可灵 2.0 视频实测：10 段各 5 秒看动作连贯性

可灵 2.0 出了之后，「5 秒能干什么」被问得最多。这次拿 10 段各 5 秒的短片做了个横向测：位移类 3 段、转身类 2 段、手部类 3 段、交互类 1 段、物理类 1 段，每段按四个维度打分，共 40 个分项。结果是 29 个达标，72.5%。分数本身没意思，有意思的是失败集中在哪儿——手部接触和快速转身，两类占了失分的七成。

一句话结论

5 秒短片的瓶颈不在画质，在于「动作的中间帧」。位移和静态展示几乎不出错，因为中间状态简单；一旦涉及手与物体的接触、身体朝向的快速改变，模型就要在看不见的中间帧里编造结构，编错就是穿模、手指数量变化、脸型漂移。所以能用它的场景是位移、环境、氛围镜头，不是精细动作。

这篇解决什么问题

三种情况最常见。一是看完宣传片就上手：宣传片里全是顺滑长镜头，自己做出来动作一顿一顿。二是把失败归成「运气」：同一条提示词有时行有时不行，于是反复重试，不看失败的那几段有什么共同点。三是用分数代替判断：看别人说「可用率 70%」就觉得可以批量用，但可用率对应的场景完全不同——他的 70% 可能是风景，你的是人物动作。

根子是缺一套按动作类型分的评分口径。笼统问「好不好用」得不到答案，因为不同动作的难度差好几倍。拆成类型再打分，才知道自己的场景落在哪一档。

开始前要准备什么

• 10 条测试脚本，按动作类型分组，每类至少 1 条。不要 10 条都是走路。
• 四个评分维度：主体一致性、动作连贯、物理合理、可直接使用。四维分开打，别合成一个总分。
• 同一个参考图，如果测的是图生视频，参考图必须同一张，否则变量不止一个。
• 一条纪律：失败片段要保存并逐帧看。只看首尾帧看不出问题，中间帧才是失败点。

具体怎么做

第一步：按动作类型分五组，别按题材分

按题材分（美食、人物、风景）测不出规律，因为同一题材里动作难度差很远。按动作分才有可比性：位移类看整体走位，转身类看朝向变化，手部类看接触，交互类看双人相对位置，物理类看材质反应。

这次五组是位移 3、转身 2、手部 3、交互 1、物理 1。数量不均是有意的——手部和转身是重点怀疑对象，多给样本；交互和物理先摸个底，1 条够看出方向。

我要测 10 条 5 秒短片，评估动作连贯性。测试脚本如下（每条含动作描述与镜头要求）。

请帮我：
1. 按动作类型重新分组（位移、转身、手部接触、多人交互、物理反应），并指出每条属于哪组；
2. 指出哪些脚本隐含了高难度动作（接触、快速转向、精细操作），说明难在哪；
3. 建议每条脚本补一句约束，降低失败率（例如限制镜头运动、限制肢体进入画面）。

要求：按动作难度排序，不要按题材排；每条只补一句约束。

第二步：四维分开打分，不合总分

四个维度必须独立。主体一致性看脸、手、logo、服饰有没有变；动作连贯看有没有跳帧、加速、卡顿；物理合理看接触、重力、遮挡是否符合常识；可直接使用看这段能不能直接剪进片子。合成总分会把关键信息抹平——一段主体很稳但动作断裂的片子，总分中等，实际完全不能用。

这次四维结果：主体一致性 9/10、动作连贯 7/10、物理合理 6/10、可直接使用 7/10。物理合理最低，因为玻璃杯、纸张、头发这类材质在 5 秒里经常出现反常识的运动。

这是 10 段短片的逐段截图（每段取首、中、尾三帧）与动作描述。

请帮我按四个维度逐段打分（每维 1 到 5 分，给判定理由）：
1. 主体一致性：脸、手指数、服饰、logo 是否保持；
2. 动作连贯：有无跳帧、突变加速、姿态错位；
3. 物理合理：接触、重力、遮挡、材质反应是否符合常识；
4. 可直接使用：能否剪进成片，需要补什么。

要求：每段给一句最关键的问题，不要写“整体不错”这种评语；分数与理由必须对应。

第三步：把失败片段逐帧看，找共同点

这一步花 18 分钟，是整篇里最有价值的部分。10 段里有 3 段失败得比较彻底，逐帧看发现共同点：全部出现在动作的转折点——手刚碰到杯子的那一帧、身体转到 90 度的那一帧、两人手接触的那一帧。转折前后都正常，唯独转折本身崩。

据此可以推出一条规律：失败不在动作本身，在动作的方向变化处。手部 3 段里 2 段是指尖穿模，转身 2 段里 1 段出现脸型突变，交互 1 段（握手）两只手的位置对不上。位移 3 段全部正常，因为位移没有方向突变。

这是 3 段失败片段的关键帧序列（转折点前后各 3 帧）。

请帮我：
1. 定位每一段第一帧出现异常的时点，说明异常具体是什么（形态、位置、数量、朝向）；
2. 归纳共同点：失败是否都出现在动作转折处；
3. 给出针对性的规避写法（例如把转折拆到片段外、用遮挡过渡、改成不接触的动作）。

要求：结论要有帧序号支撑，不要凭印象；规避写法要能直接改进提示词。

第四步：按结论重写脚本，只测能过的部分

测试的目的不是证明它行不行，是划出可用边界。重写后的脚本里，位移类保留并加了「镜头固定」约束；转身类改成「从侧面进入画面」，避开 90 度转折；手部类改成「手已握着物体」，把接触那一下放到画面外；交互类暂时不用。

改完重跑 4 段，3 段一次通过，1 段（手部）仍有轻微穿模但不影响使用。这就把「可用率 70%」变成了可执行的规则：只拍动作的两端，不拍转折。这条规则比任何提示词技巧都管用。

基于前面的失败结论，我要重写 4 条脚本，只保留能稳定生成的动作。

请帮我：
1. 把每条脚本里的「转折动作」移到画面外或片段外，给出改写后的句子；
2. 补充必要的镜头约束（固定、缓慢推、不许摇）；
3. 指出改写后是否损失了原本要表达的意思，如果需要，给出补偿方式。

要求：改写要保留原脚本想传达的内容；每条给出改动前后的对照。

实测记录

素材是同一张人物参考图加 10 条脚本。出片 22 分钟（10 段，每段约 2 分钟含排队）。打分 35 分钟，逐段看三帧、四维打分。失败片段逐帧复看 18 分钟。合计 75 分钟。

结果：40 个分项达标 29 个，72.5%。分维度看，主体一致性 9/10 最稳，物理合理 6/10 最差——4 段有问题：手部接触 2 段（指尖穿模、手指数从 5 变 6）、握手 1 段（两只手位置对不上）、风吹头发 1 段（发丝像塑料条不成束）。动作连贯 7/10，3 段有断裂；可直接使用 7/10，3 段完全不能用。位移类 3 段全部通过，包括一段拉门走出去这种带遮挡的。

重跑验证：按「只拍动作两端、不拍转折」重写 4 条，3 条一次通过。也就是说72.5% 这个数字不是能力上限，是脚本写法的上限——改写法之后，同一批动作的有效可用率能到 90% 以上，但代价是动作本身被简化了。

最容易错的 3 个地方

第一，把可用率当成通用指标。「70% 可用」在风景镜头里可能是 95%，在人物手部动作里可能只有 40%。看别人报的数字必须问清测的是什么动作。这次自己测下来，位移 3/3、手部 1/3，差了三倍。

第二，只看首尾帧。首帧是参考图、尾帧往往是稳定姿态，两头都好看，问题全在中间。这次 3 段失败如果只看首尾帧，会全部判成通过。必须取中间帧，或者直接看逐帧序列。

第三，靠重试解决失败。同一条脚本跑 5 次，可能第 4 次碰巧成了，于是以为找到方法。实际是概率。正确做法是看失败片的共同点，改脚本——这次改写法后 4 条里 3 条一次过，比反复重试稳定得多。

可复用的东西

按动作分五组：位移、转身、手部接触、多人交互、物理反应，别按题材分。

四维独立打分：主体一致性、动作连贯、物理合理、可直接使用，不合总分。

三帧取样：首、中、尾各一帧，中间帧才是失败点所在。

转折点规避：只拍动作两端，接触与转向放到画面外。

可用率要标动作类型：报数字时写清测的哪类动作，否则数字没法比。

如果你也经常要做这件事，欢迎在评论区说说你的卡点和做法；也可以留言告诉我，你想看哪个岗位的哪件活怎么用 AI 拆。

admin 普通

收藏 海报 链接