灯光、摄像机、一致性：面向字符稳定 AI 视频故事的多阶段管线

生成具有一致性的长篇视频故事是当前文本到视频 AI 的重大挑战。我们提出了一种以导演方式处理视频生成的方法。我们的管线首先使用大型语言模型生成详细的制作脚本。该脚本指导文本到图像模型为每个角色创建一致的视觉元素，随后这些视觉锚点用于视频生成模型逐场景合成视频。我们的基线比较验证了这种多阶段分解的必要性；具体观察到，若移除视觉锚点机制，角色一致性分数将从 7.99 急剧下降至 0.55，确认视觉先验对身份保持至关重要。进一步，我们分析了当前模型在不同文化背景下的差异，揭示了在印度主题与西方主题生成中，主体一致性和动态程度存在显著偏差。