会议室里放着一支三十秒的片子:演员推门、转身、镜头缓缓推近,光从窗外斜切进来。放完,客户说第三秒的手部动作想改一下。没有人皱眉,因为这段画面还没开拍——它是由视频生成跑出来的动态分镜,改一版的时间成本,大概相当于下楼买杯咖啡。
它先解决的,是「说不清」
分镜脚本上写着「镜头缓慢推近,情绪收紧」。这句话在导演脑子里是一个画面,在客户脑子里是另一个。过去要靠手绘故事板、参考片截图、口头比划,来回几轮才能对齐。视频生成把这段沟通压缩成几十秒可以播放的东西:机位怎么走、节奏是快是慢、光比大不大,看一眼就知道分歧在哪。
这类用法的关键其实不在画面质量,而在于它允许反复试错。一个方案跑出来不像,换一个再跑,成本低到可以一次摆出五六种运镜让人挑。
接着遇到的是连续性
真正开始用,问题会集中出现在镜头与镜头之间。同一场戏生成两段,人物的衣服褶皱、桌上杯子的位置、窗外的光,往往对不上。单看每一段都成立,接起来就露馅。物理细节也是老问题:手指、液体、布料下垂的方式,仍然是最容易穿帮的地方。
可控性同样需要妥协。想指定「第三秒手抬到肩膀高度」,目前多数时候靠反复生成再挑,而不是精确地下一条指令。这意味着修改往往不是局部的——动一处,整段重来。
所以分工要具体一点
比较务实的做法,是先问这段素材打算用来干什么。
- 用来做决定——选哪个方向、预算给到哪一版、客户能不能点头,视频生成现在就能顶上。
- 用来交付——要上屏、要经得起逐帧看,它暂时还只是备选,最终仍要回到实拍或更精细的制作流程。
把这两件事混在一起谈,容易得出两种极端结论:要么觉得它什么都能干,要么觉得它一无是处。分开看,判断会清楚很多。
一个具体的感受是:视频生成省下来的时间,多数不在生成那几分钟,而在错误被提前发现的那几次会议上。真正难的部分——表演里那点说不清的分寸、镜头之间的呼吸——仍然要人来拿主意。工具让草稿变快了,但草稿什么时候能变成成片,答案还在人这边。