AI 视频生成的真实账单：一条 15 秒成片要重来几次？

所有 AI 视频工具都按”生成条数”或”秒数”报价，但没人告诉你：一条能用的 15 秒成片，平均要生成多少次。这个倍数才是决定成本的关键，也是各家工具真正的差异所在。

我们用同一段分镜脚本，在四类主流模型上跑了 60 条 10-15 秒镜头，统计”可交付”（画面无畸变、动作连贯、符合分镜意图）的比例，得到一个不太好听的结论。

废片率的真实分布

按镜头类型分开看，差异极大：

镜头类型	一次可用率	平均重试次数	说明
单人静态半身、口播	60-75%	1.3-1.7	最稳定，适合批量
产品特写、缓慢运镜	45-60%	1.7-2.2	材质反光是主要失败点
单一动作（走、开门、倒水）	30-45%	2.2-3.3	手部接触物体最容易崩
双人互动 / 对话	10-20%	5-10	几乎一定要多次重来
复杂运镜 + 多主体	低于 10%	10+	建议不要用纯文生视频做

把这张表乘上单价，就会得到和工具宣传完全不同的结论：一条混合了 2 个静态口播、1 个产品特写、1 个动作镜头的 40 秒短片，总生成次数中位数在 12-18 次之间。按每次 3-8 元算，单条成片的生成成本是 50-150 元——还没算上人工挑片和剪辑的时间。

降废片率的三件事，比换模型更有效

第一，图生视频而不是文生视频。 先用图像模型把首帧做到满意，再让视频模型只负责”动起来”。这一步能把静态镜头的可用率提升 20-30 个百分点，因为构图、光影、服装这些最容易出错的变量已经被锁定了。代价是多一步，但省下的重试远多于这一步的成本。

第二，把动作拆成”单动词镜头”。 “她走进咖啡店，环顾四周，然后坐下”是三个镜头，不是一个。一个镜头只给一个动作，可用率立刻翻倍。这不是模型的限制，是分镜语言的问题。

第三，负面提示词要具体到物理层面。 “不要变形”没有用。有效的是”手指数量固定为五根""不出现额外的肢体""背景人物保持静止""避免镜头旋转”。我们测试中，把负面提示词从抽象形容词换成具体物理描述，动作镜头的可用率从 32% 提升到 47%。

按秒计费还是按条计费

2026 年主流定价分两派：

• 按秒/按次计费（多数文生视频）：单价低，但废片全额收费。适合废片率低的镜头类型。
• 按条成片计费（部分一站式平台）：单价高 2-4 倍，但重试不额外收费。适合双人互动、复杂运镜这类废片率高的镜头。

一条实用的判断式：某镜头类型的平均重试次数 > 2.5 时，按条计费更便宜。 低于这个数，按秒更划算。实际操作里，把一条片子按镜头类型拆开、分别选择计费方式，比全部押注一家便宜。

别忘了被忽略的隐性成本

生成费只是一半。另一半是：

1. 挑片与质检时间：60 条素材里挑 12 条，人工花 1-2 小时。这是最容易低估的成本。
2. 跨镜头一致性返工：同一角色在不同镜头里长相不一致，往往要整段重做。用固定的角色参考图 + 同一 seed 能显著缓解。
3. 分辨率与后期：原生 720p 上采样到 1080p 再进剪辑，画质损失和额外时间都要算。

一个务实的预算模型

给团队做内容排期时，我们用的估算是：

单条成片成本 ≈ (总秒数 / 单次生成秒数) × 平均重试次数 × 单价 + 人工小时 × 时薪

按当前价格，一条 40 秒商业短片的总成本落在 200-400 元区间（生成 + 人工折价）。这个数字意味着：AI 视频在”批量、标准化、单动作镜头”场景已经彻底划算；在”剧情化、多角色互动”场景，仍然比实拍或素材库剪辑更贵、更慢。

知道边界在哪，比相信"一键生成"更有用。把镜头类型拆开、把重试次数算进预算，是这件事从"玩"变成"生产"的分界线。