从分镜到镜头:图生视频、异步任务轮询与失败重试
视频生成是整条线上最慢最贵也最容易失败的一步,这一天把它做成能被安全重试的异步任务,并学会用镜头语言写出模型听得懂的提示词。
今日目标
- 能用首帧图加提示词生成单个镜头,并说清文生视频与图生视频的取舍
- 能写出一个正确的异步任务轮询循环,处理排队、超时、退避与取消
- 能对视频接口的失败做分类,区分该重试的和重试也没用的
昨天你把角色和场景都锁死了,手里有一批稳定的静态图。今天让它们动起来——但今天真正难的不是画面,是「一次调用要等好几分钟」这件事带来的全部工程后果。读完回到页面顶部把三条目标勾掉。
小白版讲解
一镜多久,怎么拍:把镜头语言写进提示词
先解决一个新手最容易忽略的问题:你到底要模型拍什么。
在摄影棚里,导演不会只说「拍男主在楼下」。他会说:中景,机器缓慢推近,六秒,男主蹲在电动车旁,手里握着一部亮着屏的手机。这四件事——景别、运镜、时长、画面——缺一件,摄影师就得自己猜,而猜出来的东西一定不是你要的。
视频接口也一样,它只是没法反问你。所以本课的分镜数据里,这四件事各占一个字段:shotSize 是景别(只有远景、中景、特写三档,不要引入第四档)、camera 是运镜、durationSec 是时长、visual 是画面描述。拼提示词时按先拍什么、再怎么拍、最后什么风格的顺序串起来——这个顺序不是随意的:提示词有 2000 字符上限,超了会被截断,而截断总是从尾巴开始,所以最不重要的风格描述放最后,被砍掉损失最小。
时长这一项有个反直觉的取舍。接口默认 6 秒,很多人第一反应是「那我一次生成 30 秒不就省事了」。别这么做,理由有三条:越长的片段越容易在中段崩坏,人物走着走着脸就变了;失败代价线性放大,30 秒失败一次等于白烧 5 个 6 秒的钱;最重要的是长片段没法局部重做——发现第 18 秒有问题只能整条重来,切成 6 秒一镜则只重做那一镜。短剧的分镜节奏本来就是 3 到 8 秒一切,工程上的最优解和内容上的最优解在这里恰好重合。
再说文生视频与图生视频的取舍。文生视频(一句话直接出片段)省掉一次图像调用,看起来更便宜;但它把画面的全部控制权交给了模型,你昨天辛苦锁下来的那张脸完全用不上。图生视频(先有首帧图,再让模型接着往下演)多花一张图的钱,换来的是构图、光线、人物形象全部由你昨天已经确认过的那张图定死。
这笔账值不值,看两边的量级差多少。图像官方直接标价 ¥0.025 一张;视频这边,官方按量付费页给出的档位是 768P 每秒 ¥0.50、2K 每秒 ¥0.80、480P 每秒 ¥0.33。也就是说,一条六秒镜头的成本是一张图的上百倍——用两三分钱的图去降低它的失败率,是稳赚的买卖。(这几档按秒价属于按量付费路径;今天代码里用的模型是走套餐点数扣减的,两套账不通用,D12 会把这件事摊开讲。)
这就引出今天的第一条口径:把 D3 挑好的定妆图当作视频的第一帧。 具体怎么用、传什么字段,以及为什么这一步做完之后,真正的麻烦才刚开始——因为这个接口不会当场把视频还给你。
面试题库
让你实现一个异步生成任务的客户端,你会考虑哪些失败情况?You are asked to implement a client for an asynchronous generation task. Which failure cases would you cover?
国内高频海外高频进阶#async-task#error-handling🔒 解锁本章后查看答题要点。
轮询间隔怎么定?为什么不能一直用固定间隔死等?How do you choose a polling interval, and why is a fixed interval a bad default?
国内高频海外高频基础#async-task#backoff🔒 解锁本章后查看答题要点。
生成类接口返回失败,你怎么判断该不该重试?重试几次之后该做什么?When a generation API returns a failure, how do you decide whether to retry, and what happens after the retries run out?
国内高频海外高频深入#error-handling#retry#cost🔒 解锁本章后查看答题要点。
