AI视频，似乎卡在了“帅不过5秒”的瓶颈上。
尽管Sora 2、Veo 3等视频模型“神仙打架”，技术迭代快到让人直呼“炸裂”。但市面上出现的爆款，大多是5到10秒的猎奇短视频，或是大量毫无关联的抽象片段组成的“整活”内容。
一旦试图用AI讲一个有逻辑、有剧情的长故事，就难免会遭遇人物长相变来变去、剧情前后矛盾、动作鬼畜等“恐怖谷”时刻。
在“短片易得、长片难产”的当下，制作超过5分钟的AI长视频变成了一种新挑战。
这样的技术背景下，画爷爷AI工作室硬是用AI“磨”出了动画《一掌熊猫》。
这是国内首部时长42分钟的原创AI动画长片，全片由生数科技的多模态大模型Vidu进行制作，不仅拥有完整的世界观、复杂的人物对白，甚至包含大量激烈的打斗场面。
整个制作团队仅有10人，在短短一个月内，用AI完成了从剧本拆解、2600多个分镜生成以及后期剪辑的全部工作。
值得注意的是，除了传统的编导和剪辑外，团队还专门有一人负责智能体（Bot）设计，专门解决将剧本转化为AI指令的难题。
带着对幕后创作细节的好奇，我们和主创团队进行了一次深度对话，试图拆解背后的制作流程。
如果你也想尝试更长、更有叙事逻辑的AI视频创作，希望这份“实战复盘”能给你一些启发。
耗时28天、用2600多个AIGC镜头，打造中国版《机器人总动员》
《一掌熊猫》的故事并不复杂：在AI高度发达的未来，一位被判定为“失败情绪体”的实验品熊猫侠，在废区中因与小女孩的相遇，重新觉醒自我意识，最终成为拥有“人性”的守护者。
在画爷爷AI工作室负责人秦文山看来，当下大多数人会探讨人类与AI如何共处，但这次他们做了一个假设：如果AI真的拥有了情感，甚至比人类更像“人”，会发生什么？
《一掌熊猫》截图
这种孤独机械体和纯真生命相遇的故事设定，以及试图探究AI是否拥有情感的内核，让团队立志将其制作成一部中国版的《机器人总动员》。
为了承载这一主题，秦文山特意选了“熊猫”作为核心形象，这不仅源于他此前在“熊猫”这一IP上的成功经验，更因为其形象本身具有一种“柔中带刚”的特质。
画爷爷AI工作室此前制作的动物拟人化视频
但想在这个42分钟的故事里，让这只熊猫历经2600多个分镜还“不走样”，对于这个小团队来说，几乎是一个不可能完成的任务。
秦文山透露：“现在团队10个人，基本上都是跨行进来的。” 成员背景复杂，有的来自传统影视行业，有的则是游戏美术出身，甚至还有完全跨行的创作者。
面对庞大的工作量与非专业动画出身的团队配置，传统手绘或3D建模的模式显然行不通，他们打算将整个工作流都交给AI。
为了跑通这一流程，团队成员山雨在前期做了大量准备工作，其中的核心就包括设计定制化的智能体（Bot）。
虽然市面上已有大量通用的智能体，但它们难以深入理解特定剧本的主线与人物逻辑。
而定制化的Bot不仅能够自动拆解拍摄场次、设计提示词，还能根据特定剧本的需求进行针对性优化。
山雨举例称，他们设计的“脚本Bot”首先能全面理解剧本主线，将其拆解为具体场景。随后，它会进一步拆分出详细的镜头参数，明确每一段剧情涉及的角色、景别构图以及拍摄角度。
除此之外，他们还针对此次使用到的视频模型Vidu Q2，设计了一个“Q2多参Bot”。
前段时间，生数科技Vidu Q2模型正式上线，支持参考生视频。去年，Vidu首发了参考生视频功能，特点在于生成的视频能始终保持角色、场景一致。此次该功能的升级也消除了团队成员对于AI动画长片中对视频一致性的担忧。
这一Bot就深度适配了Vidu Q2的模型特性，了解其“参考生视频”功能对素材数量和指令结构的要求。它能将前一步生成的各种分镜，自动转换为Vidu Q2能够识别的结构化提示词。
“我们多了设计Bot这一环节，目的是不至于每一个提示词都去手打，这是一个提效的过程。” 山雨说道。
这些Bot就像是专门开发的特定产品，让创作者的灵光乍现能被AI快速复现。
如果说Bot设计解决了故事“怎么说”的问题，那么Vidu Q2的参考生视频功能则帮团队解决了“怎么做”的问题。
秦文山提到，在以往的AI流程中，他们的制作极为繁琐。“我们需要先生成分镜脚本，再为每一个分镜单独生成图片（文生图/图生图），还会用到PS反复修图来保证构图准确。本质上还是个‘手艺活’，一个镜头耗时两三个小时是常态。”
而Vidu的参考生视频功能则有别于繁琐的制作工作流，从参考图到视频生成只需要一步，省去了大部分分镜制作的环节，效率得到了一定提升。
为了适配AI视频工具的特性，摆脱这种“单张抽卡”的低效模式，团队搭建了多个“主体库”。（类似于传统的演员库、道具库、服装库、场景库等）
图为《一掌熊猫》团队建立的Vidu主体库
“我们不再盯着每一个分镜去死磕，而是把精力前置，集中制作好角色图、道具图、场景图和特效图，形成不同的主体库。”
秦文山介绍，这样在制作过程中，只需将这些已经定好型的人物、场景“喂”给Vidu，利用其参考生视频功能在角色、道具、场景等方面保持一致性的能力，就能批量生成不同景别、不同动态的连贯画面。
Vidu Q2参考生视频功能
这不仅保证了熊猫侠在42分钟里始终长得一样，更带来了极大的效率提升。秦文山粗略计算过，这套流程将原本的分镜制作环节压缩了50%以上，原来需要20天的工作量缩短至了7天。
6分钟打斗戏耗时3天，AI长视频真正难点在哪？
在提效之余，《一掌熊猫》团队必须花更多时间，去解决那些AI无法一键生成的“硬骨头”。
《一掌熊猫》想要打造“中国版《机器人总动员》”，团队还设想过像原片那样，开篇用一段纯粹的默片，仅靠角色的肢体语言和表情来交代世界观。
但实测发现，这其实是目前AI的短板。
“《机器人总动员》里瓦力（WALL-E）的一个眼神就能传达千言万语，但现在的AI很难做到如此细腻的微表情管理。” 秦文山坦言。
目前的AI视频模型虽然能生成逼真的画面，但在传达复杂情感和潜台词时，依然还有差距。
团队最后选择了增加对白密度，通过角色之间的密集对话来推动剧情，这可能也是目前AI长片更务实、更聪明的“技术妥协”方式。
通过字幕、旁白的形式交代背景世界观
因此，在成片中，观众会听到部分旁白与对话，这不仅是为了填补画面的信息空白，更是为了用声音的情绪去掩盖画面表演力的不足。
除了情绪表达这个“坎”之外，AI的动作逻辑同样是另一难点。
片中有一场长达6分钟的打斗戏，动作密集，涉及了多人交互和场景变化。
负责美术和动作设计的纸墨透露：“6分钟大概做了两三天。” 相比传统动画，这已经是极高的效率，但对于AI创作者而言，背后是对动作的精细拆解。
“你不能指望AI一次性跑出一段完美的打斗。”纸墨直言。对于简单的走路镜头，可以一键生成，但对于复杂的打斗，“提示词必须经过设计，因为它有动作逻辑在里面。”
纸墨的做法是，先在脑海中构建一个像小说一样流畅的动作脚本，明确两人处于什么状态、下一招怎么出。然后将这些连贯动作，拆解成一个个极短的瞬间。虽然Vidu模型支持生成最长8秒的视频，但在处理高难度动作时，团队往往只取其中的3秒甚至更短时间，再将它们拼接到一起。
为了进一步解决动作衔接的生硬感，团队还用到了首尾帧功能。Vidu允许创作者在1至8秒等时长中自由切换。
对于动幅较小的过渡动作，团队会选择短时长（如2秒）进行生成，这有效避免了因生成时间过长而导致动作被强行“拉伸”或变得拖沓，确保每一个动作都干脆利落。
这种对几秒钟画面的细致掌控，实际上非常考验创作者本身具备的分镜导演能力。
而搞定镜头之间的衔接，也并不等于就能制作好一部AI电影。AI长片的难点不仅仅是时长的累加，更是要靠画面把故事讲完整。这种画面追求的不再是短片式的瞬间“视觉冲击”，而是更连贯、有前后呼应的叙事。
在42分钟的时长里，比“画面流畅”更难的，是故事的“逻辑通顺”。
“做短片和做长片的逻辑完全不同。”秦文山向我们感慨，“短片可以只求5分钟的视觉连贯，但长片要求第30分钟的剧情必须呼应第5分钟的伏笔。”
在传统动画工业中，往往遵循“剧本-分镜-制作”的线性流程，一旦进入制作环节，剧本内容几乎不会进行大改。但AI彻底打破了这种线性流程，而是一种全新的“剪辑和制作并行”的模式。
负责后期剪辑的“AI智帧局”感触颇深：“片子做到第30分钟时，突然发现这个高潮点稍显突兀，必须回到第10分钟去铺垫一个镜头。”
这意味着，非线性的工作流虽然灵活，但也因为“边做边改”，更容易暴露出故事叙述逻辑的断裂。这就需要团队后期补拍修正镜头，调整剧情节奏，来保持前后设定的一致性。
在他们看来，真正的长视频，必须拥有完整的叙事逻辑、严谨的世界观架构以及经得起推敲的故事耐看性。如果把2600个镜头拼在一起，却讲不通一个故事，那它依然只是2600个短视频的集合，而不是一部电影。
《一掌熊猫》等AI长片的出现，或许也代表着AI视频正在从“整活”走向“严肃创作”。
秦文山提到：“现在自媒体上同质化内容非常多，那种流量是不值钱的。只有把内容讲好，才是不能被复制的。”
目前，《一掌熊猫》第二部已在筹备中。这一次，团队的目标不仅仅是验证技术，而是试图用更长的时间、更宏大的世界观，去对标院线级电影的标准。
本文由公众号“AI新榜”授权转载｜ https://mp.weixin.qq.com/s/Kx5QgbIb_Ta9QqA1tOe1-w ｜（编辑：ZN）
⬆ 扫码加入AI产品交流社群，你有机会得到：
- 最值得关注的AI产品；
- 最新鲜的 AI 产品资讯；最实用的AI产品使用经验；
- 还有不定期赠送热门新品的邀请码、会员码。