拉远到全景"——AI 给你的可能是"乱推乱拉"。

复杂的镜头编排，AI 经常乱来。

7.2 解决方案

方案 1：分镜头生成

• 一个复杂镜头 = 多个简单镜头。
• 每个镜头单独生成 + 剪辑拼接。

方案 2：用支持"分镜模式"的工具

• Sora 2 的 Storyboard 模式。
• 可灵 Pro 的"分阶段提示词"。

方案 3：用提示词更明确

镜头：固定中景，全程不移动。

让 AI"少做一些事"，反而更稳定。

八、局限 7：复杂剧情和多角色互动

8.1 现象

你想做"三个人物围坐一桌讨论一件事"的视频：

• 谁说什么 → 乱了。
• 谁看谁 → 乱了。
• 哪个是主角 → AI 自己决定。
• 对话节奏 → 没法控制。

8.2 为什么

AI 视频在生成"多人复杂互动"时，无法理解"谁是谁""谁在和谁说话"这种语义。

8.3 解决方案

方案 1：单人镜头剪辑

• 每个角色单独生成镜头（A 镜头、B 镜头、C 镜头）。
• 剪辑时按对话顺序拼接。
• 加配音/对白。

类似真实拍摄的"反打镜头"。

方案 2：用真人 + AI 后期

• 找几个真人配合演。
• 用 AI 后期换脸/调色。

8.4 仍然解决不了什么

• 复杂群戏（10+ 角色互动）：依然只能真拍。
• 长对话场景（5 分钟两人对谈）：AI 做不出来。

九、局限 8：真情实感

9.1 现象

AI 视频做的"感人画面"，总差一口气：

• 数字人哭，看起来"假"。
• AI 生成的"温馨家庭"画面，少了真实的细节。
• AI 配音的"愤怒"、"激动"，总像是"演的"。

9.2 为什么

AI 学的是"看起来像情感"，不是真实的情感。

9.3 解决方案

真情实感不能用 AI 替代——这是 2026 年最重要的边界。

需要真情实感的场景：

• 给爱人/家人的纪念视频 → 用真人录制开场/结尾。
• 哀悼/悼念视频 → 真实的人讲真实的话。
• 分享真实经历的故事 → 自己出镜。

AI 是放大器，不是替代品。在情感场景里，AI 用作"画面补充"，但核心的"人"和"声音"应该是真实的。

十、局限 9：极致细节

10.1 现象

• 名牌商品的 logo（"星巴克的美人鱼标志"）→ 失真。
• 真实的城市地标（"埃菲尔铁塔的细节"）→ 不准确。
• 历史人物的精确形象（"特定时期的孔子"）→ 失真。
• 特定的车型/产品（"宝马 X5 2024 款"）→ 不像。

10.2 解决方案

方案 1：用真实素材

• 商品/地标/历史人物 → 用真实图片/视频素材。

方案 2：避开品牌敏感

• 不要在提示词里写具体品牌名（也避免侵权）。
• 用通用描述（"一辆豪华 SUV"代替"宝马 X5"）。

十一、局限 10：特定行业的"专业度"

AI 视频在某些专业领域会犯低级错误：

解决方案

• 这些场景找专业人士复核。
• 或者用真实素材而不是 AI 生成。

十二、局限 11：成本和时间不一定低

很多人以为"AI 视频 = 免费 + 5 秒搞定"。

真相：

AI 视频比传统拍摄便宜，但"高质量 AI 视频"依然不便宜。

十三、局限 12：审美 / 创意

最难的局限——AI 视频做不出"审美超凡"的作品。

现象

• AI 生成的画面"挺好看"，但很难做到"惊艳"。
• AI 生成的剧情"还行"，但很难有真正"打动人"的故事。
• AI 生成的配乐"合适"，但很难有"灵魂"。

为什么

审美/创意是"人"的领域。AI 学的是"已有的好作品",但它创造不出"新的好作品"。

解决方案

• AI 是"完成 80% 的工作"，剩下 20% 的"灵魂"靠人。
• 你的审美/创意/品味，依然是稀缺品。
• AI 让你能做更多事，但让你与众不同的，依然是你自己。

十四、什么时候应该"不用 AI"

总结一下，这些场景应该选真人/真拍/专业团队，而不是 AI：

十五、本章小抄

• AI 视频在 2026 年依然有 12 个主要局限：
  1. 长视频连贯性
  2. 角色一致性
  3. 手指眼神嘴型
  4. 文字渲染
  5. 真实物理规律
  6. 精确镜头控制
  7. 复杂剧情多角色
  8. 真情实感
  9. 极致细节
  10. 特定行业专业度
  11. 成本和时间不一定低
  12. 审美和创意
• 了解局限 = 用对工具。不是所有事都该用 AI。
• AI 是 80% 工作的完成者，剩下 20% 的"灵魂"依然靠人。
• 真情实感、专业判断、艺术品味——这些是人的护城河。

5 分钟动手实验

任务：

回顾你做过的 AI 视频，找出 1 个"AI 没做好"的地方（手指变形、文字乱码、连贯性差等）。

思考题：

• 你能用本章的"解决方案"修复它吗？
• 如果不能，这件事是不是根本不该用 AI 做？

下一章：第十五章 版权、伦理与法律——避坑指南