拍AI短剧的成本

来源：市场资讯

（来源：智东西）

智东西

作者 |江宇

编辑 |漠影

AI短剧的女主接一条广告，60秒报价25万元。另一边，一条AI天宫短片在海外刷屏，零推广、小成本，数以万计的海外观众追着去搜中国神话。

做出这条短片的栖光，是成都一名90后眼镜店老板，没学过影视，也没有团队，AI创作只是他坚持了两年的业余爱好。这条刷屏的天宫短片，正是用Pavo做出来的。

两个爆款背后，站着的都是普通人。

当普通人也能做出如此高质量的内容，创作的门槛已经不太取决于专业背景和技术条件。新的门槛落到了两个更现实的问题上：质量和价格。

质量这一关，几款头部视频模型已经证明过，画面、动作、一致性都能扛住，也在海内外打响了名声。剩下的是价格。好用的模型大多不便宜，一条片子几十甚至上百个镜头做下来，抽卡和返工的钱会越积越多。

有没有一款模型，能把这笔钱先打下来？

8月26日，Agnes Video 2.5系列上线Pavo，其中Agnes Video 2.5 Flash免费开放。

这也是很多和我一样对AI生视频蠢蠢欲动的人真正关心的问题：一个能力够用、价格几乎归零的视频模型，到底能不能真正拿来拍短剧？

全球第一梯队视频模型

现在可以免费用

免费的视频模型，会和“低配”划等号吗？这次我们直接上强度，先测一类很考验人物表现的镜头：特写戏。

Agnes Video 2.5系列目前分为两个型号。其中，Agnes Video 2.5 Flash完全免费，单条支持4～12秒、720p输出，支持五张以内图片输入参考，支持音频输入。

Agnes Video 2.5每天还会赠送200积分，每生成1秒消耗2积分，也就是每天最高可以免费体验100秒；分辨率支持720p、1K和2K，单条同样支持4～12秒，支持多图+音视频参考。

从榜单成绩来看，Agnes的视频模型从Video 2.0到Video 2.5完成了一次明显跃升，已经进入主流商业视频模型的竞争区间。

榜单说完，还是直接看生成效果。

近期刷屏的“天宫”视频就是一个现成案例。云海、琼楼、仙鹤、月色仙宫连续切换，既有大规模场景，也有人物、建筑和复杂光影，多个镜头之间仍然保持了比较统一的东方奇幻质感。

再看我们的实测。我在Agent模式下专门试了一段人物近景，这类镜头其实很容易翻车。

提示词：手持摄影风格，模拟人类呼吸的律动感。无声BGM背景音乐，无字幕。 0-2秒：枪口笔直、稳定指向镜头中心。面部冷峻、克制，下颌轻微紧绷。发丝有微风拂动，胸腔有不易察觉的呼吸起伏。 2-4 秒：眼神瞬间一颤，瞳孔轻微收缩。眉心一蹙即展。 下唇边缘发生一次细微抽动。持枪右手食指与虎口产生微颤，导致枪口尖端出现以镜头为圆心的微小弧线晃动。 4-6秒：目光犹地向右下方（画面右侧边缘）飘移，旋即强迫性拉回，重新锁定镜头。眼底泛起隐忍的痛楚。双唇微启，欲言又止，最终闭合，伴随喉结上下滚动。 6-8 秒：眉头紧皱又迅速舒展。眼眶边缘出现湿润感。枪口因手臂下沉而微微降低高度，但仍保持朝向镜头。下巴肌肉轻颤，呼吸频率明显加快，胸腔起伏剧烈。 8-10 秒：情感释放。双眼猛然紧闭，眼皮因用力而不住轻颤。深吸气后猛然睁眼，泪光已在瞳孔中清晰可见，眼神转为脆弱与挣扎。同时，持枪手臂开始缓慢、不可逆地下沉，枪口从水平指向逐渐偏移向下（轨迹带轻微弧线），唇角向下用力紧抿，极力压抑哭意。

实际生成结果里，让我比较意外的是动作与面部表情之间的配合。它没有逐字逐句机械执行提示词，但关键动作节点基本都在，而且面部、手部和身体动作没有明显“各演各的”。最终呈现出来的情绪变化比较连贯，也有一定感染力。

对于短剧来说，这类能力其实很关键。真正占据大量镜头的，往往就是这些人物表演。如果每做一个细微动作都要反复抽卡，单个镜头再便宜，最后也会被返工次数重新拉高成本。

至少从这一轮体验看，Aoes Video 2.5 Flash虽然免费，但没有把人物动态和表演能力一起砍掉。接下来真正要看的，是把几十个这样的镜头串起来以后，它还能不能扛住完整短剧制作。

免费可用模型解决抽卡

Harness解决返工

AI短剧里，很大一部分钱可能都烧在“再来一条”上。几十甚至上百个镜头里，前期要尝试风格、设计人物和排练分镜；进入正式生成后，又会遇到角色变脸、动作失败、构图跑偏、镜头接不上。

单次生成的钱看起来不多，乘上几十上百个镜头，再叠加返工次数，成本就被一点点累积起来了。Flash免费加上Agnes Video 2.5每日赠送的积分，直接压低的就是这笔高频试错成本。

但真正体验Pavo短剧模式后，我们发现，它想解决的还有另一部分成本：流程混乱带来的重复劳动。

为了看它到底能自动做到哪一步，我们故意给Pavo扔了一个非常粗糙的故事：蜘蛛侠大战十个神秘客。只有一句话，甚至称不上剧情。我们选择生成10集，然后交给AI Script Creator。

Pavo先补齐了故事类型、受众、世界观和人物关系，再把整条故事线拆成10集剧情。

随后，人物、场景和道具又分别进入Asset Library，成为后续剧集可以持续调用的资产。

比如这次自动整理出的场景里，包括纽约街头、废弃仓库、医院走廊、医院病房、临时实验室、废弃工厂、矩阵基地、纽约天台等十多个地点；道具也拆出了蜘蛛发射器、神秘客碎片、量子装置、全息投影地图、量子手环等。

人物处理得更细。同一个角色可以继续拆出基础形象、便服、病号服、破损战衣等多个版本，并指定这些形象分别在哪几集使用。

这一层资产管理对于短剧很实用。因为一旦进入连续剧情，很麻烦的一件事就是上一集生成的东西，到下一集突然对不上了。

人物换了服装，场景变了模样，如果每次都重新描述、重新上传参考图，很容易出现细节漂移，也会带来大量重复操作。提前把这些东西变成项目资产，后面的镜头就可以直接继续调用。

再往下一层，剧本已经被拆到“怎么拍”。

进入Episode Videos后，Pavo生成的已经不再是一段笼统剧情。10集分别有自己的标题和场景，每一集还可以继续生成Storyboard Script

我们点进第一集“神秘客的警告”，它继续拆出了“屋顶落地”“平静的低语”“警觉与飞跃”等镜头。

其中“屋顶落地”已经写到了：全景，高角度俯拍机位。镜头从曼哈顿天际线缓慢下摇，彼得从高楼间荡过，蛛丝在夕阳中划出弧线，随后落在公寓楼屋顶边缘。

也就是说，一开始只有一句话的故事，到这里已经被逐层整理成：故事主线、10集剧情、人物/场景/道具资产、单集场景、具体分镜，以及图片与视频生成。

这也是我觉得Pavo短剧Harness有价值的地方。它没有追求“一键给我吐出一部成片”这种看起来很魔法的体验，而是把短剧本来就需要处理的那些中间环节提前搭好。

角色是谁、在哪拍、拿什么道具、这一集有几场戏、这一镜是什么景别，先整理清楚，再进入图片和视频生成。对于几十甚至上百个镜头的项目来说，这些中间信息就是生产资料。过去需要创作者自己维护表格、文件夹、提示词和参考图，现在它们被装进了一套连续流程里。

我们还专门测了一次Pavo的“连续性”，要求全程保持一个连续镜头。这类生成的难点，在于前后能不能始终保持同一条运动逻辑。

最终视频里，小精灵一直维持在被追踪主体的位置，镜头会随着它急转、俯冲和穿梭；遥控车出现、乐高崩塌、进入纸箱区域以及最后入水几个事件，也基本接在同一条运动轨迹上。广角造成的边缘畸变、近距离物体高速掠过产生的视差和运动模糊也比较明显。

10秒里塞进这么多动作，部分事件的展开空间肯定有限，但它没有明显变成几段互不相关的视频硬拼在一起。对于追逐、打斗、逃生这类短剧常见镜头，这种持续控制主体、空间和运动方向的能力，很有实际意义。

到这里再看成本这笔账，就会更清楚一些。

模型免费，解决的是敢不敢多试几次；Harness解决的是同一件事要不要反复重做。前者压低单次生成成本，后者把角色、场景、分镜和镜头组织起来，减少重复设定和无效返工。

对于一条真正有几十上百个镜头的短剧，这两部分加在一起，才是更实际的成本下降。

多人同框、特殊机位

难镜头不用全靠“抽”

自动化流程能把一部短剧快速搭起来，但真正拍到关键镜头时，创作者往往又会遇到另一个问题：想要的画面越具体，纯靠提示词碰运气就越难。

人物站错位置、两个人比例失衡、镜头角度没听懂，甚至只是想让摄影机稍微低一点，都可能意味着重新生成。

所以我们又换了一种玩法，进入Pavo的无限画布，自己搭出短剧框架。

关于这个故事，我们只给出四句话：

暴雨夜，一名红衣女子带着一枚玉佩逃进废弃客栈。一个黑衣男人追了进来。两人短暂交手后，男人却突然摘下面具。女子发现，追杀自己一路的人竟然是失踪多年的哥哥。

Pavo先根据故事生成了两名核心人物：26岁的林晚和29岁的林晨，前者红衣持剑，后者黑衣蒙面。

接下来真正有意思的，是这个故事没有被锁死在一条“一次成型”的粗糙生成路径里。

1、一个故事，可以在画布上不断“长”出分支

《玉佩迷局》的原始故事被放进一个Text Node后，我们直接从这个节点向外拉出了多个新的文本节点。每一个节点都保留自己的剧情和视频提示词，彼此之间又能看出源头关系。这和直接在聊天框里反复改Prompt的体验差别很明显。

如果第三段故事不满意，可以直接回到第三个节点修改；想试另一种剧情走向，也可以从同一个上游节点再拉一个分支。旧版本不会消失，新的尝试也不用重新复制整套上下文。

对于短剧来说，这种结构尤其适合处理一个很常见的问题：局部返工。

几十个镜头里，真正出问题的通常只有其中几个。过去改一个镜头，经常要重新找提示词、参考图和人物设定；在画布里，哪一步出了问题，就直接从哪一步继续往下。

文本、图片和视频也都在同一张画布上。

Text Node可以继续生成剧本、图片和视频；Image Node可以做图生图、角色四视图、场景设定；Video Node则支持首尾帧、参考主体等生成方式。

整个项目的生成过程因此被完整保留下来。

这也是为什么，Pavo把无限画布放进整个创作链路，会比单独做一个视频生成框更实用：短剧制作真正需要管理的，是几十个互相关联的中间结果。

2、先把角色一致性搞定，再让他们“出演”

这部短剧中，我们也没有直接拿人物描述去生成视频，而是先给几名角色做设定图。

红衣女主被拆出了正面、侧面、背面、45度视角，以及服装、发型、腰封、长剑等细节；黑衣男主同样生成了完整的角色设定，蒙面方式、服装结构和武器都被固定下来。

Pavo的Image Node里可以直接选择Character Setting和Character Four View，这些生成结果后续还能作为角色资产继续引用。

这一步看起来有点像多绕了一圈，但放进连续短剧里，反而是在省时间。

AI视频一个很容易让人出戏问题，就是角色不一致。提前把角色的外观和服装细节变成固定资产，相当于先给演员做了一份视觉档案。

场景和道具也是类似逻辑。

3、提示词说不清的机位，先让“导演”摆出来

角色固定以后，还有一类镜头特别容易高频抽卡：多人同框和特殊机位

比如两个人面对面对峙，一个站前景、一个稍靠后；摄影机从低机位仰拍，再绕到人物侧后方；或者打斗镜头里，角色位置、动作方向和镜头运动同时发生变化。这类需求只写成文字，很容易出现信息丢失。

Pavo给出的另一种解法是3D导演台。

用户可以先在三维空间里调整人物站位、身体比例和姿势，再设置摄影机位置。低机位、高机位、侧拍或者更特殊的空间关系，都可以先把大致画面摆出来，再交给模型生成。

“一个黑衣男人站在红衣女子左后方”“摄影机贴近地面仰拍”“两个人距离约一米”，这些空间信息如果全部塞进Prompt，模型未必会同时执行。直接把人物和镜头位置固定下来，复杂构图就多了一层显式控制。

对于多人镜头也是类似逻辑。

人数增加以后，AI要同时处理谁站在哪里、谁看谁、谁做什么动作、两个人是否发生肢体接触，难度会迅速增加。3D导演台至少可以提前把站位、比例和机位明确下来，再让视频模型处理后续动作。

这样一来，Pavo里其实形成了两套不同的创作节奏。想快速把一个故事变成完整短剧，可以让短剧Harness先把剧本、资产和分镜铺开；到了某个关键镜头，再切回Canvas，用角色资产、节点分支和3D导演台一点点细调。

Agnes Video 2.5 Flash把单次生成价格压下来以后，创作者可以更大胆地试。与此同时，节点分支、资产复用和3D导演台这些功能，可以继续减少无效生成。

短剧的下一道门槛

可能真的要换了

这次体验下来，Agnes Video 2.5系列和Pavo给我的感受其实可以拆成两层。

第一层很直接：AI视频的生成成本，确实被压到了一个很有吸引力的水平。

Flash直接免费，Pavo每天还会赠送200积分用于体验Agnes Video 2.5。而价格降下来以后，另一个问题会变得重要：你有没有能力把这些便宜的镜头组织成一部真正能看的作品。

我们这次只给Pavo一句话，它就可以继续拆出10集剧情、人物、十多个场景、一批核心道具，再把单集剧情细化到景别、机位和具体镜头。

另一边，短剧制作又可以被铺在Canvas里。故事向外长出不同剧情分支，角色先做设定，满意的素材继续复用，关键镜头再单独调整。

这也对应着AI短剧现在的另一层困境。当模型本身已经能生成不错的表演、复杂运动和连续镜头，再加上生成价格持续下降，过去很显眼的“模型能力”和“算力成本”都会逐渐变成基础条件。

创作者真正需要花精力的地方，会重新落到剧本、人物、镜头、节奏以及审美上。