夜里剪一条产品短片，时间线上缺一个从桌面推到窗外的过渡镜头。实拍来不及，补拍成本也不合适，于是把几句描述丢给视频生成工具。初看那几秒，光线、材质和运动都像那么回事；一旦拖进时间线，和前后素材一对，问题就冒出来：桌角的位置偏了，窗外树影的节奏对不上，镜头推近的速度也接不住下一镜。
这不是某个工具的个别毛病，而是今天讨论视频生成时绕不开的现场。它已经能给出令人愿意多看一眼的片段，却还不太像一段可以被反复修改的素材。
三秒之后，麻烦才开始
短片段里，模型可以把光影和运动维持住；当镜头需要承载叙事，困难就转向记忆。角色回头之后衣服的褶皱是否还在，杯子从左手换到右手有没有穿帮，镜头绕过遮挡物后背景是否接得上，这些都不是单帧画面好不好看的问题，而是时间上的连续性。模型并非不会画，它只是没有稳定地记住上一秒发生了什么。
创作者需要的也不只是一段成片。剪辑时要裁切、调色、补帧、匹配运动，必要时还得替换局部。如果每次调整都只能重新生成整段，创作就变成抽奖。可编辑性听起来不新鲜，却决定了视频生成能不能进入日常流程。
可控性不只是把提示词写长
提示词能描述景别、运镜、光线和材质，但它不是精确的施工图。写“缓慢推近”和写“从腰景推到近景，速度均匀，保持主体居中”，得到的结果可能都带点随机。首尾帧、参考图、局部重绘这些交互方式，正是在补语言说不清的部分。它们带来控制感，也带来操作成本：要准备素材，要试参数，要判断哪一版值得留下。
后期衔接同样琐碎。帧率能否匹配，色彩空间是否合适，运动模糊像不像同一台机器拍的，这些细节在单独观看时容易被忽略，放进时间线却会立刻显形。有时片段本身挺顺，和实拍素材一剪，轻微抖动或快门感差异就露出来。于是又回到补帧、降噪、重新生成的老路。
先划边界，再谈期待
不是所有镜头都值得交给视频生成。需要精确品牌信息、真实人物口型、复杂物理交互的画面，现阶段仍要谨慎。把它放在概念预演、氛围镜头、背景延展这类容错空间较大的位置，流程会顺一些。这并非贬低工具，而是承认它有擅长的段落，也有不适合硬上的地方。
也许下一步不是让模型独立拍完一段故事，而是让它成为剪辑软件里一个会等待、会记住上下文的按钮：先给三秒，看看接不接得上；再改一点，只动袖口和光影。当视频生成能接受这种反复打磨的工作方式，创作者才会把它从尝鲜清单挪到日常工具里。