用AI生成一段视频可能只需几分钟，但要让它真正符合创作者要求，往往还得一遍遍尝试。在AI视频制作中，这种反复生成、筛选的过程被形象地称为“抽卡”。腾讯云WAND多模态应用负责人朱琳在采访中提到，按照行业经验，制作一部AI短漫剧，从分镜到成片，过程中可能需要大约十次生成尝试，才能得到一次满意效果。

这种落差揭示了当下AI创作的统一矛盾：生成速度越来越快，创作者却未必能同样快速获得想要的作品。每一次“抽卡”不仅意味着额外的模型调用和等待，还可能带来人工筛选、修改和返工成本。在10月30日举行的腾讯全球数字生态大会多模态应用专场及会后媒体采访中，来自腾讯云、智象未来等企业的嘉宾围绕这一问题分享了实际困难与技术探索。

电商领域要求模型在批量生成中保持商品形状、颜色和品牌标识的准确性与一致性；视频制作则需保证角色形象、动作、空间关系和镜头衔接的连续性。今年9月发表的论文《Better Call CineCrew: Consistent Ultra-Long Narrative-to-Film Generation》指出，现有基于提示词的工作流容易出问题，一个重要原因是剧本与视频生成模型之间缺少结构化的中间层。腾讯云副总裁李志成也提到，即使是行业头部视频生成模型，在光影、物理规律复杂的影视场景中仍有未解决的问题。

生成结果的不确定性最终转化为时间和成本。假设生成一次视频需10元，平均十次才得一个可用镜头，仅生成费用就达100元；若可用率提高到50%，费用可降至20元，这还未算人工筛选与后期处理成本。腾讯云今年推出的音视频AI产品家族WAND，正尝试从模型优化、生成控制和后期处理等环节减少返工，据披露已帮助客户降低约20%的内容生产综合成本。

漫森文化的实践提供了更具体的数据。公司助理总经理谭琳介绍，团队此前镜头可用率约为30%，接入腾讯云WAND提供的视频生成、画面修复与增强等能力后，可用率提升至50%—80%。