九宫格分镜为什么成了 AI 视频的一致性主力：作用、优缺点与主流用法
用 AI 生成多镜头视频的人都撞过同一堵墙：第一个镜头里的女主角发色、外套、脸型都对，切到下一个镜头，她换了张脸。角色漂移（character drift）是当前 AI 视频公认最烦人的问题之一——每个镜头各自向模型描述一遍"她长什么样"，模型每次都重新想象一遍，于是每次都不一样。
九宫格分镜（3×3 nine-panel grid）用一个近乎"作弊"的朴素办法解决了它：把九个关键帧画在同一张画布上。既然九格共处一张图，出图模型天然会让同一个角色保持同一副样子、同一套衣服、同一个场景——一致性不是靠反复叮嘱换来的，而是画布本身逼出来的。
九宫格到底是什么，为什么有效
一张图，横竖各三格，共九格，格与格之间留白色分隔线。九格按"从左到右、从上到下"= 时间顺序排列，每格是一个关键 beat（可标景别）。这张图不是给人看的漫画，而是喂给视频模型的视觉骨架。
关键在于视频模型怎么消费它。它不是"平移镜头扫过这张九宫格图"，而是把整张图当成两样东西：
- 视觉 DNA——角色长相、服装、场景、光线、色调，全部从这张图里锁定；
- 分镜脚本——按 1→9 的顺序，把九个静态关键帧插值/演绎成一段连续视频（典型 15 秒）。
一句话概括分工：图负责"长什么样、演什么"，Prompt 只负责"怎么动"。
这套之所以在 2026 年上半年火起来，直接原因是视频模型的图生视频（I2V）能力跨过了一道门槛。字节跳动的 Seedance 2.0 于 2026 年 2 月发布（2 月 7 日内测、2 月 10 日即梦上线、2 月 12 日全量），其多模态入参支持同时喂入至多 9 张图、3 段视频、3 段音频加自然语言。给它一张九宫格，它就能自动生出运镜和局部动画——这些活过去要人手剪辑，现在交给了生成模型。
主流用法：两步走的组合拳
当下最流行的组合只有一个模板：出图模型画九宫格 → 视频模型 I2V 演绎。
- 出图：Nano Banana Pro 或 GPT Image 2 是社区首选，因为它们能画出干净的分格、稳定的白色分隔线，并在九格间保持角色一致。
- 演绎：Seedance 2.0（国内即梦最常用）、Sora 2、Grok 都能吃九宫格。
提示词的分工是这套玩法的精髓——图定好了长相和构图，Prompt 就不该再描述外观，只写运动：
参考 @图片1 的九宫格分镜，按从左到右、从上到下的顺序
演绎成一段 15 秒的视频，保持画面风格一致，
运镜以缓慢推拉为主，转场平滑自然，整体节奏舒缓。
进阶玩法会再叠加空间锚点：先出一张俯视图 + 一张全景图锁住室内空间逻辑，再配九宫格锁角色。社区把这套俯视图称作"室内空间逻辑的定海神针"——因为场景一致性比角色一致性更难，九宫格单独并不能解决换场景后地点走样的问题。
优点与局限：别把它当银弹
九宫格不是所有情况都最优。把它和另外两种常见参考方式摆在一起看，取舍就清楚了：
| 维度 | 九宫格（单张多格） | 单张参考图 | 多张独立参考图 |
|---|---|---|---|
| 跨镜头一致性 | 强（同画布天然锁定） | 弱（只锁一个瞬间） | 中（每镜头各锁，易漂移） |
| 成本 | 低（1 出图 + 1 视频） | 低 | 高（6–8 镜头各自多次生成） |
| 迭代效率 | 高（改一张图重出） | 高 | 低（改动在管线里逐镜头传导） |
| 叙事容量 | 受限（≤ 9 个 beat） | 单镜头 | 高（不限镜头数） |
| 场景切换 | 弱（换地点会走样） | 弱 | 中 |
| 适配门槛 | 内容须能塞进 3×3 | 无 | 无 |
我的判断： 对"角色驱动、动作密集、能装进 9 个 beat"的段落，九宫格是当前性价比最高的一致性方案，没有之一。但它有三条硬边界，越界就别用：
- 超过 9 个明显 beat 塞不下——硬塞成 12 格，对 15 秒视频又显得赶，节奏崩掉。
- 镜头间视觉差异极大时不适用——换天换地换人，九格的"同画布一致性"反而成了枷锁。
- 场景一致性仍是未解难题——九宫格锁得住人，锁不住"下一场戏还是同一个房间"，得靠俯视图/全景图额外兜底。
三档 look-lock，以及我把 grid 放宽成默认的取舍
在我自己维护的 AI 视频产品管线里，每个镜头有一个 look-lock 档位：none / single / grid，锁定强度从弱到强，恰好映射到视频模型的两个入口（i2v 严格首帧 vs r2v 全能参考）。
最初的引导语把 grid 定位成"只给复杂、自成一体、多步动作弧的镜头"的罕见特例，于是负责生成分镜的 Agent 几乎从不选它——九宫格形同虚设。而联网调研让我意识到：业界主流恰恰把九宫格当默认省钱 + 锁一致性的主力，我们把它的定位反了。
于是我把给 Agent 的引导语放宽了（grid 与 single/none 的判据这里只截取核心）：
PREFER "grid" as the default whenever the shot features one or more
characters, spans a multi-step action, or needs identity/outfit/scene
held consistent — a 3x3 nine-panel storyboard is composed first and drives
the whole clip. Use "single" for a shot that continues directly from the
previous one but REVEALS parts the previous frame did not show. Use "none"
only for a trivial shot with no character and no continuity concern.
When unsure between grid and none, choose grid.
三档的分工因此变清晰：
- grid（默认）：有角色 / 多 beat 动作 / 需锁一致性——用九宫格接 r2v 全能参考，让整段片子跟着九格走。
- single：镜头直接续上一镜、但露出了上一帧没展示的部分（拉远、转身、入画）——合成一张静帧当 i2v 严格首帧，专治续接漂移，防模型"发明"没展示的部分。
- none：无角色、无连续性的琐碎镜头（纯插入、抽象铺垫、标题卡）才用。
这个改动的关键是零回归：none 分支的行为逐字未变，三种模式的实现也没动，我只改了"告诉大模型优先选什么"。放宽引导语不改渲染链路，风险面收在 Agent 的选择偏好上——这正是 Prompt 层调优该有的克制。
关于把视频生成交给会写结构化定义的 Agent，我此前写过 HyperFrames 那篇——思路一脉相承：让模型输出它最擅长的结构（HTML 或九宫格），比让它凭空想象最终像素更可控。
结论
九宫格分镜不是什么花哨的新模型，而是一个朴素到近乎取巧的工程约束：用"九格同处一张画布"这个物理事实，把一致性从"反复叮嘱"变成"结构保证"。它对角色驱动、动作密集、能装进 9 个 beat 的段落是当前性价比最高的一致性方案；但它锁得住人锁不住场景，超过 9 个 beat 或镜头差异过大就该换别的方案。
给正在搭 AI 视频管线的人一条实践建议：把九宫格设成默认，而不是特例。让 single 去做它真正擅长的续接补帧，让 none 只留给琐碎镜头。当你在"要不要上九宫格"之间犹豫时，答案通常是——上。
参考资料
- 字节跳动 Seed — Seedance 2.0 正式发布（2026-02）
- 实在智能 — Seedance 2.0 什么时候发布的？内测到 API 开放时间线全解析
- 科技日报 — 字节发布 Seedance 2.0，豆包、即梦官宣接入（2026-02-12）
- closerAI（知乎）— NanoBananaPro 九宫格分镜图 + 索拉2 + grok 的视频生成
- 知乎 — 爆火全网！Seedance 2.0：九宫格分镜 + Seedance 2.0 视频生成法
- 知乎 — 9 宫格分镜转视频的四种高级玩法（附提示词）
- bilibili — AI 视频场景一致性完整工作流：俯视图、九宫格、全景图与 GPT-image2 调整方法拆解
- Atlas Cloud — The Ultimate Drama Workflow: GPT Image 2 + Seedance 2.0
- MindStudio — How to Use Storyboards and Character Sheets to Get Better AI Video Results
- SegmentFault — Seedance 2.5 正式发布：30 秒、50 个参考素材、原生 4K（2026-07）