雙幀法：首尾幀插值如何改變 AI 影片規劃

Google 於 10 月 9 日更新了 Veo 3.1 的「首尾幀轉影片」（First and Last Frame to Video）功能。你上傳兩張靜態圖，開場幀與收尾幀，模型便會生成其間的動態。輸出最高可達 4K、60fps，並支援原生音訊，也支援 9:16 直式格式，還能接受三或四張參考圖，以維持角色與風格一致。

單看之下，這聽起來像是個小更新。但實際上，它改變了人們規劃鏡頭的方式，因為它把真正重要的兩項決策重新放回流程的最前端。

純提示詞影片的問題

過去兩年大部分時間裡，AI 影片就像吃角子老虎機。你寫下一段文字，等待，然後看著某個成果跑出來。結果往往還算堪用、足以發文，卻很少好到能拿來正式使用。如果角色走樣，或鏡頭出現奇怪的動作，你就改寫提示詞，再試一次。

創作者學會繞過這個問題。他們先生成一張有力的靜態圖，再請模型將它動起來，也就是圖生影片。這固定了開場幀，但沒人控制得了鏡頭在哪裡結束。片段往往不是後繼無力，就是自己發明了一個沒人要求的結尾。

把兩端都定義清楚，就能消除一大部分這種猜測。你決定觀眾從哪裡開始看、在哪裡結束觀看。模型的工作變得更狹窄：把這兩端連接起來。

為什麼分鏡思維回來了

動畫工作室這樣工作已經有一個世紀了。動畫師畫出一個關鍵姿勢，再畫另一個關鍵姿勢，然後補上其間的圖畫。工藝在於選擇姿勢，而不是把每一格都畫出來。AI 影片正以不同的路徑，抵達同樣的分工方式。

這不是 Veo 獨有。可控性競賽已經醞釀數月。Kling 4.0 推出時支援十個關鍵幀與 30 秒原生片段。Seedance 2.5 能從新的攝影機角度重拍既有素材。Wan 3.0 以 Elo 1157 登上 Artificial Analysis 的 AA-Video-T2V v2.0 基準測試榜首，價格約為每分鐘 12 美元。Vidu 的 Q4 預覽版於 10 月 7 日發布，起價約為每秒 0.014 美元，並可接受最多 15 張圖像參考。最強模型之間的共同點，與其說在於原始品質，不如說在於你能多精準地操控它們。

一套可行的工作配置看起來如何

雙幀法唯有在兩個影格值得相連時才有回報。幾個習慣會有幫助。

用圖像模型生成這些影格，而不是從先前的片段截圖。你要在兩端都能控制構圖、光線與服裝。Google 的 Veo 接受參考圖，正是為了讓臉孔或產品在轉換過程中保持一致，而這只有在參考圖從一開始就一致時才奏效。

讓攝影機運動保持簡單。插值能好好處理推近、拉遠、揭示或緩慢漂移。當你要求在單一片段內做出硬切時，它會很吃力，因為沒有切點可供插值。如果一個鏡頭需要剪接，就做成兩段片段。

讓音訊規劃配合鏡頭。Veo 3.1 會合成原生音訊，這對環境音與簡單音效很實用。如果場景需要特定台詞或授權音樂，請打算之後再加，而不是跟生成的音效硬碰硬。

把這個方法保留給承載故事節拍的鏡頭。沒有理由為了一個兩秒的過場，花費兩個精心建構的影格。把它用在觀眾理應注意到變化的地方。

多出兩幀實際上要付出什麼成本

以影格來規劃，是一項帶有價格標籤的決定，而這個價格現在比一年前更容易看清。影片市場一直在每秒成本上向下競逐。Vidu 的 Q4 預覽版於 10 月 7 日發布，起價約為每秒 0.014 美元，並可接受最多十五張圖像參考。xAI 的 Grok Imagine Video 1.5 Lite 於 10 月 8 日加入其 API，480p 定價為每秒 0.02 美元，1080p 則升至 0.14 美元。HeyGen 新的通用影片模型以 10 月促銷價每秒一美分推出。Wan 3.0 以 Elo 1157 登上 Artificial Analysis 影片基準測試榜首，定價約為每分鐘 12 美元，換算下來是每秒二十美分。

由此可得出兩件事。第一，現在生成本身很少是昂貴的部分。幾秒的插值動態只需幾美分，而不是幾美元。第二，稀缺資源是影格。生成並挑選兩張有力的靜態圖，需要人的時間，而 API 變便宜並不會讓這段時間跟著變便宜。這樣的經濟邏輯獎勵規劃，而不是產量，這與純提示詞工具訓練人們養成的行為恰好相反。

在真實專案中站得住腳的工作流程

以下是這個方法如何套進小型製作，而不必把所有事情都改掉。先從概念開始，決定這個鏡頭必須打中的單一節拍。把開場幀與收尾幀做成圖像，並使用相同的參考圖，讓臉孔、服裝與道具一致。生成插值，然後先看一遍結構，再看一遍細節。如果動態曲線不對，修正影格，而不是修正提示詞，因為模型真正讀取的是影格。依鏡頭需要加入或替換音訊。接著將它剪進序列中，並在脈絡裡評判它，因為單看很驚人的片段，放在鄰居旁邊仍可能顯得緩慢。

這裡的紀律在於，每一次修正都是關於故事的決定，而不是擲骰子。這是人們第一次試用這項功能時會錯過的部分。它感覺像捷徑，卻悄悄恢復了第一代 AI 影片工具讓人們跳過的前製作業。

一般攝影機仍勝出的地方

這一切並不是在說實拍已經過時。當兩端很強、其間動態很簡單時，插值最為強大，這涵蓋了許多產品鏡頭、過場、標題卡與氛圍建立鏡頭。當現實正在做某件具體且不可預測的事時，它最為薄弱：一匹真正全速奔馳的馬、一群正在反應的群眾、以必須看起來真實的方式烹調中的食物。面對這些，攝影機加上一位稱職的剪輯師，仍然能結束爭論。

合理的立場很無趣。在控制很重要、動態可預測的地方使用插值；在場景需要真實感的地方使用攝影機。大多數在職創作者最後會在同一個專案裡兩者並用，而這種混合並不是妥協。它就只是製作。

誠實的限制

插值終究還是插值。如果兩個影格暗示的中間過程在物理上很複雜，例如一個人轉整整一圈，或液體改變形狀，模型就會發明某個東西，而它不見得總是對的。讓暗示的動態維持在攝影機可能合理拍到的範圍內。

它也會推高成本。兩張精緻的靜態圖加上一段生成片段，比單一提示詞更費工。以目前市場上的每秒價格來看，這比一年前更負擔得起，但規劃時間是真實存在的。這個方法獎勵已經以鏡頭思考的人。

而且中間仍然沒有保證。這項功能真正賣的，是更小的搜尋空間，而不是已經解決的問題。這是意義重大的一步。它意味著，一段可用片段與一段令人難忘的片段之間的差異，現在主要取決於你選擇的影格，而那是人做出的決定。

接下來該留意什麼

可以預期同樣的模式會擴散。一旦某個主要模型把影格視為主要輸入，競爭者往往會跟進，而有趣的問題就變成：誰的插值在接縫處看起來最自然。留意那些能讓你加入中間關鍵幀的工具，那會讓導演不必離開時間軸，就能擁有第三個錨點。

就目前而言，實用的結論並不光鮮。如果你做 AI 影片，別再把提示詞當成主要的創作行為。先建構影格，挑出能說故事的兩張，讓模型處理它們之間的旅程。