批量 AI 视频生成，我先把决策批量起来

我第一次做批量生成时，把它当成二十个独立创意实验。结果是 prompt 漂移、比例不统一、失败原因说不清。第二次好多了，因为我不再批量视频，而是先批量决策。

现在我用同一套方法做产品 clip、社媒变体和广告测试。该无聊的地方就让它无聊，这才是能扩量的原因。

先定义 batch

我给每条视频一行数据。包含素材 URL、钩子类型、时长、比例、模型和 prompt 模板。产品专属字段和稳定模板分开。这样才是批量，不是一堆 job。

比如一行写 SKU-104、problem hook、9:16、5 seconds、image-to-video、参考图 URL。另一行只改 result hook，产品图不变。如果模型、时长、prompt 同时变，输出没法归因。

用带槽位的 prompt 模板

我给每个 campaign 一份模板。稳定语言说明什么必须为真，槽位放变量。

Use the product from the reference image. Keep label, color, and shape unchanged. Show {action}, {camera}, {environment}, {lighting}, {duration} seconds

槽位从结构化数据填入。还要校验。没有动作、环境或素材 URL 的行，应该在进入模型前失败。

素材是一等公民

批量不会原谅烂输入。入队前我检查每张产品图是否清晰、标签方向正确、背景干净、分辨率够，并确认与目标比例兼容。

混合批次我会按产品和平台分组。9:16 TikTok 的取景规则和 1:1 市场图不同。一起跑只会增加返工。

先跑小批试点

我不会一次发全量。先发 5 到 10 条。试点回答运营问题。素材 URL 是否可访问？callback 是否触发？失败是否返回有用错误？产品细节是否保持？

试点通过后再扩量。这不是慢，而是避免一个坏模板复制成昂贵失败。

callback 和重试要分开

API 生成是异步的。每个 job 有 ID、状态、结果 URL。webhook 到达后，我先把状态记录下来。成功存输出 URL、模型、prompt 版本和时间。失败存错误。

我只重试确定性失败。超时可以重试。坏 prompt 不修好前不要重试。这样队列干净，成本也可解释。

输出分三遍看

第一遍看任务是否完成、文件能否播放。第二遍看产品、人物或主体是否保持。第三遍看第一帧是否适合目标平台。

然后打标签，approved、needs edit、rejected。标签必须带原因，比如标签漂移、背景太忙、运动太强、比例错、产品出现太晚。这些原因直接喂给下一次 prompt 更新。

成本用模型阶梯控制

批量会让成本乘起来。我用阶梯。免费 Agnes Video V2 测取景。Seedream 5.0 Lite 或 Nano-Banana 2 测视觉方向。生产视频模型只在想法确认后跑。

时长和分辨率是最大杠杆。Seedance 2.5 按分辨率和秒数计费。Kling v3 Omni 每秒 39 积分，带音频 49 积分。Veo 3.1 是 premium。我用能证明想法的最短时长。

输出要可追溯

每个文件都要能回溯。batch ID、row ID、slug、模型、prompt 版本、比例、时长放在文件名或元数据里。审核者打开被拒绝的 clip，能知道它怎么来的。

这听起来 bureaucratic，直到你要复现赢家。那时元数据就是产品。

把赢家变成模板

有 clip 表现好，我会把那一行升级成模板。冻结钩子、镜头、环境、模型设置。然后一次改一个字段做变体。成功 batch 才能变成可复用系统。

下一个 SKU 只换素材 URL 和产品词，其他保持稳定。团队审核也会快很多。

我会避免的事

不要批量未研究过的创意。不要每行都用不同风格。不要盲重试。不要跳过试点。不要只存最终视频，不存 prompt 和设置。这些错误会把自动化变成噪音。

批量有价值，是因为它让学习可重复。如果每个输出都是惊喜，你只是自动化了混乱。