假设你把一段由文字描述生成的雨夜街景拖进时间线。雨丝、路灯、湿漉漉的地面都在，静帧看过去挺像那么回事。可一旦前后接上人物中景，问题就冒出来：上一镜人物左肩背包，下一镜包带不见了；镜头从推到拉，节奏像被谁按了暂停。不是画面不够真，而是它还没有服从这段戏的意图。
我倾向于把视频生成看成素材生产工具，而不是替代导演的黑箱。它能快速给出一种视觉可能，适合做分镜草稿、氛围参考、空镜补位。可“能看”和“能用”之间，隔着几道很具体的断点。
意图能不能落下去
写提示词时，人很容易把“雨夜、霓虹、手持感”这类词堆上去，模型也能还你一个大致氛围。但剪辑要的是可执行的动作：主体从画面左侧走到右侧，在第几秒停住，背景里的车流不能穿过人物，镜头运动要接住上一镜的视线方向。这些要求很难靠一句描述说清。可控性不只是参数面板有多少选项，而是创作者能否把脑中的调度翻译成稳定结果。翻译过程中丢掉的那部分，往往就是叙事需要的部分。
时间线不认单帧画面
单段生成容易让人兴奋，连续剪辑却会暴露另一层问题。人物服装、光线方向、镜头焦段、运动速度，只要有一项在镜头之间漂移，观众就会出戏。视频生成在单镜头内部可以做到局部合理，但跨镜头的一致性仍要靠人盯着。我的做法是把生成结果当成分镜草稿，先确认构图和运动方向，再决定是否继续生成。这样虽然增加一道工序，却省下反复抽卡的时间。
叙事不是镜头的加法
一段视频能独立成立，不等于它能放进故事里。镜头什么时候切，停顿留多长，声音先入还是画面先入，这些决定观众的理解节奏。视频生成擅长给出画面内容，却很难替人判断“这半秒该不该留”。把生成片段直接铺满时间线，画面很满，信息却很散。问题不在工具，而在使用顺序：先有分镜和节奏，再让生成去填素材，和先大量生成再回头找故事，是两种工作方式。
把它放在工作流的哪里
现阶段，我会把视频生成放在预演和补镜环节。预演阶段，它适合快速试构图、试光线、试运动，让讨论有具体的画面可指。补镜阶段，它适合做空镜、环境氛围和转场素材，减少实拍调度成本。至于人物表演和长镜头叙事，仍需谨慎。生成结果进入成片前，还要过一遍授权与来源确认，尤其是涉及肖像、品牌标识和训练来源不清楚的素材。
这不是泼冷水。恰恰相反，当它从“一键成片”的想象里退出来，回到素材生产的位置，反而能放进稳定的工作流。创作者要练的也不是堆提示词，而是把叙事需求拆成可执行的镜头条件：谁在画面里，做什么动作，镜头怎么走，前后怎么接。工具负责给出画面，人负责判断这画面该不该出现。这个分工目前仍然清楚。