AI 视频里最先被看穿的,为什么总是那双手
一条 AI 生成的短片,人物走过来、说话、坐下,整体看没什么问题。可只要画面停在手上两秒,观感立刻垮下去:手指像面条,关节朝向不对,握住杯子的一瞬间没有受力感。
这不是偶然。手部是生成视频里最容易暴露缺陷的部位,也是最容易被制作方忽略的部位。理解它为什么容易崩、崩在哪几类、以及生成端和后期分别能做什么,比反复重生成同一条描述有用得多。
看片的人,注意力落在三个地方
制作方看片,看的是整体:运镜是否连贯、转场是否干净、调色是否统一。观众看片完全是另一种模式——他们不评估,只注视。
注意力通常集中在三个位置。第一是脸,尤其是眼睛和嘴,因为人天生对表情敏感;第二是手,因为手在做动作,动作吸引视线;第三是画面里的文字,哪怕只是背景中模糊的包装标签,也会被下意识读取。
这三个位置恰好是生成模型最不擅长的区域。人脸容易僵硬,手部结构容易错乱,画面中的文字则容易变成似是而非的符号。于是形成一个结构性矛盾:观众最关注的地方,正是生成最薄弱的地方。
手是最先失守的部位
手部之所以难,根源在于约束太多。五根手指、多个关节、复杂的遮挡关系,还要与物体发生接触——每一层都在增加出错概率。相比之下,背景可以虚化,人脸有大面积单一面部特征可以掩盖,唯独手部无处躲藏。
常见的缺陷可以归成四类:
- 数量与关节错了。手指数量看着对,但关节朝反方向折,视觉上像扭伤。
- 接触没有受力。手扶在桌面或握住物体时,边缘是贴上去的,看不到压痕与阴影变化。
- 动作循环生硬。同一个动作被反复播放,手腕的位移和手指的弯曲不同步。
- 连接处模糊。手腕与前臂的交界在运动中发虚、变形,一动就散。
四类之中,前两类还能通过调整描述或更换构图绕开,第三类可以通过缩短镜头缓解,第四类通常意味着这段素材不可用。
| 缺陷类型 | 能否靠重生成改善 | 处理方向 |
|---|---|---|
| 关节朝向错误 | 多数可以 | 明确手部动作与朝向 |
| 接触无受力感 | 部分可以 | 改为不接触的构图 |
| 动作循环生硬 | 较难 | 缩短镜头,只保留静止段 |
| 连接处模糊 | 基本不行 | 换景别或弃用 |
口型、字幕与接触面:另外三处高频缺陷
手之外,还有三个位置需要重点检查。
口型不同步是观众最容易察觉的问题之一。语音与唇形只要错开极小的时间差,人就会觉得“配音很假”。判断方法很简单:把画面放大到只露出嘴部,逐字对一遍,肉眼能看出的错位就已经超出可接受范围。
画面文字是第二处。生成结果里的文字往往有笔画缺失、字符错位,远看像文字,近看不成词。凡是需要出现文字的地方,最稳妥的做法是后期叠加,不要指望生成。
接触面是第三处,包括脚与地面、物体与桌面、衣物与身体。缺少接触阴影时,物体会显得“飘”在画面上,这种悬浮感会破坏整段镜头的可信度。
生成阶段能规避的部分
很多缺陷可以在写描述时提前规避,代价是牺牲一点自由度。
第一,减少手部特写。需要表达“人在操作”时,可以用中景、侧后方视角、或者让手部在画面边缘之外,观众依然能理解动作。
第二,避免复杂接触。让人物拿杯子、按按钮、系扣子,都属于高风险动作;改成递接的瞬间、手部入画即出画,成功率明显提高。
第三,控制动作幅度。大幅度的抬手、转身、弯腰会让关节和连接处同时承压,静态或微动镜头更稳。
第四,明确景别与光线。描述里写清景别与光源方向,能减少模型自行发挥带来的不确定性。
后期与交付阶段的补救
已经生成出来的素材,处理方式取决于缺陷位置。
手部有问题的镜头,优先考虑换景别:把特写改成中景,或改为空镜加局部特写。其次是缩短时长,只保留动作最稳定的部分,用切换节奏掩盖问题。最后才是局部修复,这一项成本最高,通常只在关键镜头上做。
口型不对的镜头,可以采用不露嘴的机位,或让说话者在画面外,用环境音与旁白承接。字幕不对的,一律后期叠加。悬浮感明显的,补一层接触阴影即可显著改善。
什么时候该改,什么时候该绕
判断标准只有一条:这一处会不会让观众停下观看。
如果这段镜头承载卖点、是观众反复注视的地方,必须改。改不动就换表达方式,用不露手的方式讲同一件事。
如果它只是过渡镜头,画面停留极短,观众来不及辨认细节,就不必投入时间。把省下的时间用在开场几秒和关键特写上,收益更高。
交付前值得专门做一次逐帧检查:把片子放慢,只找最难看的地方,记录时间码,再按上面这条标准过一遍。多数项目在这样一轮之后,工作量能砍掉一半,留下的都是真正需要处理的缺陷。