什么是多镜头视频？

多镜头 AI 视频分三步制作：先把一个想法规划成一份镜头清单，再由视频模型逐个生成每个镜头，最后用剪辑点把这些镜头连成一部影片。因为每个镜头都是一次独立的生成，生成得不对的那个镜头可以重新生成，其他镜头保持不变。

为什么一次生成只有一个几秒长的镜头

视频模型会把一个片段的所有帧一起生成，而每多一秒，计算量就会快速增长，所以单次生成都很短：Seedance 2.0 的技术报告给出的单次生成时长为 4 到 15 秒（Team Seedance, 2026），Kling 的 Video 3.0 最长可达 15 秒（Kuaishou, 2026）。完整流程请参阅 AI 视频生成。

规划：从一个想法到一份镜头清单

规划要写明每个镜头展示什么、如何取景、时长多少、有谁出现。研究系统用语言模型来写规划：VideoDirectorGPT 会把一条提示词扩展成一份“视频规划”，其中包括各场景的描述、每个场景中的实体及其布局、每个场景的背景，以及哪些实体必须在各场景中保持相同外观（Lin et al., 2023）。

生成并拼接镜头

每个镜头都根据自己的提示词生成，每个镜头里的角色和地点都使用同样的描述和参考图，这样它们生成出来才会相像。镜头之间互不等待，所以可以同时生成。然后用硬切把它们首尾相接，连成一个视频。

单次生成内的剪切：多镜头模式

一些较新的模型可以在单次生成中进行剪切。Kuaishou 表示，Kling 的 Video 3.0“能理解多场景、多镜头指令”，其 Video 3.0 Omni 还新增了多镜头分镜功能，你可以设置每个镜头的时长、景别、视角、叙事内容和运镜（Kuaishou, 2026）。ByteDance 介绍 Seedance 2.0 具备“原生的专业级多镜头叙事能力”，还能遵循文字分镜（Team Seedance, 2026）。Alibaba 的 Wan 2.6 为此提供了一个开关：生成单个连续镜头，或生成“带转场的多个镜头”（Alibaba Cloud）。

研究也在朝同一方向发展：Long Context Tuning 把单镜头模型的注意力扩展到一个场景中的所有镜头，并报告由此得到了连贯的多镜头场景（Guo et al., 2025）。不过，多镜头模式仍然只是一次生成：它的所有剪切都必须容纳在模型大约 15 秒的时长之内。

这三者常常都被称为“多镜头”，但它们是不同的东西，限制也各不相同：

这个视频是在 DreamBench 上根据下方的简报，用 Kling 3.0 以 9:16 竖屏画幅生成的。简报写成一个镜头序列：先是鞋子的特写，然后转过街角迎向阳光，最后是它点明的“最后一个镜头”。跑者、鞋子和清晨的光线自始至终保持不变。

剪切连接的是两个分开生成的镜头，所以除了两者都收到的指示，没有什么能让它们保持一致。连贯性好，第二个镜头看起来就是同一时刻，只是换了个位置去看。

跨剪辑点要延续的内容

• 面孔、发型和服装：同一个人，在每个镜头中都用同样的文字描述、同样的参考图呈现。这就是角色一致性。
• 地点：同一个房间、街道或风景，其中的标志性物体都在原来的位置。
• 位置和姿势：一个镜头里坐在左边的人，下一个镜头里仍然坐在左边。
• 道具及其状态：喝了一半的杯子仍然是半杯；开着的门仍然开着。
• 光线：同样的时间、同样的阳光方向、同样的光色。
• 运动：从左向右跑的人继续从左向右跑，速度不变。

剪切时要改变的内容

取景必须改变：同一主体的两个镜头如果景别和角度几乎相同，看起来就像跳帧，仿佛丢了几帧。DreamBench 对每个衔接处的规则是形成明显对比：景别至少相差两级，比如从远景到特写；或者摄影机转动四分之一圈；或者切到其他事物的插入镜头；或者切到一个新场景。

跨剪辑点的声音

在能生成声音的模型上，每个镜头的音频都和画面一起生成，并在剪辑点与画面一起拼接。一句对白属于一个镜头：在台词结束处剪切对话，就像电影在说话人之间切换那样，声音就能干净地衔接。声音如何生成，请参阅原生音频。

先用一句话写出故事，再把它拆成若干时刻，每个时刻一个镜头。一份 30 秒的规划可能是这样的：

• 每个镜头一个动作：一个镜头想同时展示三件事，结果三件事都会混在一起。
• 在每个镜头里都用一字不差的同样文字描述每个角色，并使用同样的参考图。
• 每次剪切都换一种景别，并保持运动方向不变。
• 给每个镜头留出它的动作所需的秒数：一瞥需要一秒，穿过一个房间需要三四秒。

如果一个镜头必须正好结束在下一个镜头开始的地方，可以用支持首尾帧的模型同时指定两端。想让真实的产品或人物出现在每个镜头中，就把它们的图片作为参考图提供：这就是参考生视频。

一部影片需要多少个镜头，取决于它的时长，以及它所用模型单次生成能做出的最长镜头。以下是 DreamBench 上各视频模型的单次生成时长：

AI 能做 1 分钟的视频吗？能，由多个镜头剪接而成：DreamBench 上没有哪个模型能在一次生成中做出 60 秒。DreamBench 会把一部新影片切分成 3 到 12 秒的镜头，长度取决于每个镜头的动作所需时间，即使模型能渲染更长也是如此，这样每个镜头只承载少数几个动作。这样一分钟至少就是五个镜头。

• 广告和产品片：产品所处的环境、使用中的样子、特写，然后是片尾卡。
• 短篇故事和短片，跟随一个角色从一个场景走到另一个场景。
• MV，按节拍在多个地点之间剪切。
• 9:16 的社交媒体视频，由快速剪切构成。

• 镜头间漂移：一张脸、一件夹克或一个发型在镜头之间发生细微变化。在每个镜头中使用参考图是主要的解决办法。
• 跳切：两个镜头的景别和角度太像，看起来像画面故障，而不像剪辑。
• 连贯性中断：道具换了手，光线从早晨跳到傍晚，角色从左走到右又走回来。
• 动作在剪辑点处被拆得不好：一个镜头里手正伸向门，下一个镜头里人已经在屋内，中间的过程丢了。
• 在没有多镜头模式的模型上，把剪切写进一次生成：结果可能是在两个半成形的地点之间闪烁，而不是一次干净的剪切。
• 时长：每多一个镜头，就多一个可能出错的地方，所以要逐个检查镜头，而不只是看整部影片。

为什么剪切之后我的角色看起来不一样了？因为第二个镜头生成时没有看到第一个镜头：把它们联系在一起的，只有两者都收到的文字和图片。在每个镜头中用完全相同的文字描述角色，给每个镜头同样的参考图，除非故事需要，否则保持角色的服装和环境不变。在单个镜头内部出现同样的问题，则是时序一致性的失效。

由生成的镜头组成的影片可能看起来像真实拍摄的画面。在可能被误认为真实的地方要加以标注，未经本人同意，绝不要把真实人物放进影片里。

DreamBench 的每部影片都是以多镜头方式制作的。你描述故事，DreamBench 就会写出剧本：一份场景规划，包含每个镜头的取景、动作和台词。它会把每个角色、地点和道具各画一次，做成设定图，让它们在每个镜头中看起来都一样，然后用你选的那一个模型生成每个镜头，再把它们剪接在一起，每个衔接处都是硬切。

• 逐步审阅：默认情况下，在生成任何镜头之前，你会先读剧本，再见角色阵容；你可以附上一条备注重写剧本，或者重新绘制某个角色，也可以根据你自己的图片来画。也可以让影片一路生成到底，中途不停。
• 重拍一个镜头：在已完成影片的镜头编辑器中选中该镜头，说明要改什么。只有这个镜头会重新生成，角色阵容不变；之前的每一版都会保留在它的版本中，供你挑选。
• 一次修改多个镜头：想给多少个镜头新的指示都可以，比较各个版本，应用你想要的那些，费用为重新生成的秒数加上少量编辑费。
• 你自己的图片：一部影片最多可添加 8 张参考图，每张都标记为角色、生物、地点或道具，它们会用在所属的镜头里。
• 时长取决于套餐：一部影片在 Starter 上最长 30 秒，在 Plus 上最长 2 分钟，在 Ultra 和 Studio 上最长 5 分钟，镜头时长 3 到 12 秒，最多 40 个镜头。
• 镜头内的剪切：在 Seedance 2.5 和 Seedance 2.0 上，一个镜头本身可以包含一次剪切；在其他所有模型上，每个镜头都是一个连续的一镜到底，剪切只发生在镜头之间。

如果只要一个片段、不需要规划，“视频”页面会把你的提示词原样发送给模型，作为一次生成：适合单个镜头，或使用模型自带的多镜头模式。模型列表中每个模型的页面都列出了它的选项。