研究到创作 · 视频连贯性

AI 短片切个镜头，钢琴手就变成了小提琴手

Google 把错误版与修正版并排放出。沿着这次角色错位，看视频怎样被检查、重做，以及研究演示离日常创作工具还有哪一步。

Google 9 月 24 日整理了多镜头视频研究。这里展示的是研究团队的 8 秒对照片段；本站核对了原视频画面，没有复现生成过程。原文没有提供普通用户直接使用 VQQA 的入口。

发布于 2026年9月28日

本文目录3 个章节

两帧都像演出，连起来却变了人

Google Research 的八秒对照视频在同一个画面里放了两种结果。起初，左右两边都是女性坐在钢琴前、男性拿着小提琴；切到后一个镜头，左侧基础生成里的女性改为拉小提琴，右侧修订版仍让她弹琴、男性拉琴。单看一帧未必会意识到问题，顺着镜头看，角色与乐器的对应关系就断了。

这是一段研究示例，展示的是一次可见的错位与修正，不代表所有乐器、人物或长片都能稳定修好。原视频可从开头看到第五秒，再暂停检查两位演奏者各自做了什么。

来源与延伸阅读

研究方法叫 VQQA。它不会直接擦掉错误画面里的小提琴，而是根据最初的创作要求提出视觉核对问题，用视觉语言模型指出结果哪里没有对上，再调整提示词生成新候选。最后还会把多个候选重新对照原要求，选择较好的一段，不默认最后一次尝试就是最好。

对创作者可借鉴的是检查顺序：做多镜头短片时，先记下谁负责什么、角色穿着和道具位置，再逐镜核对这些关系有没有延续。这里是从研究得出的编辑思路；Google 的文章没有公布这段示例每次重做的耗时、费用，也没有把 VQQA 作为现成视频按钮开放。

来源与延伸阅读

同一篇 Google Research 文章还介绍了另外几种研究：CANVAS 用角色、地点和物件状态来维持跨镜头的视觉记忆，A²RD 按片段延伸长视频，另有从整体故事意图组织分镜的 co-director。它们分别处理规划、记忆、生成和检查，不是一款已经交给普通用户的一键长片工具。

这也帮助我们分清不同的短片做法：Opus 5.5 专题中的作品主要让模型写动画代码、组织制作工具；这里研究的是生成画面拼成故事后，人物和动作能否保持一致。接下来值得看的，是创作者在真实项目里能否减少返工，而不只是研究片段变漂亮。

来源与延伸阅读