一次 45 秒的产品短片项目里，团队生成了 18 个看起来都不错的镜头。单独暂停检查，每个画面都能用：产品材质清楚、人物五官完整、光线也符合品牌调性。真正放进剪辑时间线后，问题同时暴露出来：主角在相邻镜头里换了耳饰，产品旋钮从左侧跳到右侧，24 fps 的素材被当作 25 fps 解释，台词比口型早了四帧，环境声在每个切点重新起奏。画面质量并不差，但它不是一条能够交付的视频。
返工过程更说明问题。创作者不断修改提示词，希望模型"更一致"，却没有记录镜头使用的时间基准、首尾锚点、角色状态、场景轴线和音频入点。一个镜头重生成后，后续三个镜头都需要跟着调整；剪辑师只能靠文件名猜版本；客户在审片单上写下"人物不太像"，团队却无法判断是身份漂移、表情变化、镜头焦段还是色彩空间造成的观感差异。
AI 视频工业化的核心并不是批量调用文生视频或图生视频接口，而是把不可控生成过程装进一个可测量的媒资系统。每个镜头先定义 Shot Contract，明确画幅、帧率、时长、角色、动作、空间方向、首尾锚点与声音职责；生成任务产出带血缘的候选版本；连续性检查比较身份、场景、运动与色彩；音频按照统一时间码对齐；最后由确定性工具完成转码、拼接和交付验证。
本文选择的参数属于多模态资产工业化方向，但与静态图局部重绘、扩图和超分不同，主线集中在时间维度。关键词包括 Kling 视频、首尾帧控制、时间码、恒定帧率、角色身份漂移、光流、镜头连续性、FFmpeg、音画同步、响度和交付清单。创源AIGC仅作为可以替换的模型联调节点，成片规格、素材血缘、审片结论和发布责任仍由本地媒资平台维护。
一、先定义"能交付"：镜头漂亮只是视频质量的一部分
静态图的质量判断主要发生在单张画面内部，视频质量还包含跨帧、跨镜头和跨声道关系。同一人物在一帧中五官正常，不代表三秒内不会逐渐变脸；一段运镜本身流畅，不代表切到下一个镜头时轴线正确；配音音质清晰，不代表爆破音和口型在同一时间点发生。只用"画面好不好看"做验收，会遗漏真正消耗后期时间的问题。
可以把可交付质量拆成五个维度。画面内质量关注构图、纹理、手部、文字和物理错误；时序质量关注闪烁、形变、速度突变和物体生命周期；连续性质量关注身份、服装、道具、空间方位与光照；声音质量关注同步、底噪、响度、声像和混音余量；技术质量关注编码、帧率、色彩、采样率、字幕与容器。五个维度任何一个失控，最终文件都可能无法使用。
因此，项目开始时要先写 Delivery Profile，而不是先选模型。Profile 至少确定分辨率、显示宽高比、帧率、扫描方式、像素格式、色彩原色、传递函数、矩阵系数、音频采样率、声道布局、目标响度、字幕格式和最大码率。社交平台竖屏、影院预演、电视播出和网页背景对这些参数的要求并不相同，不能等生成结束再统一"导出成 MP4"。
时间基准尤其容易被忽略。23.976 fps 实际常写作 24000/1001，29.97 fps 常写作 30000/1001；24、25 和 30 则是整数帧率。把 24000/1001 的素材误解释成 24，会在长片中逐渐产生声画偏移。Drop-frame timecode 只是特定非整数帧率下的编号规则，不会真正删除视频帧，也不应被误用于所有项目。
技术规格之外，还要定义叙事验收。一个镜头的职责可能是"建立空间""展示操作""表达反应"或"完成转场"。若模型生成了更华丽的动作，却破坏了下一个镜头需要的手势和视线，它仍然不合格。Shot 的通过条件应包含必须出现的叙事事实、禁止出现的元素、允许变化的范围和与前后镜头的接口。
真实项目可以先做 8 到 12 秒的 Continuity Probe。用两三个相邻镜头测试角色身份、道具方向、动作接续和声画同步，再决定是否扩大生成规模。若连短探针都无法稳定通过，就应调整美术方案、减少动作复杂度或改用可控的三维、实拍和合成方式。直接生成几十个镜头，只会把同一种不确定性复制得更昂贵。
质量指标也不能脱离用途。背景氛围视频可以容忍局部纹理漂移，但产品结构演示不能改变按钮位置；快速蒙太奇可以利用跳切，连续对话则对视线、口型和环境声更敏感。验收阈值应跟随镜头职责，而不是全片使用一个相似度分数。所谓"高质量"，最终是满足确定用途，而不是在单一模型评分上达到最高值。
二、Shot Contract：把画幅、动作、时间和声音写进同一份契约
Shot Contract 是镜头进入生成队列前的结构化约定。它不是更长的提示词，而是连接编剧、分镜、美术、模型、剪辑和质检的接口。提示词描述模型应该生成什么，Contract 还描述素材如何解释、如何与相邻镜头连接、哪些字段可以变化以及失败后如何定位。
一份 Contract 至少包含 shot_id、sequence_id、duration、frame_rate、resolution、timecode_in、narrative_intent、characters、props、location、screen_direction、camera、action_beats、start_anchor、end_anchor、audio_cues、negative_constraints 和 acceptance_checks。每个字段使用稳定枚举或引用，避免不同人员用"右边""画面右侧""人物的右手边"表达三种不同概念。
下面是一份简化示例：
json
{
"shot_id": "SQ03-SH070",
"duration_frames": 96,
"frame_rate": {"num": 24, "den": 1},
"resolution": [1920, 1080],
"timecode_in": "01:00:18:12",
"narrative_intent": "show the operator locking the safety latch",
"characters": ["operator-v4"],
"props": ["device-blue-v7"],
"screen_direction": "operator_moves_left_to_right",
"camera": {
"shot_size": "medium_close_up",
"movement": "slow_push_in",
"lens_equivalent_mm": 50
},
"action_beats": [
{"frame": 18, "event": "hand_contacts_latch"},
{"frame": 62, "event": "latch_clicks_closed"}
],
"start_anchor": "asset://anchors/SQ03-SH070-A",
"end_anchor": "asset://anchors/SQ03-SH070-B",
"audio_cues": [
{"frame": 62, "event": "metal_click", "tolerance_frames": 1}
]
}时长建议以帧数保存，以秒数作为显示值。duration_frames=96 在 24 fps 下是四秒，在 24000/1001 下则略有差异。所有动作节拍、字幕入点和音效标记都引用同一时间基准，避免一个系统使用毫秒、另一个系统使用浮点秒、剪辑软件又使用时间码字符串。转换函数集中维护，不允许业务脚本各自四舍五入。
角色、道具和场景不直接复制描述文本，而是引用版本化资产。operator-v4 可以关联角色多视图、服装层、发型、允许表情和禁止特征；device-blue-v7 关联结构图、材质、标识位置和左右方向。模型提示词由这些资产编译生成，但审片记录仍回到稳定 ID。角色换装时创建新版本，不能静默覆盖旧定义。
Start Anchor 与 End Anchor 是相邻镜头之间的接口。前一个镜头结束时人物的姿态、视线、手中物体和运动方向，应能映射到后一个镜头开始状态。锚点可以是真实帧、姿态骨架、深度图、分割图或结构化状态，不必全部交给生成模型，但必须保存。没有端点约束的独立生成，往往会在剪辑点产生最明显的跳变。
Contract 还需要显式记录不确定性。模型可能不支持精确焦段、绝对帧动作或可靠的尾帧控制，此时 capability 字段标记 exact、approximate 或 unsupported。调度器只能把硬约束镜头交给能力满足的工具；若没有任何候选满足，就应返回 needs_manual_plan，而不是生成一个看似接近的版本后把问题留给剪辑。
契约修改必须产生 revision。改变帧率、镜头时长或动作节拍会影响音频、字幕和相邻镜头，属于破坏性变更；调整提示词中的纹理形容词可能只是局部变更。系统根据字段差异计算影响范围，决定重生成当前镜头、重新做声音，还是重新验证整个序列。这样返工从"凭经验重做"变成可追踪的依赖更新。
三、连续性账本：角色、道具、空间与光照如何跨镜头保持一致
连续性不是一句"保持人物一致"能够解决的要求。人物可能在身份上相同，却在年龄、脸宽、发色、服装纹理或惯用手上漂移；道具可能颜色相同，却在按钮数量和朝向上改变；空间可能陈设一致，却违反了人物移动方向和视线轴。需要把"相同"拆成可观察的状态。
Continuity Ledger 为每个序列保存角色状态、道具状态、场景状态和摄影状态。角色状态包括身份版本、服装层、发型、妆容、受伤或污渍、手持物与屏幕位置；道具状态包括版本、完整性、开关状态和所属角色；场景状态包括时间、天气、主要光源、门窗状态和可移动物；摄影状态包括轴线、镜头高度、运动方向和色彩意图。
Ledger 采用事件追加而不是覆盖当前值。镜头 SH050 中角色拿起杯子，记录 prop_acquired；SH080 放下杯子，记录 prop_released。若 SH060 生成结果里杯子消失，质检器可以定位为生命周期断裂，而不是泛化地说"画面不一致"。审片人员确认某个跳切是有意设计时，写入 approved_discontinuity，并说明范围和原因。
角色身份可以结合人脸嵌入、局部特征、服装分割和人工参考图比较，但任何单一相似度都不等于身份正确。表情、侧脸、遮挡、强光和焦段会改变嵌入距离；同一模型还可能对不同人产生过高相似度。项目应在真实候选帧上校准阈值，并保留 uncertain 区间：高于通过阈值自动标记稳定，低于失败阈值进入返工，中间区域交给人工。
产品和道具更适合结构检查。对有固定几何的设备，可以比较关键点、边缘、Logo 区域和部件数量；对软性物体，可以比较颜色、纹理和拓扑。生成模型常把文字和接口位置改掉，因此高风险产品镜头应采用实拍、三维渲染或后期合成，把生成模型限制在背景、光效或非结构区域。
空间连续性需要维护 screen direction 和 eyeline。人物连续向画面右侧移动时，未经建立镜头切到反方向会产生轴线跳跃；对话双方的视线方向必须互补；开门前后门轴和把手位置不能互换。二维相似度很难发现这些叙事错误，因此 Contract 中要保留角色屏幕位置、面朝方向、运动向量和场景拓扑。
光照连续性既有物理层，也有风格层。主光方向突然翻转会改变脸部阴影，白平衡漂移会让相邻镜头看起来像不同场景。可以从锚点估计亮度直方图、色温、主光方向和高光比例，生成后再比较。自动指标只用于发现异常，最终调色仍应在统一色彩管理下完成，不能让每个镜头单独套一层"看起来相近"的滤镜。
连续性还需要预算。快速动作镜头允许较大的局部形变，产品特写则几乎不允许结构漂移；梦境转场可以有意改变光照，对话反打则需要严格保持。每个 Shot 为 identity、geometry、motion、color 和 prop_state 分配 tolerance，质检器按职责选择阈值。预算超限不一定立即报废，也可以触发局部修复、缩短镜头或改变剪辑点。
最重要的是保留人工裁决。自动系统能发现"与前镜头差异很大"，却不知道这种差异是错误还是叙事意图。人工接受一次不连续时必须关联镜头、指标和理由，不能直接关闭整类检查。否则为了通过一个创意转场而降低全项目阈值，会让真正的身份漂移一起漏过。
四、从关键帧到运动段：把视频生成拆成可回退的时序流水线
直接用一段长提示词生成十几秒视频，失败后往往只能整段重来。更可控的方式是把 Shot 分解为外观锚定、运动规划、时序生成、局部修复和确定性封装。每一层产生独立资产和证据，下一层失败时可以回退到最近的稳定节点，而不是从提示词重新抽取一次随机结果。
外观锚定阶段先确定 Start Anchor 和 End Anchor。人物身份、服装、道具结构、场景构图和光照在静态条件下通过审核，再进入运动生成。若模型支持首尾帧约束，可以同时提交两个锚点；只支持首帧时，End Anchor 仍可作为生成后的验收目标。复杂转身、物体交接和镜头遮挡不适合只靠两帧约束，还需要中间动作节拍。
运动规划不必等同于自然语言。可以使用姿态序列、相机轨迹、深度变化、遮罩区域或简化的 Motion Script。Script 描述主体在第几帧开始动作、速度曲线、屏幕方向、相机是否跟随以及必须静止的区域。模型不支持精确帧控制时，调度器将这些要求转换成近似提示与多候选策略，并在结果中标记控制精度。
生成段不宜无限加长。持续时间越长，身份、结构和运动误差越容易累积。项目可以根据动作复杂度设置最大生成段，例如稳定景别允许四到六秒，复杂手部交互缩短到一到三秒。长镜头通过多个重叠段拼接，重叠区保留足够帧用于选择切点或过渡。拆段会增加编排成本，但能显著降低整段报废的代价。
帧插值只能解决采样密度，不能修复错误运动。若原始关键帧中手臂穿过物体，光流插值只会生成更平滑的穿模过程。插值前先验证物体轨迹、遮挡顺序和边界稳定；插值后检查重复帧、局部撕裂和速度突变。需要慢动作时，优先在生成计划中预留高帧率或动作阶段，而不是在成片后无条件放慢。
局部修复也要理解时间。单帧重绘可能让问题帧看起来正确，却在前后帧中形成闪烁。时序修复应使用连续遮罩、相邻帧上下文和跟踪结果，在一个短窗口内共同处理。修复资产保存 mask_track、source_range、reference_asset 和 repair_model，防止后续重生成覆盖已经批准的区域。
运动质量可以分解为速度连续、加速度连续、轨迹偏差、形变稳定和遮挡合理。光流用于估计相邻帧运动场，但在运动模糊、透明物体和大遮挡下并不可靠；姿态关键点适合人物骨架，却无法判断手指和服装；分割跟踪适合物体生命周期，却可能随背景相似而漂移。多个弱信号组合后仍需保留人工抽检。
每个候选片段都携带 lineage：输入锚点、模型版本、参数、随机种子、生成时间、后处理步骤和父资产。剪辑师选择候选 B 后，系统冻结该版本的 content hash；后续调色、插值和音频对齐都引用同一哈希。文件名可以给人阅读，但不能承担版本身份，否则 final_v7_really_final.mp4 迟早会重新出现。
确定性工具负责最后封装。裁切、缩放、颜色转换、补帧标记、音频重采样和容器复用由固定版本的 FFmpeg 或媒体服务执行，并保存完整参数。模型生成的素材可能带可变帧率、错误旋转元数据或不一致色彩标签，进入时间线前必须规范化。生成与封装分离后，模型升级不会改变已批准的交付语义。
五、声音不是最后贴上去：台词、口型、音效与时间码共用一条轴
许多 AI 视频流程先做完整画面，最后才考虑声音。这会产生两个问题：台词长度决定不了镜头时长，动作节拍也没有给音效留下准确入点。更合理的方式是先建立 Dialogue Sheet 和 Cue Sheet，把台词、呼吸、动作声、环境声和音乐段落映射到 Shot Contract 的帧坐标。
对白驱动镜头通常先锁定可接受的语音节奏。配音生成或真人录音完成后，得到词级或音素级时间戳，再规划口型镜头的持续时间和切点。若视频先生成四秒，而自然台词需要五秒，强行加速音频或重复画面都会降低质量。对于关键对白，应让声音约束画面，而不是让台词迁就一次随机生成结果。
口型同步不能只比较音频波峰。不同音素具有不同嘴形，闭唇音、齿唇音和元音的视觉特征不同；人物侧脸、遮挡和快速剪辑也会影响可见度。自动检查可以比较音素时间戳与嘴部开合、关键嘴形和静音段，但评分需要按景别校准。远景中一两帧误差可能不可见，特写中的同样误差会非常明显。
动作音效以事件帧为中心。Contract 中 latch_clicks_closed 发生在第 62 帧，音效允许误差一帧；剪辑变速或镜头缩短时，Cue 随事件重映射，而不是保持原毫秒位置。脚步、碰撞和开关声都适合这种事件绑定。环境声则跨镜头维护连续 Bed，避免每次切换都从静音重新淡入。
音乐需要区分叙事节拍和技术长度。节拍点可以用于切镜，但不能为了贴合音乐而破坏动作连续；生成式音乐的段落边界、和声变化和尾奏应以 Stem 或可编辑结构交付。对白、音乐、环境和音效分轨保存，最终混音后仍保留可回溯关系。只交付一条混合音轨，会让后续版本无法单独修复口型或响度。
音频技术规格通常采用 48 kHz 作为视频制作采样率，但位深、声道布局和目标响度要按交付渠道确定。不同播出与平台规范可能采用不同 LUFS 和 True Peak 阈值，不能把一个网络短片预设当作通用标准。项目在 Delivery Profile 中固定目标，质检同时报告 integrated loudness、loudness range、true peak、静音区间和削波。
视频与音频使用同一主时钟。音频以采样点计数，视频以有理数帧率计数，二者转换时避免浮点累计。对长序列，定期检查 clap、口型事件或已知同步标记的偏移趋势。如果偏移随时间线性增长，通常是采样率或帧率解释错误；如果只在某个剪辑点跳变，则更可能是局部重定时没有同步更新音频。
字幕也是时序资产。字幕入点、出点、每行长度、安全区域和阅读速度需要单独验证；烧录字幕与外挂字幕使用不同流程。台词修改后，字幕、口型和配音共同失效，依赖图应提示重新处理范围。模型可以辅助断句与翻译，但专有名词、数字、单位和合规文本必须由确定性词表或人工复核。
声音质检不能只在耳机上完成。除了波形和响度检查，还要抽检手机扬声器、普通笔记本和目标播放环境。立体声相位抵消可能在单声道设备上丢失元素，过低的低频会在小设备上消失，高噪声环境会掩盖轻声台词。技术指标提供边界，真实设备负责确认使用效果。
六、模型接入只是一个工位：任务协议、中继节点与数据边界
视频流水线可能同时调用文生图、图生视频、插帧、口型、配音和音乐模型。若每个环节直接绑定厂商字段，模型升级或切换后，Shot Contract 很快会被各种私有参数污染。更稳妥的方式是定义内部 Job Protocol，再由适配器把任务转换为 Kling、其他云端模型、本地开源项目或统一中继所需格式。
Job Protocol 描述 task_id、asset_inputs、capability_requirements、duration_frames、frame_rate、anchors、motion_constraints、content_policy、delivery_preview 和 callback。模型特有参数放在 namespaced_options 中，不能反向覆盖硬性 Contract。调度前先做能力匹配：不支持尾帧约束的模型，不能接收必须精确落在 End Anchor 的镜头。
联调环境可以这样配置可替换节点：
yaml
video_generation_node:
protocol: openai-compatible
base_url: https://178.nz/yinc/v1
api_key_env: VIDEO_PIPELINE_TOKEN
route_alias: temporal-video-preview
accepted_context: approved-anchors-only
callback_mode: signed-webhook
tool_calls: disabled
timeout_seconds: 180这里的创源AIGC或其他中继负责协议适配、任务转发和调用记录，不拥有镜头状态，也不决定候选是否通过。Shot Contract、Continuity Ledger、审批结果和交付资产保存在团队自己的媒资系统。中继失败时可以更换节点，已经批准的锚点、时间码和审片意见不需要重建。
提交给外部模型的素材必须按最小必要原则选择。角色锚点可以只包含当前服装和角度，不必发送整套未发布素材；产品参考图去除序列号、客户信息和无关背景；语音任务只提交对应台词，不上传完整采访录音。每次任务记录 input_manifest、脱敏规则和授权用途，方便后续删除与审计。
回调结果不能被直接信任。接收端校验签名、task_id、content length、媒体类型和文件哈希，再把文件放入隔离区。随后使用媒体解析器读取轨道、帧率、分辨率、时长和编码信息；不符合协议的结果标记 invalid_artifact。模型返回的文件名、元数据和预览地址都不能直接成为内部路径或执行参数。
异步任务需要幂等键。一次网络超时不代表生成失败，盲目重试可能产生多个计费任务和多个不同结果。idempotency_key 由 Shot revision、输入资产哈希、能力需求和请求参数生成；状态机区分 submitted、accepted、running、succeeded、failed、unknown 和 canceled。unknown 状态先查询远端，不立即创建新任务。
模型比较要使用相同 Contract 和审片标准。评测记录首个可用候选率、身份通过率、端点匹配、运动异常、人工修复分钟数、生成延迟和单位有效秒成本。一次生成价格低但需要大量局部修复的模型，真实成本可能更高。相反，最昂贵的候选也不一定适合所有镜头，简单背景段落可能不需要最高控制能力。
系统还必须允许模型缺席。确定性剪辑、素材管理、音频对齐、媒体质检和交付封装不能依赖模型服务在线。模型不可用时，队列暂停新生成，但现有素材仍能审片、修复和交付。把媒资事实与生成服务分开，才有真正的迁移能力。
七、自动质检不替代审片：用 FFprobe、光流和参考指标筛出高风险片段
视频审片成本高，逐帧人工检查又容易疲劳。自动质检的合理目标不是宣布"视频好看"，而是把技术错误和高风险时间段提前标出来，让审片人员把注意力放在可能出问题的位置。质检分为容器与轨道、帧级异常、时序连续、跨镜头连续、音频与字幕六层，每层输出证据和时间范围。
第一层使用 FFprobe 读取容器，不依赖文件扩展名。检查视频流数量、编码、宽高、显示比例、像素格式、平均帧率、真实帧率、时基、总帧数、色彩标签和旋转元数据；音频检查采样率、声道布局、时长和起始时间。轨道时长差超过容差、帧率与 Delivery Profile 不符或色彩字段缺失时，素材先进入规范化流程，不直接送入剪辑。
bash
ffprobe -v error \
-show_entries stream=index,codec_type,codec_name,width,height,pix_fmt,r_frame_rate,avg_frame_rate,time_base,sample_rate,channel_layout,color_space,color_transfer,color_primaries \
-show_entries format=duration,format_name \
-of json candidate.mp4r_frame_rate 和 avg_frame_rate 不能只看其中一个。可变帧率素材可能在平均值上接近目标，却无法保证每帧时间间隔一致。流水线可以读取每帧 PTS，计算相邻时间差分布；若项目要求 CFR，则在规范化时按照明确策略重复或丢弃帧，并保存变换报告。不能只修改容器帧率标签，因为那会改变播放速度而不修复时间戳。
帧级异常包括黑帧、冻结帧、重复帧、纯色闪烁、解码错误和边界破损。FFmpeg 的 blackdetect、freezedetect、signalstats 等过滤器能提供初筛，但阈值要按内容校准：夜景不等于黑帧，静止产品镜头不等于冻结，闪光灯也可能是叙事设计。检测结果保留 start_frame、end_frame、metric、threshold 和 detector_version，供人工确认。
时序连续检查可以结合光流残差、相邻帧感知距离、分割面积变化和关键点速度。正常运动会产生连贯的向量场；局部结构突然重绘、人物五官跳变或背景纹理闪烁会形成异常残差。LPIPS 等感知距离可用于寻找突变，却不能直接衡量视频质量；快速切镜本就应该产生大差异，因此必须先读取编辑点或进行场景切分。
参考指标也有适用边界。VMAF、PSNR 和 SSIM 更适合比较编码或处理前后的参考视频，无法判断一个无参考生成镜头是否符合美术意图。若存在批准锚点，可以比较端点结构与色彩；若存在低分辨率原始生成，可用参考指标检查超分或转码是否过度损坏。没有参考时，应报告具体异常而不是伪造一个综合"质量分"。
跨镜头检查读取 Continuity Ledger。系统在切点前后各取若干帧，比较角色身份区间、道具状态、运动方向、视线、主色和曝光。发现产品按钮位置变化时，报告对应 keypoint；发现角色疑似变脸时，给出相似度、遮挡比例和参考帧。提示越具体，返工越容易；一句"连续性得分 63"几乎没有操作价值。
音频检查包括响度、True Peak、削波、静音、底噪、相位和声画偏移。字幕检查时间重叠、显示时长、安全区域、非法字符和台词覆盖。对白口型检测只在嘴部可见且景别足够时启用，避免远景和背影制造大量假警报。各检测器都保存适用条件，不适用时返回 skipped_with_reason，而不是默认通过。
自动质检结果进入 Review Timeline。审片人员点击异常即可跳到具体帧段，选择 confirmed、false_positive、intentional 或 needs_context。反馈用于校准阈值和镜头类别，但不能让模型自动学习后立即修改门禁。阈值变更先在历史项目回放，确认没有显著增加漏检后再发布新版本。
八、生成昂贵，返工更昂贵：队列、断点恢复与单位有效秒成本
视频生成的成本不能只看单次调用价格。一次任务还会占用上传、排队、下载、存储、转码、质检、审片和修复资源；失败镜头可能牵连配音、字幕与后续镜头。更有意义的指标是"单位有效秒成本"：最终被批准并进入成片的一秒视频，累计消耗了多少生成、计算和人工时间。
流水线把每个 Shot revision 编译成有向任务图。锚点批准后才能生成运动段，运动段通过基础质检后才能插值，画面时长冻结后才能做最终口型和混音。互不依赖的镜头可以并行，同一角色和场景的镜头则可以共享已批准资产。任务图明确依赖后，失败只会使后继节点失效，不必重跑已经冻结的上游。
每个任务包含 idempotency_key、input_hashes、executor_version、attempt、resource_budget、lease_until 和 output_expectation。Worker 获得有限租约，超时后任务可以被其他节点接管；原 Worker 晚到的结果只有在 lease 与 revision 仍匹配时才被接收。这样可以避免网络抖动后两个 Worker 同时把不同候选写成"最终版本"。
断点恢复依赖内容寻址存储。上传完成的锚点、模型返回的原始视频、规范化中间件、检测报告和审片代理文件分别保存，任务状态只引用哈希。转码节点失败时从原始视频继续，字幕修改时不重新生成画面，模型切换时保留此前通过的锚点。中间资产按项目策略保留，交付后再分层归档或清理。
重试必须按错误类别处理。429、队列满和临时网络错误适合带抖动的退避；参数不支持、内容策略拒绝和输出结构错误需要修改任务，盲目重试没有意义；远端状态 unknown 先查询再决定；同一输入连续产生运动崩坏，应该升级为 plan_revision，而不是继续抽取随机种子。每类错误设置最大尝试次数和人工接管条件。
容量规划按任务类型而不是统一并发数。视频生成占远端额度，插帧和超分占 GPU，FFprobe 解析占 CPU，代理文件占网络与存储，审片占人工队列。某一阶段积压时，系统实施背压，暂停低优先级预览，保留已批准交付任务。无限制地接收新 Shot 只会拉长尾延迟，并产生更多过期候选。
预览与母版需要分级。早期审片可以使用低分辨率、低码率代理文件验证动作、连续性和剪辑节奏，画面通过后再生成或处理高质量版本。若模型的高低质量模式语义并不一致，预览只能用于构图参考，不能假设母版必然复制运动。系统在 capability 中标注 preview_fidelity，避免把廉价预览当作可靠预演。
成本账本按 shot_id 和 revision 聚合模型调用、失败尝试、GPU 分钟、存储、人工审片与修复分钟。被废弃的版本仍计入探索成本；因 Contract 变更导致的重做与模型自身失败分开统计。这样团队才能判断成本来自需求漂移、生成不稳定、质检误报还是后期流程，而不是笼统地认为"AI 视频太贵"。
预算门禁可以设置最大候选数、最大生成分钟、最大人工修复时长和最高单位有效秒成本。达到预算时，系统返回已有候选、失败分布和可选动作：降低动作复杂度、缩短镜头、改用合成、调整剪辑或申请追加预算。自动继续生成通常是最不透明的选择，也最容易形成沉没成本。
缓存只复用确定性相同的结果。输入哈希、Contract revision、模型版本和完整参数一致时，可以复用远端结果；随机探索即使参数相同，也可能有意需要新候选，必须显式声明 cache_policy。规范化、代理转码和质检在工具版本相同时可以稳定缓存，减少重复计算。
九、交付不是一个 MP4：母版、代理、清单与不适用边界
一个可维护的视频项目不能只交付 final.mp4。最小交付包应包含母版视频、平台分发版本、音频分轨、字幕、封面或关键帧、Shot Manifest、字体与许可说明、第三方素材清单、自动质检报告和人工批准记录。项目是否需要源锚点、模型参数和中间资产，则由合同、保密与复现要求决定。
Master Manifest 记录成片哈希、总时长、起始时间码、帧率、分辨率、色彩与音频规格、每个 Shot 的帧范围和来源资产。剪辑点变化后重新生成 Manifest，不能手工维护两份互相矛盾的表格。任何分发版本都指向同一母版 revision，并保存裁切、字幕、安全区和码率变换。
交付前做一次从空环境开始的重建演练。系统读取冻结的 Manifest，验证所有素材存在、哈希匹配、工具版本可用、时间线可解析，并输出与批准母版一致的技术结果。生成模型不一定能重现相同像素，因此已批准的原始生成资产必须归档；可重建的是后处理和封装流程，不应虚假承诺随机生成本身完全确定。
版权和授权信息与资产血缘一起保存。角色参考、音乐、声音、字体、Logo 和客户素材分别记录来源、用途、地域、期限和是否允许进入模型。模型服务的输入保留与训练政策需要按实际合同核验，不能从"接口兼容"推断。授权到期时，媒资系统能够定位受影响的镜头与分发版本。
并非所有视频都适合生成式流水线。产品结构必须完全准确、医学或法律信息不能形变、人物肖像授权有限、动作需要严格物理可控、长镜头必须多次修改，或项目要求逐帧可复现时，实拍、三维动画、动作捕捉和传统合成通常更可靠。生成模型可以参与概念预演和背景探索，但不必承担最终画面。
小型一次性内容也未必需要完整平台。只有两三个镜头、没有长期复用、失败代价很低时，人工文件管理加一份清晰 Shot 表可能已经足够。引入任务图、内容寻址存储和多层质检会增加学习与维护成本。工程化程度应随镜头数量、版本频率、团队规模和交付风险增长。
停止条件必须在开工前写清楚：角色身份连续多轮无法达标、产品结构反复变形、单位有效秒成本超过预算、人工修复时间接近传统制作、授权无法确认、模型输出无法满足技术规格，或者关键镜头缺乏可靠控制时，及时切换制作方式。继续抽取候选不是技术坚持，而是延迟面对方案不适配。
团队职责也要清楚。导演或内容负责人批准叙事与表演，美术维护角色和场景资产，技术导演维护 Contract 与连续性规则，声音团队维护 Cue 和混音，平台团队维护调度与存储，质检人员维护检测器与交付 Profile，法务或版权负责人确认授权。模型没有批准权，也不承担最终发布责任。
模型升级先从 Continuity Probe 和历史镜头回放开始。比较首个可用候选率、身份漂移、运动异常、端点匹配、声画同步、人工修复时间和单位有效秒成本。新版本画面更锐利，如果连续性更差或无法读取旧锚点，未必值得迁移。迁移结论应来自同一 Contract 下的对照数据。
AI 视频真正成熟的标志，不是能生成更长、更炫的片段，而是镜头状态能够被描述，失败能够被定位，返工能够限制在局部，声音和画面共享时间轴，交付文件能够被验证。当模型只是流水线中的一个可替换工位，团队才不会把项目成败押在一次随机输出上。
单帧负责吸引目光，时间关系负责让观众相信它是一段完整叙事。Shot Contract 固定镜头接口，Continuity Ledger 维护跨镜头事实，自动质检筛选高风险片段，人工审片决定创作意图，确定性媒体工具保证技术交付。把这些环节连起来，AI 视频才从"会动的图片"变成真正能够修改、复盘和长期维护的数字资产。