第一次看到那些样片的人，反应往往相似：先是几秒的沉默，然后问一句“这是生成的？”画面里水花溅起来，光线从侧面扫过去，人物的头发被风吹动。单看每一帧，都挑不出明显的毛病。
但把这样的片段放进一个真正要交付的项目里，问题会换个方向冒出来。不是“像不像”，而是“能不能改”。
一段和一场，中间隔着什么
演示通常只展示一个镜头。一个镜头之内，模型要维持的是画面内部的连贯：物体的形状别变形，光影别突然跳，动作别中途断掉。这件事已经做得相当不错。
可叙事需要的是镜头与镜头之间。同一个人从左走到右，下一个镜头里衣服的褶皱、发丝的走向、脸上的光，都得对得上。角色一旦跨镜头，一致性就变成了另一道题。更麻烦的是因果——上一个镜头里杯子还在桌上，下一个镜头它不该凭空消失。这些在实拍里由物理世界自动保证的东西，在生成里需要被额外约束。
所以现在看到的大多数惊艳片段，本质上还是“一段”，不是“一场”。这个区别，比分辨率和时长的提升更难跨过去。
真正的成本藏在重抽里
创作者对工具的评价标准，其实很朴素：一版不满意，改起来要多久。
提示词目前是一种效率不算高的控制方式。想表达“机位低一点、镜头缓缓推近、景深浅一些”，写成一串描述，模型未必照做；多做几次，得到的是几个方向不同的结果，而不是同一个方向上逐步逼近的版本。于是工作方式变成了反复抽，抽到一张能用的为止。
这种随机性在灵感阶段是优点，在交付阶段是负担。剪辑师需要的不是十个别出心裁的版本，而是一个可以局部改动的版本：把这只手的位置挪一点，把这束光压暗一点，把时长延长半秒,其余保持不变。局部可控、可复现，才是视频生成从“能看”走向“能用”的关键一步。
剪辑台上，片段要重新学会排队
生成的素材进入时间线之后，会遇到一批很传统的问题。镜头长度是否符合节奏，前后两段的运动方向是否冲突，切点落在哪里才不别扭。这些问题和拍摄方式无关，只和剪辑规律有关。
声音是另一处容易被忽略的地方。画面生成得再顺，脚步声、环境底噪、口型对不上，观众的注意力立刻被拉走。目前多数流程仍然是把画面和声音分开处理，再在后期合起来，这中间的磨合成本不小。
还有一处现实约束：素材要能进入现有的协作链条。文件格式、分辨率、色彩空间、元数据，听起来琐碎，却决定了它能否被下一个环节的人顺利接手。
有些东西应该被标出来
当画面足够逼真，来源就变成了需要交代的信息。哪些片段是生成的，用了什么素材训练，是否涉及真实人物或受保护的作品，这些问题的答案，理想状态下应当跟着文件一起走，而不是留在某个人的记忆里。
行业里在讨论水印、元数据和内容凭证之类的做法，进展不一，约束力也有限。但方向大致清楚：让观者有办法知道自己在看什么。这不是给技术设限，而是让它能被长期使用的前提。
换一个指标看进展
如果让我挑一个观察点，我会选“修改一次的成本”，而不是时长和分辨率。前者决定它是玩具还是工具，后者只决定演示好不好看。
眼下的视频生成，擅长制造惊叹，还不擅长承受反复修改。等哪天创作者不再需要抽十次才敢定稿，而是能像调整一段实拍素材那样从容地调整它，这项技术才算真正落了地。在那之前，那些漂亮的五秒钟，仍然只是一段路走完了开头。