臺詞鎖定、畫風不飄：一個開源導演臺專案，先解決的是 AI 視頻的重製成本

AI 視頻生成目前最貴的環節，往往不是第一次生成，而是生成不符合預期後的重來次數。10 月 15 日，開源專案 UU889-Drama 在 V2EX 發布更新（專案託管於 GitHub 的 uu889 帳號下），更新內容幾乎全部指向同一件事：壓低「模型自由發揮」帶來的重製浪費。

這次更新改了什麼

依原帖列出的四項變更，可以分成兩層。

第一層是內容層的約束。分鏡時長改為按臺詞長度計算，生成時鎖定臺詞，防止模型自行補出臺詞以外的內容。人物外觀、場景與畫風可在生成時鎖定，減少跨鏡頭的角色與風格漂移。

第二層是敘事連續性的工程化。新增人物站位欄位；同一場景中，下一鏡自動以上一鏡的結尾畫面開場；對話鏡頭按正反打與 180 度軸線規則組織。這些是傳統影視製作的教科書規則，如今被寫進工具的預設行為裡。

目前主流 AI 視頻模型在多鏡頭敘事上的弱點很明確：角色外觀跨鏡不一致、模型擅自增刪臺詞、畫風漂移。對個人創作者而言，每一次不一致意味著重新生成，按次計費的 API 定價結構下，重製次數直接線性推高總成本。

把臺詞、外觀、站位寫成硬約束，等於把品質檢查從事後人工篩選，前移到生成前的參數設定。這不會讓單次生成更便宜，但能降低達到可用成品所需的平均生成次數。工具層的價值就體現在這個乘數上。

從需求分層看，這類本地部署的「導演臺」工具，服務的是對敘事完整性有要求、但預算不足以反覆重製的長尾創作者。專業製作有後期與審核流程吸收隨機性，而個人用戶只能靠工具本身的約束機制。

同場景鏡頭按順序批量生成、以上一鏡結尾畫面開場的設計，本質上是把剪輯連續性也交給工具處理。與我們先前分析的零後端影片播放方案類似，這類項目的共同思路是把基礎設施成本壓到使用者本地，換取分發與迭代費用的下降。

受惠方是 AI 視頻內容的長尾生產者：約束機制越完整，單支影片的預期成本越可估算。承壓方則相對間接，若此類開源約束層成熟，部分以「一致性管理」為賣點的商業化工作流工具，其訂閱價值的差異化空間會被壓縮。

需要保留的是，原帖僅為功能清單式的更新說明，未附生成成品對比、重製次數實測數據或使用者回饋（發布約五小時內尚無評論）。鎖定機制實際能壓低多少重製率，目前沒有可核實的數字，這一欄仍是空白。

就方向而言，這次更新反映的路徑清楚：在底層模型的一致性問題未根治前，工具層先用規則補洞，而省下的每一筆，都記在重製成本那一欄。