ai官小西

场景不飘：AI 短剧的场景一致性方案——定场镜头、多角度 set 参考与空间接地

上一篇我写了 AI 短剧怎么让主角不换脸。但一致性其实有两半，另一半更安静、也更容易被忽略：场景会飘。 第一个镜头里客厅的墙是米白的、门在左边、茶几上摆着一只旧座钟；切到下一个镜头，墙成了灰的、门挪到了右边、座钟不见了。观众未必说得出哪里不对，但"这不是同一个房间"的违和感是实打实的——尤其短剧，一集三四十个镜头往往只发生在少数几个 location 里，每个都得让人认得出是同一处。

场景漂移比角色漂移讨论得少，但它同样是"能不能看下去"的门槛。好在解法和角色是同构的——只是有几处关键的镜像和一维额外的东西。这篇把它讲清楚，并附上我这两天把它装进自己产品（magicedit / Magic Canvas）copilot 管线的落地。

同一个范式，镜像的锚点

角色一致性的范式是"先定身份 → 锁参考 → 扇出镜头"。场景完全平移：先定 location → 锁一张场景锚点 → 每个镜头引用它。 场景版的"身份锚点"有个专门的名字——定场镜头（establishing shot）：一个 location 的主宽镜头，锚定该场景所有覆盖镜头的样子。

但有一处关键反转，值得单独记住：

角色锚点与场景锚点：同一个思路，镜像的硬约束

  • 角色锚点要的是纯中性背景 + 一个清晰主体——背景越干净，越不会把场景烤进身份里。
  • 场景锚点恰恰相反——它就是环境，而且必须画面里没有人。一张定场图里若站着个人，这张脸会顺着参考被带进引用这个 location 的每一个镜头。取景也要宽，露出完整空间和定义性建筑，而不是怼着一个角落。

同一个道理（一张可复用的干净锚点），约束却是镜像的。这个反转是场景侧最容易做错的地方——很多人直接拿一张"有人物、有戏剧光、怼脸"的剧照当场景参考，然后奇怪为什么每个镜头的背景都在变。

场景参考图也分层：从定场镜头到多角度 set 参考

和角色一样，场景锚点也不是"一张就够"。业界（invideo 的说法很直接）在做的是"上传多角度参考网格，类似角色设定表"——把一个 set 的宽景、反打、关键细节画在一起，锁住整个空间。层次同样有取舍：

场景参考图从定场镜头到多角度 set 参考的取舍光谱

场景参考图 是什么 优 缺 何时用
单张定场镜头 一张 location 主宽景，无人 最便宜，一张干净锚 只有一个机位，反打/细节靠瞎编 单场 / 背景 location
多角度 set 参考 宽 + 反打 + 关键细节角度，同一张画布 锁住覆盖需要的角度，正反打空间自洽 宽画布摊薄分辨率，结构更难保持一致 多镜头覆盖的反复出现 location（默认）
时段变体组 同一空间 × 日/暮/夜 跨时间跳转仍读作同一间 面板更多，光照须同室可信 同一场景跨昼夜
细节/道具锚 招牌道具/材质的特写 连贯关键物件与质感 不管整体空间，需配定场镜头 有剧情关键道具或招牌质感的 location

实操建议和角色那套一样直接，别堆料：单场 location 用一张定场镜头；多镜头覆盖的反复场景上多角度 set 参考；跨昼夜的场景做一组时段变体；有招牌道具的加一张细节锚。 每多一张板都是一次生成、一次花钱，还会让结构更难在面板间保持一致。

场景参考的 4 层提示词公式也和角色平行：主体（建筑/材质/年代/空间布局，具体，且不含人物）+ 视角指令（establishing wide shot, full location visible，多角度再加 wide / reverse / detail）+ 风格光照锁定（每个时段单一光源、统一色调）+ 格式（no people in frame; grid layout）。

场景独有的一维：空间接地

角色一致性讲到这里就差不多了。场景多一维，是角色没有的——空间几何。

一个 location 会被好几个镜头从不同机位覆盖。如果每个镜头都让模型重新想象这个空间的几何关系，正反打就对不上：A 镜头门在左，B 镜头门跑到了右，两个镜头剪在一起观众立刻出戏。2026 年这块的做法叫空间接地（spatial grounding）：不用纯描述性语言，而是相对固定锚点描述相机位置——DramaDirector（arXiv:2606.24107）的几何引导把空间布局检索出来和脚本对齐，Digen 的指南干脆建议用 3D 坐标系描述（"相机在 45°、距主体 3 米"）。

空间接地：对着固定门窗家具定机位，正反打才剪得到一起

落到管线里，做法很朴素：在场景 breakdown 里就把这个 location 的固定锚点记下来——门、窗、主家具——然后每个镜头的 prompt 对着这些锚点定机位（"从门口过肩拍主沙发"、"从窗侧反向拍向门口"），而不是每镜从零编几何。这样同一个 set 的覆盖镜头才空间自洽、剪得到一起。这是场景一致性里最"只有真做过才会强调"的一环。

只锁参考不够：场景也要校验、也要重跑

和角色一模一样，"每个镜头引用同一场景参考"藏着一个假设：参考图本身是对的。 一次生成同样可能跑歪——出错的建筑、漏进画面的人、和故事调性打架的光。

行业的成熟做法同样是"生成后校验 + 重跑"，而且有一句很精辟的口诀："fix the source, not the shot"（修源头，别修镜头）——发现某个 location 的背景不对，就去更新那张场景参考，之后每个引用它的镜头自动继承修正；一次修一张参考，胜过一个镜头一个镜头地救。

校验同样分两层：便宜的一层是九宫格分镜（九格里不光看角色是不是同一个，也看背景是不是同一处）；严格的一层是让一个视觉语言模型（VLM）把生成的场景图和 breakdown 逐条比对：建筑、定义性特征、光照色调，并确认画面里没有人，输出 PASS 或"哪里飘了"。

把范式装进管线：no-people 硬约束 + 运行时场景校验门

上面是方法论。我做的是一个会自己在画布上搭节点、生成短片的 copilot，所以要把这套翻译成它能自动执行的规则。这周我把场景侧补齐了（2026-07-24 落地），完全对称于之前的角色侧改动：

  • Rule A —— 场景参考硬约束。 之前 copilot 生成场景图只塞 location 描述，不约束成像，经常出一张带人物、怼角落的图。现在固定追加一段约束：establishing 宽景、露出完整空间和定义性建筑、画面无人物、单一光源统一色调、高分辨率，负向词明确堵掉 people / faces / 怼脸 / 混乱光照。同时场景 breakdown 里给每个 location 加一行 Reference note:，记下固定空间锚点（门/窗/主家具），并决定该用单张定场还是多角度 set。
  • B1 —— 定场镜头当检查点。 一个新 location 的定场（第一、最宽的那个）镜头,天然是进入该场景其余覆盖前最便宜的 on-location 检查点；九宫格也同时校验 same-location。
  • B2 —— 运行时 VLM 场景校验门。 场景图生成完、进镜头之前，copilot 在画布上建一个 VLM 节点，把生成的场景图和它的 breakdown 条目分别接进去（图接 image 槽、文本接 prompt 槽），逐条比对建筑/光照并确认无人，输出 PASS 或 DRIFT，飘了只对漂的那几个节点发重跑卡。两条铁律和角色侧一致：绝不后台读像素（识图必须是画布上、用户点击运行、可见可审计的节点）、绝不自动重生成（重跑花钱，只点亮卡让用户决定）。

局限与没解决的问题

诚实地说，和角色侧一样，这套压住了漂移，没消灭它：

  • 空间接地不是真 3D。 "对着门窗定机位"是让文本提示更接地，不是真的三维重建；大跨度的机位变化、复杂遮挡，模型还是会露馅。
  • 多角度 set 有分辨率税。 把一个空间从多个角度锁下来，代价是每个角度分到的像素更少，复杂结构在合成时自己就可能不一致。
  • VLM 校验会误判。 让视觉模型当场景裁判，它可能把对的判飘、把飘的放过；B2 是 opt-in、受成本上限门控的。
  • 时段变体的可信度。 同一个房间日景和夜景要读作同一间，光照逻辑得站得住，这对模型仍是难点。
  • 成本是主线约束。 每张多角度板、每次重跑都是真金白银，"别堆料"依然是反复出现的取舍词。

结论

场景一致性是 AI 短剧里更安静的那一半，但它决定观众"这是同一个世界"的信念。范式和角色同构——先定 location、锁定场景锚点、再扇出镜头——但要记住三件场景独有的事：锚点的硬约束和角色正好相反（宽景、无人）；location 需要空间接地（对着固定锚点定机位）才能让覆盖镜头剪到一起；校验时别忘了确认"画面里没有人"。

对创作者：把 location 当成和角色一样需要锁定的资产；给反复出现的场景做一张达标的多角度参考，并在参考里记下门窗家具这些固定锚点；"修源头别修镜头"。

对做管线的人：场景侧的工程难点和角色侧几乎一一对应，最大的价值恰恰在这种对称性——同一套"参考硬约束 + 两层校验 + 人类在环的重跑"抽象，角色和场景可以共用，维护成本减半。

参考资料