前阵子帮人看一条小家电的产品短片，三十秒，六个镜头。对方说，头两个镜头是生成的，后面实拍。我问为什么不全用，他给了个很实在的回答：单个镜头看不出问题，连起来看，观众会觉得东西“不对劲”——杯子放下时液面没晃，人物转身时衣服的褶子换了个方向，镜头之间的光也不接。这些毛病单独截图都不明显，动起来就藏不住。
这两年视频生成的进展，大多集中在“让画面动起来”这件事上。帧与帧之间不抖了，动作不再糊成一团，几秒钟的片段已经能骗过眼睛。但真要用它做一段能看的内容，卡点往往不在生成质量，而在连续性。
三秒钟很容易，三十秒很难
一个三秒镜头，模型只需要维持一个瞬间的合理性。三十秒就要维持三十秒的因果：物体在哪、光从哪来、人朝哪走，前后得对得上。现在多数工具靠延长时长、拼接片段来解决，代价是每次拼接都可能把前面的设定丢掉一点。
换个说法，视频生成眼下擅长的是“镜头”，不擅长“段落”。镜头是一个视觉单位，段落要承担因果和叙事，这两件事对模型的要求不在一个层面上。
模型不懂物理，但观众懂
我们对画面的判断，有一部分来自生活经验。水会流，重物落地会沉，布料会跟着身体走。模型学的是像素之间的统计关系，不是这些规则本身。所以它能把水做出流动的样子，却不一定让水在杯子里保持该有的高度；能让人物走起来，却不一定让脚和地面保持稳定的接触。
观众说不出哪里错，但会觉得假。这种“说不出的假”，很消耗信任，而信任一旦掉了，再好的单帧也补不回来。
可控性比想象力更被需要
讨论里常把它说成创意工具，实际用起来，创作者更在意能不能控制。指定机位、锁定人物长相、固定光线方向、让某个动作在第三秒发生——这些听起来不浪漫，却决定了它能不能进工作流。
现在常见的做法是把控制拆开：用图定首帧，用姿态或深度信息约束动作，用文字描述风格。拆得越细，可控性越好，操作也越繁琐。这是一条正在被反复权衡的线，没有一劳永逸的解法。
它在流程里的位置，比它能做什么更重要
一个判断：视频生成短期内不太会替代拍摄，更可能成为一个“补镜头”和“试镜头”的环节。分镜阶段用它快速看几种可能，拍摄阶段用它补那些成本太高或根本拍不到的画面，后期用它做局部替换。这个位置不显眼，但很实际。
边界也在这里。素材来源是否清楚、肖像与场景有没有授权、生成内容要不要标注，这些问题不会因为画质变好而消失。用得越多，越需要一套明确的规矩，而不是靠每个人自己拿捏。
回到那条小家电短片。最后他们保留了两个生成镜头，都是环境空镜，没有人、没有手、没有液体。这个选择挺说明问题：视频生成已经能交付一些东西，但交付什么、交给谁，还得人来判断。