做 AI 视频时，一个很常见的问题是：角色明明还是同一个人，剧情也没有换地方，但背景却越来越不像同一个场景。上一镜的房间左边是窗户，下一镜窗户跑到了右边。前面还是深色木质家具，换个角度以后突然变成现代装修。甚至同一段连续剧情，前一个镜头还是阴天，后一个镜头已经像到了傍晚。
这类问题通常被叫做“场景一致性”。很多人第一反应是不断修改提示词，希望把场景描述得更详细。但真正做过一段多镜头 AI 视频之后会发现：场景一致性不是一个提示词问题，而是一套资料和分镜怎么组织的问题。如果只记住一个原则，可以理解成：先把场景作为稳定资产固定下来，再让后面的镜头只改变机位、景别、人物动作和当前叙事信息，而不是每生成一镜就重新设计一次场景。
为什么每个镜头都写同样的场景提示词，还是会变？
假设你给每个镜头都写：“老旧木质书房，暖黄色灯光，左侧窗户，右侧书架。”这当然比只写“书房”稳定。但它仍然没有告诉模型：
这个房间到底长什么样？
窗户和门之间是什么关系？
书桌到底靠哪一边？
人物上一镜站在门口，下一镜转身以后应该朝哪个方向？
文字描述解决的是“这个地方有什么”，但连续镜头还需要解决另一个问题：这些东西在空间里到底是什么关系。所以场景一致性至少有三个层次。
- 第一层是外观一致，比如材质、装修、颜色、天气和光线
- 第二层是资产一致，比如同一张桌子、同一扇窗、同一种建筑结构
- 第三层才是最容易被忽略的：空间一致
如果第三层没有建立起来，即使每一张图单独看都很好看，放在一起还是会让人觉得换了地方。（相关阅读：AI 分镜图总是不一致？角色、场景和构图要分开控制）
第一步不是写提示词，而是先确定“这个场景是什么”
重要场景最好先作为一个稳定的资产存在，而不是每生成一个镜头就重新描述一次。比如故事里有一间饭店包间，可以先把它确定下来：
中式饭店包间，深色木饰面，圆形餐桌位于空间中央，入口在画面一侧，另一侧有落地窗，暖色顶灯，墙面有装饰画。
这段描述的作用不是直接完成某一个镜头。它定义的是：后面所有发生在这里的镜头，共用什么场景基础。如果已经有满意的场景图，还可以直接把它保存成场景参考。后面无论是近景、全景还是人物对话，都围绕同一个场景资产继续生成，而不是每次让 AI 从零猜一次。这也是为什么角色、场景、道具最好不要全部塞在某一个镜头提示词里管理。它们本身就是需要被反复引用的资产。（相关文章：AI 视频做到最后，拼的其实是资产管理能力）
第二步，分镜先把空间关系建立起来
场景一致性真正容易翻车的地方，往往发生在镜头切换以后。比如：
镜头 1，两个人沿饭店走廊走向包间。
镜头 2，男生站在门左侧推门。
镜头 3，从包间里面看向门口。
镜头 4，两个人看到桌边坐满了亲友。
如果只分别生成四张图，每一张都可能成立，但门的位置、两个人的方向、包间内部布局很容易互相矛盾。所以在生成画面以前，分镜实际上已经在做一件事情：把故事空间拆成连续的镜头关系。谁站在哪里，从哪里走到哪里，镜头从哪个方向看，下一镜切到哪里，这些信息越清楚，后面越不容易出现“每张图都对，连起来却不对”的情况。
小镜在 AI 拆分镜时，会根据故事内容同时整理角色、场景和镜头里的空间关系。对于空间更复杂的镜头，还可以进一步用站位构图把人物位置、场景和机位先摆出来，再把站位构图作为画图参考。（相关阅读：AI画镜头时，如何引用角色、场景和站位构图？）
第三步，参考图负责固定“不应该变化的东西”
参考图最大的价值，不是让 AI 复制一张画面。它真正解决的是：告诉模型，这一部分不要重新设计。比如场景参考图可以帮助固定：
房间整体装修
建筑结构
主要家具
色彩基调
材质
一些关键识别点
但参考图并不意味着后面的镜头必须完全一样。镜头仍然可以改变：
景别
机位
人物位置
人物动作
构图重点
所以比较好理解的一种方式是：参考图负责“不变”，分镜负责“变化”。同一个包间可以有全景，也可以有两个人坐下后的双人镜头，还可以切人物近景。镜头当然不同，但观众应该能一眼认出来：还是刚才那个地方。如果你遇到的正是“第一个镜头场景正常，但同一个地方切到第二镜、第三镜以后，房间越来越不一样”，可以继续看《AI视频同一个场景切多个镜头，为什么越生成越不一样？》。那篇专门讲同一场景在全景、近景、反打等多个机位之间怎么保持一致。
第四步，不要把场景信息和当前镜头动作混成一团
当场景已经作为资产和参考资料固定下来以后，镜头提示词的任务其实会简单很多。它不需要每次重新完整描述：“这是一间什么房间。”而应该更多描述：这一镜发生了什么。例如：
“男生站在包间门口，右手推开门，镜头从包间内部看向门口，两人同时停住。”
这里真正需要变化的是人物动作、镜头角度和这一镜的叙事信息。场景本身已经通过场景资产和参考图提供。这也是我们之前讲 AI 视频提示词时很重要的一点：提示词更适合描述当前镜头发生的变化，而不是承担所有不变量。角色是谁、场景是什么，可以尽量通过稳定资产和参考资料控制。提示词把精力留给当前动作和镜头变化。（相关文章：AI视频如何保证角色一致性？）
哪些镜头最需要特别注意场景一致性？
不是所有镜头都需要同样强的场景控制。
如果只是一个极近的人脸特写，背景已经大面积虚化，场景信息本身很少，这时没必要为了“完全一致”增加大量控制。
真正容易出问题的通常是下面几类镜头。
同一个室内空间反复切角度
办公室、卧室、餐厅、教室这类空间特别容易出现门窗、桌椅位置变化。
人物在空间里发生移动
例如从门口走到桌边、从客厅进入厨房、从走廊进入房间。
这类镜头不只是场景长得像，还要求运动方向和空间关系能够连续。
三个人以上的多人镜头
人物一多，“谁站哪边”和“背景中的空间结构”会同时变复杂。
这时除了场景参考，站位构图会明显更有价值。
建立镜头之后继续切局部镜头
第一个大全景已经让观众记住了这个地方，后面任何明显不符合这个空间的镜头都会更容易被发现。
从分镜图做到视频，还有一次场景一致性风险
静态分镜图统一，并不代表生成视频以后一定统一。
图生视频阶段还可能出现：
背景结构被重新解释
门窗、家具发生形变
光线突然改变
镜头运动时环境被重新生成
人物移动过程中背景跟着漂
所以进入视频生成以后，一个原则仍然成立：已经确定的东西，尽量不要要求模型重新创造。
如果一张分镜图已经很好地确定了人物和场景，视频提示词可以更多描述人物动作、摄影机运动以及当前镜头发生的变化。不要为了“画面更丰富”，又在视频提示词里加入大量新的环境设计。（相关阅读：分镜怎么生成 AI 视频？从分镜脚本到可灵生成视频的完整流程）
一个更稳定的 AI 视频场景工作流
如果把前面的内容压缩成一条实际工作流，大概就是：
- 先从故事里整理出主要场景。
- 给重要场景建立稳定的场景资产和参考图。
- 拆分镜时同时确认人物、空间关系和每一镜的任务。
- 复杂镜头需要时，用站位构图进一步确定人物位置和机位。
- 生成分镜图时，引用对应角色、场景和站位参考。
- 到了视频阶段，再把重点放到人物动作和镜头变化上。
你会发现，这套方法的重点并不是“把提示词写得越来越长”。
恰恰相反。
前面的资料越稳定，后面的提示词反而可以越简单。
场景一致性最终解决的是“观众相不相信这是同一个地方”
AI 视频里的场景一致性，并不要求每一块砖、每一件家具都像复制粘贴一样完全相同。真正重要的是：观众切到下一个镜头的时候，不需要重新理解“我现在在哪里”。他应该自然地感觉到：
- 还是这间房。
- 还是这条街。
- 只是摄影机换了一个位置，人物做了新的动作。
所以真正稳定场景的方法，不是把同一句提示词复制几十次。
而是先把场景资产、空间关系和参考资料固定下来，再让每一个分镜围绕它发生变化。这也是场景一致性和角色一致性非常相似的地方。AI 不应该每到一个镜头，就重新猜一次“这是谁”和“这是哪里”。这些应该在前面就已经确定。