生成一张漂亮的电影画面，已经不再是人工智能最困难的任务。

真正的麻烦通常发生在第二张、第三张，以及导演要求修改第一张的时候。

一名导演让 AI 根据剧本生成九宫格分镜。第一张画面里，男主角穿着黑色外套站在雨夜街头；到了第三张，他的五官发生了变化；第五张里，外套颜色不同，连街道的建筑风格也变了。

导演只想把其中一个中景改成特写，却发现重新生成的画面与此前的镜头完全不匹配。

这类问题说明，生成式 AI 虽然越来越擅长创造单幅图像，却还没有同样可靠地掌握电影制作中更重要的能力：连续性。

Story2Board 正试图围绕这一缺口建立产品。

根据项目介绍，这款面向独立导演、广告制作人和短视频创作者的 AI 分镜工具，由具有字节跳动工作背景的团队开发，宣称利用约250部经典电影、超过27万个镜头的索引数据，为用户提供分镜设计建议。

它的目标不是单纯生成更多图片，而是将角色设定、场景资产、镜头语言和最终交付整合进同一个工作流程。

如果这种方法能够可靠运行，AI 分镜工具的竞争重点可能会发生变化：从谁能画出更漂亮的画面，转向谁能帮助创作者更稳定地完成一部作品。

它想解决的，不是画质，而是电影的连续性

Story2Board 的产品设计围绕一个相当具体的问题展开：如何让 AI 在修改某个镜头时，仍然记得整部作品的设定？

按照其官方网站的介绍，用户可以在项目中保存人物、服装、场景、道具和视觉风格，并将这些内容作为后续镜头生成的共同参考。

开发团队将这套机制称为一致性层（Consistency Layer）。

例如，一位导演正在制作一部发生在酒吧的短片。男主角穿深蓝色西装，左手戴着一枚戒指，酒吧入口有一盏红色霓虹灯。

传统的单次图像生成需要不断重复这些要求。Story2Board 则试图把它们保存为项目资产，让不同镜头共享同一套视觉设定。

当导演要求将双人中景改成男主角的面部特写时，系统仍然可以参考此前的人物和场景信息，而不是从零开始设计。

这并不意味着人物一致性问题已经得到彻底解决。复杂姿态、遮挡、光照变化以及连续修改，仍然可能导致生成结果偏离参考设定。

但这种设计至少改变了问题的处理方式：创作者不再需要为每张图片重新解释整个故事。

27万个镜头，能教会AI如何当导演吗？

Story2Board 更有辨识度的部分，是它试图把电影语言变成可以检索和调用的知识。

开发团队称，产品建立了一个覆盖250部电影、超过27万个镜头的资料库。系统能够根据场景情绪、景别、构图和摄影机运动等条件寻找参考镜头，再为用户提出分镜建议。

这与让通用聊天机器人直接生成九宫格图片有明显区别。

假设剧本写着：“父亲发现儿子在撒谎，但没有揭穿他。”

一个普通图像模型可能生成两个人面对面交谈的画面。

而具备镜头参考能力的系统，可以提出不同方案：先用过肩镜头建立人物关系，再切向父亲的近景，让观众观察他的表情；或者保持较远的固定机位，利用人物之间的距离表现沉默。

这些方案没有绝对的对错。镜头语言也不存在能够适用于所有故事的固定公式。

AI 的价值在于帮助创作者理解每一种选择可能产生的叙事效果，而不是替导演决定哪种情绪才是正确的。

值得注意的是，项目所谓的电影知识库，更准确地说是一套经过镜头切分、标注和检索处理的参考资料，并不等于已经证明将250部电影用于模型参数训练。其技术文章描述的主要方法，是检索增强生成，即让模型在规划镜头时查询相关参考。

这一差别也关系到版权问题。电影画面可以成为研究和参考对象，但具体素材的复制、存储、展示和商业使用，仍需要根据适用法律及授权情况判断。

一份PDF，可能比4K画面更有商业价值

Story2Board 的另一个选择，看起来并不特别先进：将最终分镜导出为 PDF。

但对于实际影视制作，这可能是整个产品中最有用的功能之一。

导演需要向摄影师说明机位，向灯光师解释场景氛围，向制片人展示拍摄规模。广告公司则需要把创意方案交给客户审核。

一组精美但没有说明的图片，并不足以完成这些工作。

Story2Board 宣称，其导出的 PDF 可以包含每个镜头的画面、动作、台词、景别、摄影机角度、运动方式、时长和叙事目的。PDF 导出本身不消耗点数。

这让它更接近一套前期制作工具，而不是单纯的 AI 绘图网站。

当然，自动生成的镜头说明仍然需要导演和摄影团队审查。一个看起来合理的运镜方案，可能超出实际预算，也可能受到场地、演员调度和器材条件限制。

AI 能够提出拍摄方案，并不意味着它已经具备承担现场制作责任的能力。

与许多生成式 AI 产品不同，Story2Board 目前采用按需充值模式，而不是强制月度订阅。

用户注册后获得300个免费点数。基础图像模型可供免费用户使用，Nano Banana 2 和 Nano Banana Pro 等模型则需要付费点数。

这种收费方式符合独立影视创作者的工作节奏。

一名导演可能连续两周为短片制作分镜，随后几个月都在拍摄和剪辑。广告制作人的工作也往往围绕具体项目展开。

要求他们在没有使用产品的月份继续付费，未必容易获得接受。

按需充值降低了尝试成本，却也带来另一面：收入可能高度依赖新项目启动和用户再次购买点数。

订阅制软件通常依靠每月经常性收入（MRR）获得更稳定的现金流，而点数制产品需要更加精确地管理模型调用成本、获客成本和用户复购。

不过，不能简单认定点数制一定比订阅制差。

如果客户使用频率不高，强制订阅反而可能导致更快流失。对于以项目为单位采购的专业工具，按次付费可能更符合真实需求。

决定商业模式能否成立的，不是收费方式本身，而是用户愿意重复使用多少次、每次能贡献多少毛利，以及获取这些用户需要花多少钱。

Story2Board 尚未公开足以判断这些指标的完整经营数据。

真正的竞争对手，可能不是其他AI绘图工具

Story2Board 的潜在市场并不局限于电影导演。

广告提案、音乐视频、短剧、动画、企业宣传片，甚至短视频的前几秒视觉设计，都可能需要快速生成分镜。

这意味着它既要面对通用图像生成平台，也要与传统分镜软件、专业影视预制作工具以及越来越多具备多镜头一致性功能的视频模型竞争。

它能否建立竞争优势，取决于三个尚待验证的问题。

首先，一致性层能否在几十甚至上百个镜头中可靠工作，而不只是维持少量示例图片的统一？

其次，电影参考资料能否真正提高镜头设计质量，而不只是让系统的解释听起来更专业？

最后，导演在实际制作中是否愿意反复使用它，而不是完成一次提案后就离开？

还有一个值得注意的细节：2025年已有一项同名的 Story2Board 学术研究，讨论无需重新训练模型的分镜一致性生成方法。该研究与这里介绍的商业产品不能仅凭名称相同就视为同一技术项目。

至于项目团队具有字节跳动工作经历的说法，目前还需要进一步的独立身份与履历核实，不能仅凭宣传材料将其视为已证实事实。

AI不必成为导演，也能改变电影制作

生成式 AI 进入影视行业以来，最容易吸引注意力的是画面质量：更真实的皮肤、更复杂的光影、更流畅的运动。

但影视制作并不是一场单幅画面的竞赛。

一个镜头必须与前后的镜头建立关系。一件道具的位置、一个演员的视线方向、一次剪辑的时机，都可能影响观众对故事的理解。

Story2Board 选择从这些不那么炫目的问题入手，反而更接近影视生产的实际需求。

对于没有专业分镜师预算的独立导演，它可能缩短从想法到视觉方案的距离；对于广告制作团队，它可能减少反复沟通和修改的成本。

但它仍然需要证明，自己的工具能够在真实项目中持续节省时间，而不是让创作者把原本用于绘制分镜的时间，转移到纠正 AI 错误上。

电影导演真正稀缺的能力，从来不是画出一张漂亮的图片，而是知道为什么要让观众看到这张图片，以及为什么必须在这个时刻看到它。

如果 AI 能够帮助更多人理解并运用这种能力，它才真正开始进入电影制作，而不只是进入电影画面。