前阵子我试着用视频生成做一支三十秒的产品小片。提示词写得很细:俯拍开场、手部特写、镜头推近、结尾定格。结果画面单看都还能接受,连起来却不像同一支片子——同一只手的形状变了,桌面的划痕时有时无,推镜头的方向在相邻镜头里互相打架。
问题不在于画面质量,而在于它是否理解“镜头之间的接续”。这大概是当前视频生成最真实的分界线。
单帧好看,不等于片子成立
早期接触这类工具时,判断标准很朴素:像不像。光影自然、材质可信、运动不糊,就算过关。但做过几分钟的素材拼接后会发现,观众的耐心并不落在单帧上,而在连续性上。一个人从画面左侧走到右侧,中途换了件衣服的领口,观感立刻崩掉。镜头切换时,空间关系如果对不上,前面再精致也是白费。
所以视频生成的门槛其实是双层的。第一层是渲染,第二层是叙事逻辑。前者靠模型能力,后者靠对意图的拆解与保持。眼下很多讨论停在第一层,因为那一层更容易被看见。
我后来把实验简化了:只保留三个镜头,同一场景,同一人物,只用一句话描述动作变化。结果好一些,但仍需要反复重试。这说明它对“局部一致性”有办法,对“跨镜头记忆”还比较吃力。
提示词不是剧本
很多人把提示词当剧本写,塞进机位、焦段、光线方向、情绪词。写得越多,模型越容易被互相冲突的指令拉扯。比如“稳定的手持感”本身就是矛盾的表述,人写出来觉得有味道,模型接收到的却是两组相反的运动约束。
更有效的写法是分层:先确定场景与主体,再确定运动,最后才是风格。风格词放太多,容易让模型把注意力放在质感上,而忽略动作是否连贯。我在第二次尝试中把风格描述压缩到一句,把精力放在“谁在做什么、镜头往哪走”,画面反而稳定了。
这也意味着,视频生成目前更像一种需要排练的工具,而不是一次成型的按钮。它接受的是可执行的指令,不是文学化的想象。
可控性的边界在哪
目前能相对稳定控制的部分,大致集中在这些方面:
- 主体外观的短时保持,尤其是单镜头内的形态与材质;
- 镜头运动的粗略方向,比如推、拉、横移;
- 整体色调与光线氛围;
- 画面比例与构图倾向。
还不太稳定的部分同样明显:跨镜头的人物身份延续、复杂动作的因果衔接、多人交互时的空间关系,以及精确到帧的节奏控制。这些恰好是叙事短片最依赖的东西。所以现阶段更合适的场景,是氛围镜头、概念演示、素材补充,而不是完整叙事。
我也见过把视频生成用在分镜预演上的做法:先快速出几版运动方向,再交给实拍去校准。这个用法比较务实,它不要求工具承担最终画面,只承担沟通成本。视频生成在这个位置上,价值反而更清楚。
把预期放回地面
我不太认同“一句话出大片”的说法,也不太认同“只是玩具”的判断。它确实在变,但变化的方向是可控性,而不是魔法。理解这一点,使用方式会完全不同:少写形容词,多写动作;少追求一次成功,多做小步试错;先想清楚镜头之间靠什么连接,再去写提示词。
那支三十秒的短片最后没用成片,我把它拆成了几个单独的镜头,插进实拍素材里当过渡。效果不算惊艳,但没有违和。对我来说,这可能是目前视频生成最舒服的位置:不抢戏,补上空缺。
工具的能力边界会移动,但判断标准不会。能不能让观众相信这几秒钟里发生的事,比画面有多精细更难,也更值得盯住。