做一个文生视频产品（类似海螺 AI 这类），从用户输入到成片的技术链路是什么？难在哪？

先这样答

用户输入一句话，成片要几十秒到几分钟，中间是一条多阶段流水线。第一步意图解析：把口语化描述规范化，补全风格、画幅、节奏这些生成参数，识别违禁内容。第二步分镜脚本：大模型把一句话扩展成镜头列表，每个镜头有自己的画面描述、时长和转场。第三步逐镜头生成：文本或首帧图驱动视频模型生成每个镜头的片段，单个镜头时长有限，长视频靠多镜头拼接。第四步后处理：转场衔接、配音配乐、字幕对齐。第五步质量审核：技术质检加内容安全审核，通过后交付。

工程难点有四个。镜头间一致性：主角的长相、服装、场景光照在不同镜头里要保持统一，靠参考图约束加生成参数锁定来缓解，完全解决还做不到。失败重试成本：视频生成单次几分钟、成本高，失败重试的预算要精细控制，先出低分辨率预览确认再出成片是常用的两级策略。时长与算力：生成时间和成本随时长超线性增长，产品上用免费短片段加付费长片的分层设计。内容安全：视频的违规检测要比图片多考虑动作和语境，先解帧成图片流过检测器，再对整体语境过一遍。

面试官会怎么追问

• 「镜头一致性具体怎么约束？」 生成首镜头后，把首帧或角色参考图作为后续镜头的条件输入，让模型在同一个外观约束下生成；脚本层把角色的外观描述固定成模板字段，每个镜头复用同一段描述。
• 「为什么先出预览再出成片？」 成片成本是预览的几十倍。预览阶段暴露用户意图理解偏差和明显崩坏，用户确认或调整后再花大算力，整体成本期望大幅下降。
• 「怎么度量生成质量？」 自动指标看帧间稳定性、文本与画面的语义一致性评分；人工抽检看专业维度的崩坏率（手部、面部、物理合理性）；业务上看用户重试率和成片采纳率。

回答的坑

• 把文生视频说成「一个模型直接出片」。生产链路是多阶段流水线，模型只是其中一环。
• 不算成本账。视频生成的单次成本和时长关系，是产品设计的核心约束。