ECCV 2026 论文 MAVIN：从一句提示词生成多镜头成片
MAVIN 尝试让 AI 先把故事意图拆成剧本和分镜，再逐个镜头生成并组织成片，核心难点在跨镜头的角色一致性与叙事逻辑。
传统文生视频是"给一句描述，出一段画面"。入选 ECCV 2026 口头报告的 MAVIN 换了个思路：输入一句故事意图，由模型拆解为剧本和分镜，再把每个镜头生成出来并按叙事逻辑串成完整成片。
分析文章指出，多镜头成片不是简单拼接几个单镜头，真正难的是：同一角色在不同镜头里要长得一样、动作和剧情要前后衔接、镜头之间的视觉信息要连贯。
对创作者意味着什么： 这一方向和短视频的实际生产流程高度一致——先写脚本、再拆分镜、最后剪辑。即使不用这类模型，按"脚本→分镜→逐镜生成"的方式使用现有 AI 视频工具，也能明显提升成片质量。
信息来源：创锋一号（本文为编辑整理改写）
