AI 短劇成本優化的思路和方案

很多使用者都會好奇，為什麼影片生成的單價比去年已經便宜了不少，但是生成一段10分鐘的影片成本並沒有降低。在這裡我想分享一下成本優化的思路和方案，希望大家能夠創作出更多好影片。

下面結合我的生成測試和公開創作者的回顧，介紹幾種減少返工、控制成本的做法。

一、算帳要看實際的可用鏡頭

首先第一點要明確，影片創作的最大成本是反覆生成才能截取一段可用的。之前有位創作者分享過自己的創作經歷，一部十二分鐘的AI短片，花了大約一千兩百美元，生成了九百多條素材，最後用上的只有兩百條左右。對於中長影片的創作，素材可用率並不高。

影片生成的實際成本，往往取決於拿到一個可用鏡頭需要嘗試多少次。例如，假設一個鏡頭生成三次後才選出一個可用版本，那麼它的生成費用就是單次報價的三倍。如果選中的素材也只有一半時長能剪進成片，按最終採用秒數計算的成本還會進一步翻倍。這裡的比例只是計算示例，並非產業平均水準。實際需要多少次嘗試，會隨模型、鏡頭難度、參考素材和驗收標準而變化。因此，比起比較單次生成價格，更有參考價值的是記錄總生成費用、嘗試次數和最終採用秒數，算清楚每一秒成片實際花了多少錢。

二、先設計好你的分鏡粗剪

前面說，要根據鏡頭的複雜程度選擇模型、分配預算。這裡還有一個前提，你得先確定這場戲到底需要哪些鏡頭，每個鏡頭要表達什麼，以及它們剪在一起是否成立。這些問題如果等影片生成以後才發現，刪掉的是已經付費的素材，補拍和修改又是一筆費用。

所以我建議，在正式生成影片之前，先做一版分鏡設計：每個鏡頭要表達什麼，涉及幾個人物，有沒有複雜的動作。拿到分鏡後，再標出普通鏡頭和重點鏡頭。環境空鏡、簡單過渡可以先測試低成本模型；多人正反打、複雜動作和關鍵表演，則優先驗證高品質模型能否減少返工。模型是否合適，要看實際通過率，不能只憑 Prompt 長短判斷。

這一步不是考慮生成，而是提前設計，讓你更好的管理你的影片需要哪些模型，哪些需要重點投入Token。如果你的文字較難描述清楚Prompt，那麼影片模型也會很難理解你的意圖，就別在這塊猶豫用哪個模型了。靜態粗剪也不能驗證所有動作和表演，而是寫下來，幫你提前排除一批不必要的生成。先用低成本把鏡頭的用途和順序想清楚，再花錢讓它們動起來。

同一場戲混用模型時，還要檢查畫面能不能接上。先用相同的角色參考和場景描述，比較人物、材質、光線與表情的差異；如果後期修補太多，單次生成省下的錢也可能被抵消。模型的選擇和預算分配，應在這一步一起確定。

想把這套方法用在自己的故事中，可以從 Arcloop 的AI 短劇生成器開始，輸入劇本或故事想法，再搭配分鏡計畫檢查場景與鏡頭。

範例：先為對白和反應留出時間

下面是一個 18 秒短場景的分鏡計畫示例。先確定每個鏡頭的任務，再為對白和人物反應預留時間；這些時長是設計目標，需要用臨時聲音和粗剪驗證。

以第二鏡為例，可以先把六秒拆成準備、說話和停頓三個階段：

Camera: Eye-level medium close-up, locked off.

0–1 seconds: Maya looks down at her phone and takes a small breath.
1–5 seconds: She says quietly: If you are coming, this is your last chance.
5–6 seconds: She holds still, eyes on the phone. End before she looks up.

Sound: Temporary dialogue over low station ambience.

先錄一段臨時對白，檢查六秒是否足夠自然地說完，再看最後五秒的反應鏡頭能否承接情緒。如果對白太趕或反應太短，就先調整分鏡和剪輯時長，再進入影片生成。

三、先用故事板做視覺打樣

分鏡粗剪確定鏡頭的用途和順序，故事板則把這些想法畫出來。人物站在哪裡、看向哪裡，前後兩個畫面能不能接上，放在一起通常更容易判斷。它適合在影片生成前做視覺打樣，先檢查構圖、空間關係和情緒變化。

寫故事板 Prompt 時，先說清楚 Grid 的要求：幾行幾列、閱讀順序、每格的畫幅，以及每格只呈現一個靜態瞬間。角色只保留必要的識別特徵，再給每格寫清景別和關鍵狀態。文字不宜太複雜，外貌、背景、動作和限制堆得越多，圖片模型越難同時落實，反而容易漏掉真正重要的資訊。

故事板也增加了一層製作工作。圖片模型需要同時處理排格、人物一致性和場景連續性，可能畫錯某一格，或讓前後畫面的細節對不上。實際製作時，最好配合專業分鏡工具，或支持參考圖、局部編輯和單格導出的圖片工具，把排版、出圖和修改分開處理。

如果只想修改其中一格，我更建議先把這一格裁剪出來，連同必要的角色或場景參考，單獨編輯或重新生成，確認後再放回原來的位置。這樣能保留其他已經滿意的畫面，也更方便比較修改前後是否接得上。需要用作影片首幀時，也應先裁出對應畫面，再檢查清晰度和起始狀態。

範例：用六宮格檢查同一場戲

沿用 Part 2 的車站案例，六格依次表現等待、手機特寫、說話、來人出現、抬頭和微笑。最後一格把 Maya 放在左前景，來人留在右後方的入口，同時交代她的反應和視線對象。下面把提示詞縮短，只保留佈局、人物標識和每格的關鍵畫面。

Create a six-panel storyboard: 3 columns × 2 rows, six equal landscape panels with narrow white gutters. Read left to right, top row then bottom row. One still moment per panel.

Style: Black-and-white pencil storyboard, simple lines and light gray shading.
Character: Maya is an adult Western woman with shoulder-length blonde hair and a dark coat. Her phone stays in her right hand.
Setting: Night train platform. Maya is on the left; the lit entrance is on the right, on the same platform. Keep the character and station layout consistent.

GRID01 (top-left): Wide shot. Maya waits beneath the station clock. The entrance on the right is empty.
GRID02 (top-center): Close-up. The phone in Maya’s right hand. Blank screen, dark coat sleeve.
GRID03 (top-right): Medium close-up. Maya looks down at her phone, lips parted as she speaks quietly.
GRID04 (bottom-left): Medium-wide shot. One person stands at the lit entrance on the right, facing left. Maya is outside the frame.
GRID05 (bottom-center): Close-up. Maya looks up toward the entrance on the right, her expression softening.
GRID06 (bottom-right): Medium-wide shot. Maya smiles in the left foreground, phone lowered in her right hand. The arriving person remains at the entrance in the right background.

No captions, panel numbers, speech bubbles, or watermarks. Do not draw the GRID labels.

這六格是用於檢查故事的視覺節點，實際仍可按 Part 2 的四個鏡頭組織。圖中最後一格是收尾狀態，不能直接當作整場戲的起始畫面。上圖使用 GPT Image 2.5 Flare 生成；這裡展示的是根據原始長 Prompt 整理的精簡寫法，尚未用精簡版重新出圖，也未進行成本對照測試。

影片範例：參考故事板的劇情，給模型留出發揮空間

把六宮格作為參考圖交給影片模型時，可以只要求它參考劇情和情緒推進，再讓它自行安排取景、運鏡、節奏和細微動作。人物從等待，到說話、發現來人，再到釋然微笑，這條故事線保持清楚即可。故事板的黑白線稿、明暗和格子佈局不用照搬，影片採用自然色彩和符合場景的光線。

本次影片演示將 Part 2 的 18 秒計畫壓縮為 15 秒，使用 Seedance 2.0 標準版，設置為 720p、16:9，並開啟聲音。對於不能省略的動作，需要在 Prompt 中明確點出來：先從口袋取出手機，切手部近景接上抬起動作，再切中近景說話；後面用來人鏡頭、抬眼反應和雙人構圖承接。具體取景和各鏡頭時長仍留給模型安排。下面是實際使用的 Prompt：

Use Image 1 as a six-shot story guide. Keep the same woman, coat and station, with natural colors and believable lighting. Allow small changes in framing and performance.

1. Wide shot: she waits at the station, phone initially inside her right coat pocket. She reaches into that pocket and visibly pulls out the phone.
2. Cut to a hand close-up as the phone clears the pocket. Continue the same movement as she raises it and looks at the screen. Show this action clearly before the dialogue.
3. Match the movement into a medium close-up. Holding the phone in her right hand, eyes on the screen, she quietly says: "If you are coming, this is your last chance."
4. Cut to the entrance as a man arrives and pauses.
5. Cut back to her face: her eyes lift from the phone toward him, then her expression softens.
6. Finish wider, with her in the left foreground and him near the entrance on the right. She lowers the phone and smiles.

Keep the phone action continuous across cuts. Use full-screen shots, quiet station ambience, no grid or captions.

上方影片由這版 Prompt 生成，實測約 15.1 秒、1280 × 720。開頭補出了從口袋取出手機、切近景查看的動作，後面接上說話、來人和抬頭反應。結尾保留了兩人的前後景關係，但微笑不如前一版明顯，仍需要檢查表演是否滿足成片要求。這個案例尚未與純文字生成做成本或品質對照。

四、先保留模型能力，再降低輸出解析度

選擇模型和選擇解析度，是兩個不同的問題。480p 的畫面清晰度較低，但把 Seedance 2.5 的輸出設為 480p，並不等於換成了更弱的模型。打樣時先判斷它有沒有理解鏡頭順序、人物動作和情緒，再決定是否需要提高畫質。

對於複雜分鏡，我更傾向於先用 Seedance 2.5 的 480p 測試，而不是為了 1080p 就選 Seedance 2.0。官方說明，2.5 在指令遵循和製作控制上有所增強，也支持按整秒時間點組織內容。這些能力與輸出像素數是不同的維度，值得優先驗證。但「2.5 的 480p 一定比 2.0 的 1080p 更理解每條分鏡」，仍需要同一段 Prompt 的實際對照，不能僅憑型號和解析度保證。

費用也支持先用低解析度測試。以 BytePlus ModelArk 官方美元定價示例為準，在 16:9、輸出 5 秒、不輸入參考影片的相同條件下：

前者約便宜 72.5%。這比較的是整條影片費用：2.5 的每 Token 單價雖然更高，480p 所需的輸出 Token 更少，合起來仍比 2.0 的 1080p 便宜。以上是官方估算示例，不是本次實測帳單；參考影片、時長、畫幅和平台加價都會改變最終費用。

具體到一場戲，可以先在 480p 下檢查：手機有沒有被拿出來，來人是否在正確的位置，人物的視線和前後動作能不能接上。480p 仍可以暴露這些問題，最終的皮膚紋理、髮絲和遠景細節再到高畫質階段檢查。不過，低解析度和高畫質兩次獨立生成可能改變動作與表演，不能默認逐幀複現。

如果工具支持 Seedance 2.5 Draft 工作流，可以先生成 480p 草稿，確認場景結構、鏡頭調度和動作，再用草稿任務生成高畫質版本。這條流程比重新提交一次獨立生成更適合保持前後結果的一致性；草稿和高畫質任務分別計費，也應計入整場戲的總成本。

參考輸入也只保留必要部分。人物外觀和靜態構圖能用圖片說明時，就先用圖片；需要參考動作或運鏡時，再加入相關影片片段。對於會計算輸入影片時長的模型，多放一段參考也可能增加費用，所以要把輸入和輸出一併計算。

實測：先用 480p 驗證，再參考生成 1080p

下面用「士兵在樹下讀信」的場景，展示一次低解析度驗證到高畫質重生成的過程。480p 版本使用原有影片作為參考，要求依次表現樹下坐姿、信紙特寫、讀信近景和拉遠全景，並在約第六秒讓信紙上出現手寫文字。

這版實際輸出為 864 × 496、約 15.1 秒。低解析度已經足以判斷四段鏡頭是否成立、讀信動作能否接上。紙上也出現了手寫字，但模型把指定的「Come home safe.」擴展成多行內容，沒有準確落實文字要求。這樣的錯誤在打樣階段就可以發現；如果文字必須準確，需要繼續調整，或在後期處理，不能只提高解析度就當作解決。

隨後，將這條 480p 影片作為參考，仍使用 Seedance 2.0 標準版，輸出設置改為 1080p、15 秒。提示詞簡化為保留人物、場景、動作和鏡頭順序，增強自然光影與電影質感：

Use Video 1 as the reference. Keep the same soldier, face, uniform, tree, meadow, letter, actions and shot order. Maintain visual continuity and the original pacing. Enhance the scene with cinematic natural morning light, realistic skin and fabric detail, and restrained film color grading. Preserve the handwritten letter. No added subtitles or dialogue.

高畫質版本實際輸出為 1920 × 1080、約 15.1 秒。從關鍵幀看，人物、軍服、大樹和草地總體保持一致，四段鏡頭結構也保留了。它說明低解析度影片可以用於驗證動作和結構，再為高畫質生成提供參考；但輸出為 1080p，不代表細節必然準確恢復，人物與動作也不能默認逐幀一致。

本次兩條影片是分別計費的參考生成任務，採用火山素材庫的 asset:// 影片引用。它與前面介紹的 Seedance 2.5 Draft 工作流是兩種操作方式。這裡展示的是製作流程，未核對美元帳單，也沒有完成跨模型成本對照；前面的價格表仍是官方估算，不是這兩條影片的實測費用。只有把需要的嘗試次數和高畫質生成次數一起計入，才能判斷整個流程是否省錢。

五、失敗的素材，先看能不能剪

例如，一段六秒的素材，前三秒表演自然，後三秒手部變形。重新生成之前，可以先試著在出錯前切走，插入一個反應鏡頭，讓聲音繼續。這樣或許能保留前半段可用的表演，再依剪輯效果決定是否需要補鏡頭。

當然也要有底線，主角的臉錯了，關鍵道具錯了，動作的因果看不明白，這些影響觀眾理解故事的問題，不能為了省錢放過去。

剪輯時先圈出能用的時間段，再決定補什麼鏡頭。人物說話時，可以在動作出錯前切到聽者反應，讓對白繼續；環境空鏡也可以幫助銜接。不過，切走以後仍要檢查視線、動作和聲音是否連續。這是一種補救思路，不能保證每條失敗素材都能救回來。

最後

控制成本，說到底就是控制返工。工具的價格會越來越低，但想不清楚就開始生成，花錢的速度永遠比降價快。先想清楚要什麼，用最便宜的辦法驗證，再把預算放在值得花的鏡頭上，這比任何比價都管用。