AI 生成動畫：理解輸出品質、一致性與真實侷限

AI 影片生成究竟是如何產生畫面的

目前的影片生成模型大多以擴散（diffusion）為基礎：從雜訊出發，逐步細化，最終得到與條件訊號——你的提示詞、參考圖，或兩者——相符的輸出。這種細化發生在稱為“潛在空間（latent space）”的視覺空間壓縮表示中，而非直接作用於像素值，這也是生成在目前硬體水準下具備可行性的原因之一。

逐格生成與時間（temporal）生成之間的區別，對輸出品質影響極大。逐格模型在帶有少量共享脈絡的情況下獨立生成每一格——速度快，但會產生閃爍，因為每一格都是對同一提示詞略有不同的解。時間模型則顯式地在時間維度上建模運動，輸出更平滑，但所需算力大得多。

面向消費者的大多數工具，會以某種方式組合使用時間注意力機制：既把相鄰影格關聯起來，又在較長序列中允許獨立生成。理解這套架構就能明白，為什麼短片段往往比長片段更一致——時間注意力的視窗是有上限的。

時間一致性：為什麼在技術上很難

時間一致性，指物體、紋理與光照在影格之間保持穩定，且符合物理世界的運作方式。當它失效時，人類極容易察覺——我們一輩子都在觀察物理現實——但要在生成模型中強制做到這一點，卻是真正的難題。

核心問題在於：即便以前面的影格作為條件，擴散模型對每個解的生成仍相當獨立。去雜訊路徑上的細微差異，會在像素層面產生視覺上不同的結果，即使語意內容完全相同。這些差異在影格之間不斷累積，表現為閃爍。

模型透過多種機制來因應：強制相鄰影格像素級一致的光流（optical flow）約束、沿時間維度傳播特徵的注意力機制，以及錨定物體該如何運動的顯式運動條件。目前沒有任何模型能在高解析度下同時完美解決這三者。

讓輸出更一致的提示詞工程

• 風格錨點：加入具體的視覺風格詞（“賽璐璐動畫”“乾淨向量”“照片級寫實”）——它們能約束生成空間、降低變異
• 負向提示：明確排除常見瑕疵類型（“閃爍”“變形（morphing）”“扭曲邊緣”）——模型會對負向條件作出反應
• 種子控制：在對一個可用結果做迭代時固定生成種子——這能保留產生優質輸出的初始化狀態
• 參考圖：以風格參考圖進行條件約束，得到的色彩與紋理會比純提示詞生成一致得多
• 保持簡短：以 4–8 秒的片段生成以取得最佳一致性——越長的生成累積的時間漂移越多

如何系統地評估 AI 動畫輸出

先以 1× 速度逐格檢視一遍輸出，再以 25% 速度看一遍。留意三種最常見的瑕疵：邊緣不穩定（物體邊界在影格間移動或模糊）、色彩漂移（整段片段中色相或飽和度發生變化），以及時間性變形（物體形狀在時長內緩慢走樣）。

任何將用於專業場景的片段，都要匯出影格序列並以 100% 縮放逐格審查。影片格式的壓縮瑕疵，可能會掩蓋那些在影格層面才看得見的品質問題。

用相同提示詞、不同種子跑三次，把輸出相互比較。若各次之間的變異很大，代表生成不穩定，每份輸出都需要大量人工品管。若變異很小，你就找到了一個可重複使用的可靠提示詞。

AI 生成在哪些方面勝過傳統動畫流程

最明顯的優勢是風格探索的速度。在三十分鐘內為一個動作概念生成十種視覺上迥然不同的詮釋——用傳統工具需要好幾天的工作量——改變了創意開發早期階段的運作方式。對傳統製作的投入，只需為已驗證的方向而付出。

抽象與非具象運動，是生成器一貫擅長的領域。運動背景、粒子系統、流體動力學與幾何變換，都能穩定產出高品質輸出，因為不需要維持任何角色或物體的一致性。

目前的硬性侷限，以及正在改善的方面

跨場景的角色一致性，仍是最重要的未解難題。除非施加特定的一致性條件，否則在一個場景中生成的角色，到第二個場景裡會明顯走樣。現有方案（參考圖、ControlNet 式條件約束）有幫助，但無法徹底解決問題。這嚴重限制了敘事型動畫。

改善最快的是輸出解析度、生成速度與風格控制；改善最慢的是語意理解——模型準確遵循複雜空間與時間指令的能力——以及物理合理性，尤其是剛體動力學。預計未來十二個月解析度與速度會有顯著進展；而角色一致性與物理，恐怕還會在更長時間裡停留在部分解決的狀態。