你上传两张穿着普通衣服的情侣照,要求一个僵尸场景,回来之后外套变成了另一件外套。没有人要求它改。那它为什么改了?
模型看到的不是"外套"
它看到的是有统计结构的像素。从海量样本里它学到:具备这种纹理、这种褶皱模式、这种边缘行为的区域,通常被称为"外套"——但它没有"你的外套"这个概念,不知道这是一个有身份、要被保留的对象。
所以当它要渲染第 40 帧、而左肩的褶皱正好在阴影里看不清时,它必须做决定。这个决定在局部是合理的,在整体上和第 10 帧那件外套不一致。
为什么漂移会累积
每一帧都以之前几帧为条件。这意味着第 10 帧的错误变成了第 11 帧的证据,再变成第 12 帧的证据。小的重新解释会像长算式里的舍入误差一样叠加。
这就是为什么衣服漂移在片段结尾最明显、在开头几乎看不见,也是为什么十秒和三十秒是完全不同的两道题。
真正触发它的四件事
1. 衣服和背景的对比太低。 暗房间里一件黑毛衣是一条模糊的边,模型只能猜。猜就会变。
2. 图案和细节密度高。 条纹、格纹、logo、细针织。720p 下模型保不住的细节,会被简化成"附近的东西"。
3. 遮挡和运动。 身体一转、袖子横过躯干,模型就要发明后面是什么。它发明的很少能对上。
4. 宽松的布料。 飘的外套、过大的衬衫,给了模型更多自由度,而自由度就是漂移的住处。
它其实在优化什么
这一点能让它的行为不那么像 bug:模型在努力产出一段有说服力的视频,而不是一份忠实的记录。运动连贯、光照合理、帧间平滑,这些都得分。保留某件衣服的具体图案,除非专门训练过,否则完全不得分。
所以它会乐于重画一个翻领,只为让肩部旋转看起来更顺。
真正有用的做法
简化源照片里的衣着。 纯色、合身、没有 logo。这不是审美问题,是减少模型要做决定的次数。
改善光线。 两个人都是均匀的正面光,模糊区域就少,猜测就少。
选不需要全身运动的场景。 十秒里两个人坐着、探身、对视,需要模型保住的东西远少于走过一个房间。
接受这个交换。 一定程度的漂移是运动的代价。一个完全静止的镜头里一件完全稳定的外套,那就只是一张照片。
没用的做法
- 在提示词里反复写"同一件外套"。 文字约束相比输入帧里的视觉证据是很弱的信号,而且它扛不住一个转动的身体。
- 只提高分辨率。 它让漂移更锐利,不是更少。
- 做长一点、再剪掉好的部分。 等它看起来不对的时候,后面全都不对。
对情侣视频算问题吗
基本不算,而且值得说清为什么。观众是一个认识你的人,他在看脸和那个笑点。一件多了个领子的毛衣,远不如一张"换了主人"的脸明显。
真正有影响的情况:整条视频围绕一套特定服装——情侣万圣节套装、婚纱、一件本身就是全部的乐队 T 恤。如果衣服就是信息,生成会背叛你,真化妆加相机才是老实答案。
结构性的解法
锁场景。机位不动、身体不转、光均匀,衣服漂移就会降到接近零,因为模型几乎没有可推断的空间。
这就是这个产品用"十秒、固定机位、双人镜头"的原因。不是因为它保守,而是因为在这个配置下失败模式最小。
常见问题
AI 为什么改了我的衣服?
模型从像素推断衣着,而不是保留一个物体。模糊的褶皱、图案、暗光、身体转动都会逼它猜,而猜的结果逐帧不同。
能阻止它改吗?
减少成因:纯色、均匀光、合身衣物、少运动。无法完全消除,因为推断永远在发生。
脸也会这样吗?
脸漂得少,因为训练里权重更高、参考条件更强。手和衣服才是稳定的弱项。
片段越长越严重吗?
是。错误会成为后续帧的证据,漂移随时长累积。