AI 影片一長就穿幫：Google 替它找來一整組劇組

一支將近十分鐘的 AI 短片，男女主角從密室開會、參加晚宴、破牆偷東西，一路演到坐上私人飛機，從頭到尾看得出是同一對人，同一場戲裡的衣服也沒有走樣。Google Research 在 9 月 24 日公開這支《The Great Museum Heist》，背後是四個分工合作的 AI 系統。

聽起來理所當然，但對現在的 AI 影片來說，這正是最難的一件事。

這篇拆三件事：AI 影片為什麼一長就穿幫、Google 怎麼替它找來一整組劇組、還有這組劇組其實還沒一起開工過。

AI 影片為什麼一長就穿幫？

想像你在拍一部電影。演員上午拍完走進門的鏡頭，下午補拍門後的鏡頭，袖子捲的高度不一樣，觀眾一眼就看出來。這叫穿幫。片場有個人專門盯這件事，叫場記，他會記下每個鏡頭裡誰穿什麼、杯子放在哪。

AI 影片沒有場記。現在的影片模型一次能生成的長度有限，invideo 在 8 月整理的數字是主流模型單次大約 8 到 30 秒。要做幾分鐘的片，只能一段一段生成再接起來，而每一段都是重新畫的，不記得上一段的角色有沒有戴帽子。

Google 在文章裡放了一組對照。同一段博物館竊案的分鏡，交給另一套多代理人框架 AutoStudio，一個角色的帽子在下一個鏡頭突然不見；直接用 Gemini-3.1-Pro 生成，被偷的展品在不同鏡頭長得不一樣，展廳格局也跑掉了。

Google 把這類問題分成兩種。一種是慢慢走樣，衣服和場景每接一段就偏一點。另一種是連鎖失誤，上游一張參考圖有瑕疵，後面的影片全部跟著壞，事後還很難查出是哪一步出的錯。

AI video co-director 是什麼？

AI video co-director 是 Google Research 做的一組 AI 代理人，疊在 Gemini 和 Veo 上面，把一支長片的工作拆成導演、場記、攝影、品管四種角色，各由一個框架負責。它是一層指揮系統，管的是怎麼使喚底下的模型。

導演：Co-Director 決定怎麼拍

它的核心是一個叫「多臂老虎機」的方法。名字來自賭場：你面前有好幾台吃角子老虎機，每台的中獎率不一樣，你要一邊試試沒玩過的，一邊多拉手氣好的那台。

Co-Director 的老虎機是拍法。每一輪它挑一種組合，決定用什麼創意策略、什麼敘事方式、什麼美學風格，交給底下的前製、製作、剪輯代理人去拍，再請一個看得懂影片的模型當評審打分數。分數回傳，下一輪換個拍法再試。

Loading diagram...

成績要看清楚比的是誰。在 Google 自己做的廣告測試集 GenAD-Bench 上（400 個虛構產品的廣告情境），Co-Director 拿 81.4 分，比只跑一輪、不做優化的自家版本 68.5 分高 18.8%。外部模型在同一份測試裡的分數，專案頁也列了：直接用 Veo 3.1 生成是 63.6，Kling 3.0 Omni 是 58.4。

GenAD-Bench 自動評分（滿分 100，數字來自 Co-Director 專案頁）

真人評分也是同一個方向。每支影片由 5 個人打 1 到 5 分，Co-Director 平均 3.96，Veo 3.1 是 3.71。

場記：CANVAS 記住每個角色穿什麼

CANVAS 就是那個場記。它替故事裡的每個角色、每個地點、每個道具建一份檔案，場景再出現時先翻檔案，照原本的樣子畫。

在 Google 的測試裡，它比表現最好的對手在背景連續性上提升 21.6%，角色一致性提升 9.6%，道具一致性提升 7.6%。回到那段竊案分鏡，CANVAS 版本的展品從頭到尾同一個樣子，展廳的格局也對得上。

攝影：A²RD 一段一段接著拍

A²RD 負責把畫面真正拍成長片。它像一個寫連載小說的作者，每寫新的一章之前，先翻一遍前面的角色設定和劇情。

具體做法是一段一段生成，旁邊擺一份影片記憶，記著每一段出現過什麼。每一段開拍前，它先判斷這段要做什麼：劇情要往前走，就往前延伸出新畫面；舊角色或舊場景要回來，就對齊記憶裡原本的樣子。

那支 9 分 37 秒的竊案短片就是 A²RD 的示範。論文在 1 到 10 分鐘的測試裡，一致性比最好的同類方法高最多 30%，敘事連貫高最多 20%。

品管：VQQA 自己出考題

VQQA 是品管。影片生成完，它針對這段要求出一組考題，例如「拉小提琴的還是同一個人嗎」「這顆方形氣球看起來像氣球嗎」，再讓一個看得懂影片的模型作答。

答錯的地方會變成一段文字回饋，拿去改寫提示詞，重新生成。它不動畫面上的任何一個像素，只改寫給影片模型的那段文字。最後它回頭比較每一輪的版本，挑最貼近原始要求的那支，免得越改越偏。

Google 的例子很好懂。原本的生成裡，鋼琴家和小提琴手切鏡頭之後互換了樂器；VQQA 修過之後，兩個人一直守著自己的樂器。論文的成績是 T2V-CompBench 絕對分數提升 11.57%，VBench2 提升 8.43%。

但這組劇組還沒一起開工過

四個角色分工，聽起來像一條完整的產線。仔細看成績表會發現，四個框架是分開測的。官方表格是一個框架對一組測試，沒有任何一個實驗把四個串在一起跑。

幾個細節要一起記住。那支十分鐘的片只用了 A²RD。CANVAS 的成績是分鏡的連續性，它產出的是一格一格的靜態畫面，還不是影片。Co-Director 的測試題目是廣告。CANVAS 自己做的 HardContinuityBench，論文也承認規模不大。

另外，這些都還是論文，Google 沒有說什麼時候變成產品。它的做法本質上是多拍幾次、多檢查幾輪再挑最好的，每一支片要花的運算只會比直接生成多。

十秒的片比畫質，十分鐘的片比記性。

Google 押的方向很清楚，下一輪比的不是單一模型能畫出多漂亮的十秒，而是整套系統記不記得住自己拍過什麼。

現在做 AI 影片可以先學什麼？

這套系統還拿不到，但它的思路今天就能用。

寫一份場記表：開拍前把每個角色的長相、衣服、配件，每個場景的格局逐條寫下來。
固定參考圖：每一段都用同一張角色參考圖，不要每次重新描述。
每段出考題：生成完問自己幾個具體問題，例如主角還戴著帽子嗎、道具位置對不對，答不對就改提示詞重來。

這跟 OpenMontage 把 AI 助手變成一間影片公司是同一條路：模型負責拍，外面那一層負責記住和檢查。如果你想知道多個 AI 代理人之間怎麼排班、誰該等誰，可以接著看 Graph Engineering 是什麼。

利益揭露：以下是聯盟連結。

手上的工具方面，Kling 可以從一張圖加一句話生成影片，拿來練習「固定參考圖、每段檢查」這套流程剛好；站上之前也寫過 Kling AI 的完整介紹。

常見問題

AI 影片為什麼會角色不一致？

因為長影片是一段一段分開生成再接起來的，每一段都不知道上一段長什麼樣。invideo 在 2026 年 8 月整理，主流模型單次生成大約 8 到 30 秒，片子一長，衣服、道具、房間格局就容易對不上。

Google 的 AI video co-director 現在能用嗎？

還不能。它是 Google Research 發表的研究，四個框架都還是論文，官方沒有公布產品時程。它疊在 Gemini 和 Veo 上面，產出的畫面會帶 SynthID 浮水印。

Google 那支十分鐘的 AI 短片是怎麼做的？

那支《The Great Museum Heist》片長 9 分 37 秒，是四個框架裡的 A²RD 做的示範。它一段一段生成，每段先查影片記憶，要推進劇情就往前延伸，舊角色回來就對齊原本的樣子。

現在想做角色一致的 AI 影片，有什麼可以先學的？

先借它的思路。開拍前列一張角色與場景清單，每段都用同一張角色參考圖，生成完問自己幾個具體問題，例如主角還戴著帽子嗎，答不對就改提示詞重來。

AI 影片下一個門檻，是記住自己拍過什麼。Google 已經把導演、場記、攝影、品管各做出一個，還差把它們排進同一張班表。

如果你手上有一組記得住每個角色的 AI 劇組，第一支想拍的會是什麼？