上周帮同事看一段刚生成的素材。画面是一只手推开木门，光线很好，尘埃在斜射进来的光里浮动，乍看几乎可以骗过眼睛。他把进度条拖回去，放大，指给我看：食指的关节多了一道褶，小指的长度比记忆里短了一点。我们又看了三遍，确认这不是错觉。
进展是真的，只是位置变了
两三年前，视频生成能输出十几秒的连贯画面就算惊喜，人物走两步就散架，镜头一动背景就跟着融。现在时长、分辨率、运镜稳定性这些方面，肉眼能感到的提升是实在的。问题在于，进步把错误从「一眼可见」推到了「需要停下来找」。这其实抬高了使用成本，而不是降低。
于是剪辑台上多出一道工序：逐帧看。看手指，看杯子有没有换手，看两个人对话时到底谁在开口。这些事以前在拍摄现场就解决了，现在被推给后期，推给坐在屏幕前的人。
一段能用的素材，代价在哪里
- 物理：液体倒进杯子，水位和倾斜角度对不上；布料的皱褶在转身之后自己抚平了。
- 因果：门被推开，门框却没有受力；人物坐下，椅子没有下陷。
- 连续性：同一个角色在相邻两个镜头里换了发型，或者手表换到了另一只手上。
单看每一条都不致命，合在一起就成了返工的理由。真正卡住项目的往往不是「生成不出来」，而是「生成了二十条，没有一条能直接用」。
它改变的是流程，不只是画面
我见到的用法，更多是把视频生成放在前期：给客户看一个氛围，给分镜找一个参考，或者在正式拍摄前先把镜头语言跑一遍。这个位置比较诚实——它输出的是可能性，不是成片。硬要它承担成片的角色，讨论就会滑向「像不像真的」，而这个问题本身没什么产出。
另一件事是来源。素材是生成的还是拍的，交接时尽量说清楚；水印、元数据、授权范围这些琐碎的约定，出问题时比画面质量重要得多。这方面的规范还在成形，各家做法不一，暂时没有统一答案。
剩下的部分还是人的
那个同事最终没用那段素材。他说不是手指的问题，是「这个推门的动作没有犹豫」。这句话我记住了。工具能把光算对，把尘埃算对，但一个动作里该有多少迟疑，还得有人替它决定。