“让 AI 帮我拍几条商品视频”——这句话在今年的投放团队里出现的频率，大概和 2023 年的”让 AI 帮我画张海报”一样。但真到投放验收那天，多数人会发现：AI 生成的不是视频，是素材草案。我们团队为了赶 Q4 的站外引流，把五家主流的视频生成模型各跑了一批 5 秒商品片，最后能直接过审上架的，一百八十条里只有十九条。
这篇是那段时间的账：可灵 2.1、Runway Gen-4、Veo 3、Sora 2 与即梦，各自 5 秒 1080p 的生成质量、一致性、成本与真实投放可用率。结论先说：当前视频生成的分水岭不在画质，在文字渲染、跨镜头一致性和你能不能用一条脚本把它串成能投放的完整素材。
一、验收标准先行：什么叫”能用的电商片”
视频生成评测最容易自欺欺人——自己生成的片段自己看，越看越顺眼。我们的做法是把投放端的验收线搬过来当测试指标，一条一条卡，不卡不准上线：
- 商品外观无变形：同一个 SKU 在镜头里 Logo 位置、比例、配色不能漂移，包装边缘不能融化。
- 无中文乱码：包装、吊牌、价格签上的中文不能出现”假字”。这一条是硬门槛，乱码素材上架要被平台打回。
- 1080p 放大可用：投放位会裁切放大，主体边缘不能出现锯齿和橡皮感。
- 运动无闪烁：位移、旋转、镜头推拉过程中主体不能出现呼吸式抖动与亮度跳变。
- 可商用授权：输出权属与训练数据来源能写成一句可交给法务的话，说不清的不用。
测试集 180 条 prompt，覆盖我们真实的五类场景：口播讲解、商品旋转展示、使用场景演示、开箱、前后对比。每个模型每个场景 36 条，全部用同一段参考图（同一 SKU 的官方白底图）做首帧，目的是把”参考图保真度”这个变量单独拎出来——这也是电商场景和纯文生视频最大的区别：我们不缺创意，我们缺保真。
所有生成都在各家的标准队列上完成，不加速、不插队。判定由三名投放运营背靠背打分，两人以上判不通过即失败，不让生成的人自己验收自己生成的。
二、五个模型的通过率、成本与速度
| 模型 / 档位 | 中文乱码出现率 | 参考图保真度 | 运动稳定性 | 综合可用率 | 单条 5s 成本 | 排队等待 |
|---|---|---|---|---|---|---|
| 可灵 2.1（图生视频） | 3.1% | 83.4 | 78.9 | 15.3% | 约 1.4 元 | 40–90s |
| Sora 2 | 5.6% | 76.1 | 81.2 | 13.9% | 约 3.1 元 | 1–3min |
| Veo 3 | 2.8% | 74.5 | 80.6 | 11.1% | 约 6.8 元 | 30–80s |
| Runway Gen-4 | 4.2% | 71.8 | 76.4 | 8.3% | 约 5.0 元 | 1–2min |
| 即梦（图生视频） | 6.9% | 68.2 | 72.1 | 3.6% | 约 0.5 元 | 20–60s |
四个结论：
1. 中文包装文字是硬分水岭，且和模型”聪不聪明”关系不大。Veo 3 的乱码率最低（2.8%），但它单价是即梦的十三倍。如果你的素材要出境、要投英文环境，Veo 3 和 Sora 2 的文字优势能直接兑现；如果你的主战场是国内电商货架，这一条优势用不上。我们把五家的失败样本逐帧看过，乱字几乎全集中在”包装上的小号中文字”，主标题大字反而多数能对——因为模型是靠统计规律猜字形，不是靠识别。
2. 参考图保真度才决定可用率，不是画质分。五家都能输出 1080p，看着都”挺高级”，但把同一张白底图喂进去，可灵 2.1 能把 Logo 位置、比例保持在 83 分以上，即梦只有 68。商品片的可用率差异，八成来自这里。画质再好，商品变形就是废片——用户会以为你在卖假货。
3. 5 秒是当前最舒服的时长，8 秒以上事故率陡增。我们单独试了 10 秒档：运动稳定性平均掉 12–17 分，闪烁、穿模、主体漂移集中出现在后 3 秒。现在别让模型拍长镜头，拍碎片，靠剪辑拼。
4. 队列等待是被低估的成本。要改三版包装字、每版等两分钟，一条素材的返工成本就超过一条真人实拍的成本。视频生成现在贵在迭代次数，不在单条价格。我们后来把批次从”一次生成 36 条挑一条”改成”一次 6 条、多批次”，返工时间砍掉六成。
三、工作流账：模型只占难题的三分之一
把 19 条可用片段拼成能投放的完整素材，真实人力开销是这样的：
| 环节 | 单条素材耗时 | 由谁做 | 备注 |
|---|---|---|---|
| prompt 与参考图准备 | 25–40 min | 投放运营 | 含白底图裁切、镜头脚本撰写 |
| 生成与筛选 | 45 min | 投放运营 | 6–36 条批次，逐步收窄 |
| 包装字后期修正 | 20 min | 设计 | 用 AE 重贴正确中文，替代模型猜字 |
| 配音与字幕 | 30 min | 投放运营 | TTS + 校对，禁用模型自带音画虎头蛇尾 |
| 投放位裁切适配 | 15 min | 设计 | 9:16 / 1:1 / 16:9 三版安全区 |
两个关键动作值得单独说：
第一，包装字一律后期贴，不让模型猜。这是我们把可用率从 8% 拉到 15% 的最大单一改动。生成的画面里，凡是涉及文字的区域，我们会在 prompt 里明确要求”包装为纯色无印刷字”，然后由设计在 AE 里贴真实 Logo 与规格。你把模型不擅长的事从它的任务里删掉，它的可用率立刻翻倍。
第二，声音和画面分开生成。五家里没有一家的原生配音能直接用在口播里——要么虎头蛇尾，要么中英混杂，要么重音位置错。画面归模型，声音归 TTS，剪辑归人。
四、落地建议：四条能直接抄的规则
- 白底图当首帧，是电商场景的最优起点。纯文生视频的商品一致性完全不可控；用官方白底图锚定主体，再让模型演”场景”而不是演”商品”。
- 一次批量小、批次多。36 条一批看着效率高，实际是拿返工时间换的。6 条一批、人工逐批校准，总耗时反而短。
- 先小语种和出海场景再上可用性。国内货架视频要过中文小字这一关，出海素材没有这道门槛，Veo 3 和 Sora 2 的可用率会更高一个档。
- 算总账时不比单条价比”每条可用素材先生成成本”。即梦便宜八倍，但它 26 条废片换 1 条可用，含人力的真实成本反超可灵。
总结
这批 180 条素材换来的结论可以压成三句话：视频生成目前的真实定位是”草稿机”，不是”成片机”；中文小字和跨镜头一致性是两道没过去的坎；5 秒碎片加剪辑拼装，是现在唯一稳定的生产路径。
更重要的认知是：不要用”生成的质量”评估模型，要用”单位可用素材的总成本”评估。后者把排队、返工、后期修正全部计入，才是投放团队真正要付的账。按这个口径，可灵 2.1 在国内场景下目前最均衡，出海场景 Veo 3 的文字优势值那六倍单价——但两家都还没到能替掉实拍团队的程度。
最后一个判断：视频模型的突破点会先在”可控性”而不是”画质”出现——首帧锚定、轨迹控制、局部重绘这三件事做好，可用率能从 10% 直接跳到一个数量级以上。在那之前，把它当一个”很贵的分镜预览工具”来规划预算，不会错。
互动提问：你们现在做商品视频，是让模型直接生成配音成片，还是已经走到”画面归模型、文字和声音归后期”这一步了？卡在哪个环节最多？
互动提问：按”每条可用素材的总成本”去算，你们那边 AI 视频当前比实拍便宜多少，还是反而更贵？欢迎在评论里贴一下你们的账。
— IMAI 编辑部 | 2026-10-29