动态漫按镜头选模型,实测省下六成
作者按静态、对话和动作镜头的需求分配模型档位与分辨率,并根据上游账单报告成本下降 64%。测试由提供该网关的团队完成。
AI 深度解读
一集动态漫画十来个分镜,有静止画面、对白,也有复杂动作。如果每个镜头都用旗舰模型跑 1080p,单镜头的价差乘上整季几百个镜头,就会变成一笔可观的开销。Adzuki AI 的运营者做了三镜头实测,提出按镜头挑 Seedance 档位,原文标题给出的降本幅度是 64%。
做视频生成管线的前端和全栈可以直接借鉴它的路由顺序,以及怎么把模型选择接到日志和账单上。至于 64% 能不能复现,还得看你的镜头构成,以及便宜档位生成的片段有多少能直接用。
先看镜头需要什么,再挑 Seedance 档位
静止或待机镜头对动作的要求通常较低,复杂动作镜头则更考验模型。作者用一集 12 个镜头来估算,组合是 4 个静止、6 个对白、2 个动作。前两类就占了 10 个,所以整集能省多少,主要取决于这些镜头里有多少可以用更便宜的档位。换成动作密集的一集,能降档的镜头就可能少得多。
这里比较的是同一个 Seedance 模型家族里的不同档位。常见视频聚合网关解决的是参数统一、同一模型走哪家供应商更便宜的问题。作者这套逻辑要回答的是,眼前这个镜头需要用到哪一档。
大部分镜头查规则表就能定档
路由按三步走。客户端显式指定了模型、分辨率或时长,网关就照用对应字段。需要自动定档时,先查提示词里的关键词。静止、待机类词把镜头路由到低档,复杂动作词把它送到高档,这一步没有额外的模型调用费用。规则拿不准时,才让小模型给镜头分类。
网关还把选中的模型写进响应头和日志。这样,一条生成任务回来之后,客户端可以查到实际用了哪档,再和规则命中情况、账单一起核对。作者还提出,可以把各客户的镜头分类和手动覆盖记录下来,日后用客户自己的样本训练小模型。这是后续设想,本次实测只覆盖了当前的路由做法。
三镜头实测核对了账单
作者在 2026-11-17 通过线上网关实际生成了 3 个代表性镜头,并在视频返回后用上游计费 API 读取实扣金额。实扣和标价的偏差在 1% 以内。原文把同样三个镜头按「全走旗舰 1080p」和「逐镜头路由」比较,再按 12 镜头的组合外推整集成本。给出的正文没有列出逐镜头金额,也没交代标题里的 64% 对应哪组计算,读者无法据此复算。
实测还暴露了两个集成细节。第一,在这个网关上,请求顶层的 resolution 会被静默忽略,分辨率回退到 720p。分辨率要放在 metadata 里,排查时应以成片的实际尺寸为准。第二,一条带「古装剑客」描述的对白提示词触发了 OutputVideoSensitiveContentDetected.PolicyViolation,换成中性提示词后通过。作者猜测与版权相关的过滤规则有关,原文没有确认触发原因。
我的判断
规则优先的设计适合先跑起来。比起每个镜头都交给小模型分类,明确的关键词规则少一次模型调用,也更方便排查某次选档。它的局限在于关键词和镜头难度并不总是一一对应。同样是对白,如果还要求复杂走位或镜头运动,仅凭对白标签就选低档,可能把省下的费用花在重试上。
作者是被测网关的运营者,三笔实扣记录可以说明这三次调用的计费情况。至于作者所说的「画质不变」,给出的正文没有提供盲评、返工率或规模化对照数据,目前只能当作经验判断。跟全量跑旗舰相比,逐镜头路由是否划算,更适合用每个验收通过镜头的总成本来比较,把失败和重试也算进去。
能拿来做什么
- 在 Node 的视频生成服务里,把每个镜头的模型、分辨率和时长做成可覆盖字段。默认先跑关键词规则,遇到难定档的提示词才调用小模型。
- 对接
/v1/video/generations时,给metadata.resolution做一次集成验证。用实际返回的视频核对尺寸,再从响应头记录选中的模型。 - 从现有分镜里挑静止、对白和动作样本,用同一批提示词分别走旗舰 1080p 和逐镜头路由。记录实扣、重试次数和验收结果,再算每个可交付镜头的成本。