视频模型的「可用率」才是隐形价格:废片死在哪个环节
同样每秒几毛钱,一个模型 3 条出片、另一个 9 条才成,真实成本差近 3 倍。本文把废片拆成五个失效环节,给出 20 条样本自建可用率测算的方法和三个降废率动作。
采购视频模型最容易犯的错是只比单价。两家报价几乎一样,团队 A 每条成片平均 3.2 次生成,团队 B 是 8.7 次——真实成本差 2.7 倍,但账单上看不出来,除非你把失败次数也记下来。
一、先定义「可用」
含糊的「效果好」没法用于决策,按商业需求分三档:
- 一次可用:内容、动作、时序连贯,可直接进剪辑
- 补救可用:有小问题(手指、边缘抖动),裁切或加音效可掩盖
- 不可用:主体变形、时序错乱、镜头语言完全不对
报价该比的是「一次可用率」,不是「能出片的比例」。很多演示里能出片,但都是补救可用,后期人力被摊进隐形成本。
二、废片有五个固定死因
| 失效环节 | 典型表现 | 前置可控度 |
|---|---|---|
| 分镜设计 | 一个镜头塞三个动作 | 高 |
| 提示词歧义 | 主体、动作、镜头相互冲突 | 高 |
| 参考图失配 | 首帧与动作方向不一致 | 中 |
| 物理/时序 | 流体、接触、遮挡错乱 | 低 |
| 时长压力 | 超过模型稳定窗口 | 中 |
最反直觉的一点:前三类占废片六成以上,且都是点生成之前就能改掉的。很多团队骂模型拉胯,其实是把分镜和提示词的活推给了模型。
三、20 条样本自建测算
不必大规模评测:选 5 个典型分镜(人物、产品、场景、动作、文字),每类 4 条,统一提示词模板;每个模型各生成 4 次(同参数不同种子),按三档记录;再记录首条可用时的生成次数:
有效单价 = 标价 × (总生成次数 / 一次可用条数)
多数场景有效成本倍数在 2.5~4 属正常,超过 6 说明模型不适合该分镜类型,或者分镜切得太大。
四、三个降低废率的动作
把镜头切短。 时长压力最贵:一次生成 10 秒,崩的往往在后 4 秒,前 6 秒反而被拖累。拆成两个 5 秒镜头,总废率通常明显下降,剪辑也更灵活。
先锁首帧。 用文生图固定构图、光比和人物姿态,让视频模型只管「动」不管「长得像」。参考图与动作方向必须一致,否则模型会在两个指令之间来回猜。
提示词做减法。 一个镜头只写一个主要动作加一个镜头运动。「缓慢推近、微微摇晃、回头微笑、风吹头发」这种四合一描述,几乎是废片保证书。
五、采购该问的三句话
- 失败生成是否计费?有没有重试额度?
- 同参数下种子能否固定?可复现性保证到什么程度?
- 可否排到低峰批量调用?能接受分钟级等待的团队,往往能用同样预算多跑 30% 的尝试次数——直接转化为可用率。
结语
视频模型的比拼正从「谁画得好看」转向「谁可预测」。可用率是唯一能把可预测性变成钱的指标。把废片当数据统计起来,你会发现大部分成本不是付给模型的,是付给你的分镜习惯的。