AI 视频做到 10 分钟：先解决一致性，再谈叙事

在这家公司手里，AI 视频的上限曾经是一分钟。现在，它说自己能交付十分钟以上的成片。问题从「能不能生成」变成了「第 7 分钟还记不记得第 1 分钟的人」。

一、发生了什么

10 月 13 日，OpenAI 发布了一篇客户案例，主角是做创意智能体的 Higgsfield AI。这家公司约 200 名创意人员加 100 名工程师，产品用于视频和图像生成。

创始人兼 CEO Alex Mashrabov 给了一个前后对比：用 GPT-6 Astra 之前，视频长度大约到一分钟就到顶；现在，用户可以做出超过 10 分钟的视频。

撑住这个时长的，不是单纯的生成模型，而是外部工具调用。文章说，Astra 可以调用外部工具处理 3D 建模这类人工密集的工作，这也有助于解决创意 AI 最难的一项：在更长的视频里保持一致性。

产品线里还有图像模型 GPT-Image-2.5 和 Codex。Mashrabov 称 GPT-Image-2.5 是第一个能在图像上可靠渲染文字和信息图的同类模型。

语音是另一条线，但还没落地。文章把 GPT-Live-1 放在展望部分，目标是用语音实时生成画面，创作者边说边出片。

案例里还有一个具体场景：Higgsfield 的 YouTube 频道有近 50 万订阅，过去做教学视频要大量人工，现在用 Astra 生成 10 分钟以上的教程。

文章没有提分辨率，没有提价格，也没有提这些能力对外开放的时间。这是客户案例的常见缺口。

另一个细节是团队构成：200 名创意人员对 100 名工程师，比例 2 比 1。这说明这类产品现在拼的还是内容判断，不是模型调参。把这段话拆开，能落地的其实只有两件：更长的连续生成，和外部工具调用换来的空间一致性。剩下的都还在演示里。

二、跟你有什么关系

短视频创作者：10 分钟意味着中长视频、课程、产品讲解进入可用范围，不再只是卡点素材。

广告和电商：一致性比时长值钱。一个角色在 8 分钟里换三张脸，片子就废了，时长反而成了负担。这类内容更该先解决「同一个产品长什么样」。

影视前期：用来做分镜预演，比做正片现实得多。改一版分镜的成本，远低于改一版拍摄。先用在提案和预演，不要用在终稿。

三、怎么用

1. 别一上来做 10 分钟。 先做 3 分钟，能讲完一个完整的转折，再往上加。时长是结果，不是目标。

1. 把一致性拆成三张表：角色、场景、光线。 每一场开拍前对齐，比事后修补便宜。

1. 用外部工具做空间参考。 3D 建模、平面图、机位草图，这些是让模型记住一个房间的东西。

1. 分镜人工写，镜头交给 AI。 叙事结构还是人的活，模型擅长的是把一句话变成一组画面。

1. 留一条人工复核线。 10 分钟的片子，至少要有人从头看两遍。看两遍能发现的问题，观众一遍就能发现。

1. 先把声音做完。 十分钟的片子，观众对声音的容忍度低于画面。配音、音效、音乐的工期要单独排，别压到最后一天。

四、三个别信的说法

10 分钟等于能拍短剧。 时长是技术上限，叙事是另一套能力。短剧要人物弧光、要节奏、要钩子，这些不在模型的输出参数里。能生成 10 分钟，和能让人看完 10 分钟，是两件事。短剧的成本结构里，演员、场景、剪辑都还在，AI 只替掉了一部分拍摄。

一致性问题已经解决。 原文的措辞是「有助于」在更长视频中保持一致，不是「解决」。角色、道具、光线在长镜头里漂移，仍是这类工具的日常。

语音生成电影已经能用。 GPT-Live-1 在那篇文章里是展望，不是已发布功能。文章把它放进展望，说明连发布方都没把它当现有能力。把「边说边生成」当现状，会做错排期，也会错判成本。

五、一句话结论

AI 视频的下一个瓶颈不在秒数，在叙事；能把 10 分钟讲圆的人，比能生成 10 分钟的工具更稀缺。

信息来源

1. Higgsfield takes AI video from 1 minute to over 10，OpenAI 客户案例，2026-10-13

功能与价格以官方公告为准。本文写于 2026 年 10 月 18 日。