视频生成模型选型与场景化评测实践教程

一、教程目标

本教程旨在帮助开发者、算法工程师、内容制作团队和技术负责人完成一次可复现的视频生成模型横向评测。很多团队在面对多个视频生成方案时，常见困扰不是“能不能生成视频”，而是“应该选哪一个更适合当前业务”。不同模型在人物一致性、镜头稳定性、画面质感、运动控制、成本消耗和生成成功率方面差异明显，如果仅凭单条样例判断，很容易受到偶然因素影响。

通过本教程，读者将完成以下目标：

1. 建立统一的评测样本集，覆盖常见视频生成场景。
2. 使用结构化提示词控制画面内容，减少随机性。
3. 对同一组样本进行批量生成，并采集成本、耗时和失败率。
4. 从画面质量、语义遵循、镜头稳定、情绪表达和内容安全等维度打分。
5. 基于数据结果形成选型建议，而不是依赖主观感受。

本教程适合以下内容：需要接入视频生成能力的技术团队、评估模型投入产出比的业务团队、制作 AI 短剧或短视频内容的内容团队，以及需要建立模型评测流程的平台研发人员。

二、适用场景

视频生成模型的横评并不是单纯比较“谁生成得更漂亮”，而是要结合业务目标进行评估。常见适用场景包括：

1. AI 短剧与剧情类视频：关注人物一致性、情绪表演、镜头衔接和连续叙事能力。
2. 广告与营销素材：关注产品展示清晰度、画面质感、品牌风格稳定性和成本效率。
3. 影视预演与分镜参考：关注镜头运动、空间关系、光影氛围和画面可控性。
4. 社交内容生产：关注生成速度、并发能力、单位成本和失败重试成本。
5. 平台级能力接入：关注接口稳定性、异步任务管理、审核合规、日志审计和监控能力。

本教程以一个典型的“人物情绪戏”作为示例样本，并延伸到七类经典场景，帮助读者建立一套通用的评测方法。

三、前置准备

在开始评测前，需要先完成准备工作。准备工作越充分，后续结果越容易复用和比较。

1. 明确评测对象与版本

建议将参与评测的方案用中立名称表示，例如方案 A、方案 B、方案 C。评测记录中应包含方案名称、版本标识、调用方式和更新时间，避免后续结果无法追溯。

如果方案支持版本升级或参数切换，应在评测开始前固定版本，不要在评测过程中频繁更换。

1. 准备账号、权限与凭证

需要准备具备视频生成调用权限的账号，并确保权限范围满足最小化原则。常见权限包括任务提交、任务查询、产物下载、用量查询和日志查看。

密钥类凭证不应硬编码在代码或配置文件中，建议通过环境变量、密钥管理服务或受控配置中心进行托管。

1. 准备基础工程链路

一次完整评测通常需要以下通用能力：

1. 任务提交与状态查询能力。
2. 产物存储能力，例如对象存储。
3. 日志采集能力，例如日志服务。
4. 任务编排能力，例如消息队列或任务调度平台。
5. 监控告警能力，例如监控告警服务。
6. 评测数据汇总能力，例如数据库或结构化文件。

如果团队使用百度智能云，可以结合其对象存储、消息队列、容器平台、日志服务、监控告警等通用云产品能力搭建评测流水线。此处重点是使用通用工程能力，而不是绑定某一种特定实现。

1. 设计评测指标体系

建议从成本、效果和稳定性三个方向建立指标。

成本指标包括：

1. 单次任务成本。
2. 失败任务成本。
3. 重试带来的额外成本。
4. 单位有效视频成本。
5. 单位可用时长成本。

效果指标包括：

1. 语义遵循程度。
2. 主体一致性。
3. 镜头稳定性。
4. 画面质感。
5. 情绪表达能力。
6. 复杂光影还原能力。
7. 负面约束遵循情况。

稳定性指标包括：

1. 任务提交成功率。
2. 生成成功率。
3. 平均生成耗时。
4. 超时率。
5. 重试率。
6. 审核拦截率。

四、实施步骤

1. 建立七类经典测试场景

为了减少单一场景带来的偏差，建议构建覆盖不同能力的测试集。可以参考以下七类场景：

1. 人物情绪近景：重点测试面部表情、情绪变化和微动作。
2. 人物与环境交互：例如人物看向窗外、与镜头外对象对话、转身等。
3. 复杂光影场景：例如夜景、雨夜、霓虹反射、车内明暗变化。
4. 密闭空间镜头：例如车内、电梯、走廊等空间关系较复杂的场景。
5. 产品展示：重点测试物体稳定性、材质质感和细节保持。
6. 复杂运动镜头：例如推拉、环绕、跟随、切换等。
7. 连续分镜叙事：重点测试前后镜头一致性、角色状态连续性和叙事节奏。

每类场景建议准备至少三个样本：一个简单样本、一个中等难度样本、一个高难度样本。这样可以观察模型在不同复杂度下的表现差异。

1. 编写结构化提示词

视频生成结果不稳定，很多时候不是模型能力问题，而是提示词不够清晰。建议使用结构化提示词模板，将画面要素拆开描述。

一个通用模板如下：

人设描述：描述人物外观、年龄感、发型、服装、位置和状态。
情绪状态：描述角色当前情绪，以及情绪表达方式。
场景环境：描述空间、前景、中景、背景和环境元素。
画面风格：描述整体影像风格，例如写实、青春剧、纪实感等。
影调光线：描述明暗关系、主光源、辅助光源和色彩倾向。
全局约束：描述必须遵守的限制，例如无字幕、无水印、不生成额外人物。
分镜描述：描述镜头时间、机位、运动方式、画面内容和角色动作。
对白内容：如有对白，应明确说话者、语气和台词。
负面提示：列出不希望出现的内容，例如字幕、文字、水印、畸变、多余肢体等。

结构化提示词的价值在于让不同模型在相同语义条件下进行比较，而不是让提示词成为变量。

1. 固定测试参数

参数会影响生成结果和成本。评测时应尽量固定以下参数：

1. 分辨率。
2. 时长。
3. 帧率。
4. 镜头数量。
5. 随机种子或复现方式。
6. 负向提示词。
7. 审核策略。
8. 重试次数。

如果不同方案支持的参数不同，应以“业务最终需要的输出规格”为准。例如业务需要 10 秒、横版、无字幕视频，则所有方案都按该规格测试。

如果某个方案不支持固定随机种子，则不能只跑一次就下结论，应增加重复样本，通过多次结果判断稳定性。

1. 批量提交任务并记录元数据

建议为每个评测任务建立唯一标识，并记录以下元数据：

1. 任务编号。
2. 方案名称。
3. 模型版本。
4. 样本编号。
5. 提示词版本。
6. 参数配置。
7. 提交时间。
8. 完成时间。
9. 状态。
10. 失败原因。
11. 用量或成本字段。
12. 产物地址。

通用伪代码如下：

读取测试样本列表
遍历每个样本
构造统一提示词
构造统一参数
提交生成任务
记录任务编号
轮询任务状态
如果成功：
下载视频产物
保存产物地址
记录耗时与用量
如果失败：
记录错误码
记录错误信息
判断是否值得重试
汇总所有任务结果
生成评测报告

1. 成本控制与失败处理

视频生成任务的成本通常高于文本任务，因此必须提前设置预算边界。建议在评测脚本中加入以下控制逻辑：

1. 单日总任务数上限。
2. 单个样本最大重试次数。
3. 失败任务是否需要人工确认。
4. 高成本任务是否需要降规格预筛。
5. 是否缓存已成功结果。

例如，可以先使用较低分辨率或较短时长进行草稿生成，筛选出表现较好的候选结果，再对候选结果进行高质量生成。这样可以减少无效消耗。

对于失败任务，不建议无限制自动重试。应区分失败类型：

1. 参数错误：修正参数后重试。
2. 内容审核拦截：调整提示词或样本内容。
3. 并发超限：降低并发或延后重试。
4. 服务端超时：指数退避重试。

5. 未知错误：记录日志并人工排查。

6. 采集成本与效果数据

成本数据可以从任务返回的用量字段、控制台账单、日志统计或自建记账系统中获取。不同方案提供的统计粒度可能不同，但只要最终能够换算成统一口径即可。

效果评估建议采用“自动检查 + 人工评分”的方式。

自动检查项包括：

1. 视频是否成功生成。
2. 视频时长是否达标。
3. 视频是否可正常播放。
4. 是否出现明显黑帧、花屏或编码异常。
5. 是否包含字幕或水印。
6. 是否触发内容审核。

人工评分项建议采用 1 到 5 分制，并可设置权重：

1. 语义遵循：画面是否符合提示词。
2. 人物一致性：角色外观、发型、服装是否稳定。
3. 情绪表达：表情和动作是否自然。
4. 镜头稳定：是否存在跳变、抖动或异常运动。
5. 光影质感：明暗、色彩和氛围是否符合要求。
6. 复杂场景还原：雨夜、霓虹、车内等元素是否可信。

7. 负面约束遵循：是否出现字幕、文字、额外人物等。

8. 多轮复测与统计

视频生成具有随机性。单个样本的差异可能只是偶然波动。因此，建议每个样本至少运行两到三轮。

统计时可以关注：

1. 平均分。
2. 最低分。
3. 成功率。
4. 高分区间的占比。
5. 失败类型分布。
6. 单次有效视频平均成本。
7. 生成耗时分布。

最终报告不应只写“某个模型更好”，而应写清楚：在什么场景下、什么预算下、什么规格下、哪个方案更适合。

五、配置说明

1. 提示词配置

提示词应尽量具体，但不要无限堆叠。过度描述可能导致模型无法同时满足所有条件。推荐做法：

1. 先描述核心主体。
2. 再描述场景环境。
3. 再描述镜头和运镜。
4. 最后补充全局约束和负面提示。

对于复杂情绪戏，应把情绪动作拆成可观察行为，而不是只写抽象情绪。例如，“悲伤压抑”不如“轻咬下唇、眼眶微红、强撑微笑、随后轻声啜泣”更具可控性。

1. 负向提示配置

负向提示用于减少不想要的内容。常见项包括：

1. 字幕。
2. 文字。
3. 水印。
4. 标志。
5. 多余人物。
6. 多余肢体。
7. 画面撕裂。
8. 严重畸变。
9. 低清晰度。
10. 过度曝光。

负向提示不应替代画面约束。如果业务明确要求无字幕，除了负向提示，还应在全局约束中重复说明，并在结果验证阶段人工确认。

1. 分辨率与时长配置

分辨率越高，细节越好，但成本和处理时间通常也越高。评测时可以采用分级策略：

1. 草稿级：低分辨率、短时长，用于快速验证语义和构图。
2. 标准级：业务常规输出规格。
3. 高质量级：用于关键镜头或最终交付。

时长方面，短镜头更容易保持一致性，长镜头对模型能力要求更高。对于剧情类视频，建议不要一次性生成过长镜头，而应通过分镜拆分降低不确定性。

1. 随机种子与复现方式

如果方案支持随机种子，应记录种子值，以便复现。若不支持固定随机种子，则应通过多次抽样取平均值，并在报告中说明样本数量。

1. 并发与超时配置

并发过高可能导致限流、排队或失败率上升。建议设置：

1. 最大并发数。
2. 队列长度。
3. 单任务超时时间。
4. 重试次数上限。
5. 失败告警阈值。

对于生产环境，应使用异步任务模式，避免请求长时间阻塞。

1. 内容安全配置

视频生成涉及人物、场景和对白时，应提前配置内容审核策略。审核可以发生在提示词阶段、生成阶段和产物阶段。

建议：

1. 对敏感词和敏感主体进行预检查。
2. 对生成结果进行审核。
3. 对高风险样本进行人工复核。
4. 对审核拦截原因进行归类统计。

六、示例说明

下面给出一个“人物情绪戏”的通用提示词示例，可作为横评样本之一。

样本名称：雨夜告别情绪戏

人设描述：年轻女性，长发披肩，穿着现代都市风格服饰，坐在车辆后排。

角色状态：与重要对象告别，表面保持微笑，内心压抑悲伤，最终情绪失控。

场景环境：车辆后排车厢作为主要空间，前排副驾驶位置可作为局部前景，侧车窗和后车窗有雨水痕迹，窗外为城市夜景、霓虹灯光和细雨。

画面风格：真人实拍质感的青春恋爱剧风格，现代都市写实服化道，情绪戏节奏克制。

影调光线：车内整体偏暗，窗外城市灯光和霓虹透过雨水车窗形成彩色光斑，勾勒人物面部轮廓和头发边缘。

全局约束：无字幕，不生成文字，不生成水印，不额外增加人物。

分镜描述：0 到 6 秒，车内中景，固定机位，从副驾驶位置向后拍摄。前景可见失焦的座椅局部，人物位于画面右侧。人物侧脸看向车窗外，轻咬下唇，微笑告别。随后转头面向前方，示意司机开车，并带出一声轻微啜泣。

对白内容：人物轻声说“就这样，不用送了。”随后说“司机，开车。”

负面提示：字幕、文字、水印、标志、多余人物、肢体畸变、画面撕裂、过度曝光、严重模糊。

该样本可以同时测试多个能力：人物情绪、雨夜光影、车内空间、镜头稳定、对白口型以及负面约束遵循。

七、结果验证

评测完成后，需要按统一清单验证结果。建议检查以下内容：

1. 任务是否成功完成。
2. 视频是否可正常下载和播放。
3. 时长是否符合要求。
4. 分辨率和帧率是否符合预期。
5. 是否出现字幕、文字或水印。
6. 人物外观是否保持一致。
7. 情绪表达是否自然。
8. 镜头是否存在明显跳变。
9. 雨夜光影是否真实可信。
10. 是否触发内容审核。
11. 成本是否在预算内。
12. 失败重试是否可控。

对于每个样本，建议保存以下产物：

1. 原始提示词。
2. 参数配置。
3. 生成视频。
4. 封面或关键帧。
5. 任务日志。
6. 成本记录。
7. 评分表。
8. 失败原因说明。

八、常见问题与排查

1. 生成视频出现字幕

原因可能包括提示词约束不足、模型训练数据中常见字幕干扰、负向提示无效。

排查思路：

1. 在全局约束中明确“无字幕”。
2. 在负向提示中加入字幕、文字、水印等。
3. 对结果进行人工复检。

4. 如果多个样本均出现，应记录为该方案的明显缺陷。

5. 人物面部或服装发生变化

原因可能包括镜头过长、动作复杂、光线变化强烈、角色描述不足。

排查思路：

1. 缩短单次生成时长。
2. 减少复杂运动。
3. 增加人物外观细节。
4. 使用更稳定的机位。

5. 将长镜头拆分为多个短镜头。

6. 镜头突然跳变或空间关系错误

原因可能包括提示词中空间关系描述不清、前景与背景关系冲突、模型对复杂空间理解不足。

排查思路：

1. 明确机位和主体位置。
2. 减少前景遮挡。
3. 简化空间描述。

4. 对复杂场景降低运镜要求。

5. 雨夜光影过曝或颜色失真

原因可能包括霓虹描述过强、光源数量过多、色彩倾向冲突。

排查思路：

1. 减少光源数量。
2. 明确主光源和辅助光源。
3. 增加“避免过曝”的负面提示。

4. 降低画面色彩复杂度。

5. 任务频繁失败

原因可能包括参数不合法、内容审核拦截、并发过高、服务端不稳定。

排查思路：

1. 查看错误码和日志。
2. 将任务拆分为最小样本复现。
3. 降低并发。
4. 增加超时和退避策略。

5. 对审核拦截内容进行人工归类。

6. 成本超出预期

原因可能包括重复生成、长时长高分辨率、失败重试过多。

排查思路：

1. 设置预算上限。
2. 使用草稿级生成。
3. 缓存成功结果。
4. 限制重试次数。
5. 将高成本任务放在人工确认之后。

九、优化建议

1. 成本优化

建议采用“先筛选、后精修”的策略。先用低规格生成判断构图、语义和主体是否符合要求，再对少量候选结果进行高质量生成。

同时，应对成功结果进行缓存。相同提示词、相同参数和相同版本的任务，如果没有业务变更，不应重复消耗资源。

1. 质量优化

对于剧情类视频，不建议用一句话生成完整镜头。应将镜头拆分为更明确的动作单元，例如：

1. 人物侧脸看向窗外。
2. 人物微笑告别。
3. 人物转头面向前方。
4. 人物示意司机开车。
5. 人物轻微啜泣。

这样更容易控制节奏，也更容易定位问题。

1. 稳定性优化

评测流程应异步化。每个任务都应有独立状态、日志和重试策略。对于长时间任务，应通过监控告警发现积压、失败和超时。

1. 安全优化

视频生成涉及人物、台词和场景，应建立内容安全机制。包括提示词预检、生成结果审核、产物访问控制和日志审计。

1. 可维护性优化

提示词、参数和评分表应版本化管理。每次评测都应保存完整快照，以便后续复现和对比。

十、总结

本教程围绕视频生成模型横向评测提供了一套可执行的方法。核心思路是：先明确业务目标，再建立统一测试集；用结构化提示词固定变量；通过批量任务采集成本、耗时和效果数据；最后结合人工评分和统计分析形成选型结论。

对于实际业务，选型不应只看单条样片效果，而应综合评估场景适配度、生成成本、稳定性、可控性和内容安全能力。若团队后续要扩展到更多方案或更多场景，可以复用本教程中的测试集、评分表和任务编排流程，逐步建立长期可维护的模型评测体系。