上个月接的小活，三分钟MV，甲方预算低到离谱，要求整支控制在一百刀以下。跑完的结论是能做到，但钱基本都是在流程上省出来的，跟模型强不强关系不大。
先说钱烧在哪：视频生成那一层。大部分平台按秒计费，720p再来一轮返修，预算马上就绷紧了。所以下面每一步，其实都在围着“少生成、少返工”打转。
- 分层，各干各的。 文本模型写概念和分镜脚本，图像/视频扩散模型出画面，音乐模型做配乐，最后丢进剪辑软件拼起来。
- 分镜先写死。 二三十个镜头一次定下来，每个镜头的光影、情绪都写清楚。这步最磨人，但写得越细，后面返工越少，我这次返工次数差不多砍了一半。
- 静帧确认了再动。 先出静帧过一遍，没问题再拿去做动画。按秒计费的东西，错一次就是真金白银。
- 放大只给主镜头。 其余镜头不做放大，钱留给观众真会盯着看的那几个画面。
- 四秒顶八秒。 大部分镜头用四秒片段代替八秒，剪的时侯节奏一点不受影响。
回头看，卡脖子的从来不是模型够不够强，而是动手生成之前那份分镜够不够细。