一段五秒的镜头，画面干净，光影也对，人物转头时发丝没有糊成一片。你把进度条拖回去看第三遍，还是觉得不对——不是画面不对，是它不知道什么时候该停。
过去一段时间，视频生成解决的多是“像不像”的问题。分辨率、纹理、运动的连贯性，肉眼可见地往前挪。可真正落到剪辑台上，卡住人的往往不是这些，而是一个更笨的问题：这个镜头该有多长，动作做到哪一帧收，收完之后接什么。
生成出来的常常是素材，不是镜头
素材是被挑选的对象，镜头是带着意图的片段。前者只需要好看，后者需要知道自己为什么在这里、到哪里为止。模型给出的更接近前者：它把五秒填满，却不知道第二秒半那个转身才是重点。
这带来一种奇怪的工作节奏——生成很多，用上很少。有人把这叫抽卡，我觉得更接近淘金：你得先有一堆，才能从中挑出一两个能接上的。
剪辑点其实是一种语法
人剪片子时，切点常落在动作的中段、视线转移的瞬间，或者让声音先到、画面后到。这些规则没人系统教过，是从大量看片里长出来的肌肉记忆。
视频生成要学的不只是像素规律，还有这套语法。眼下多数工具的控制手段是首帧、尾帧、提示词、镜头运动，它们能约束“这一段里发生什么”，却很难表达“我要在第 2.3 秒切走”。于是控制权又回到人手上：把长镜头拆成短片段，逐段生成，再到时间线上拼。听上去像退步，其实是分工变清楚了——模型负责画面，人负责节奏。
一致性是另一个慢变量
人物、场景、光线在多个片段之间保持一致，同样需要时间。首尾帧衔接、参考图、局部重绘这些手段在补，但补的多是工程问题，不是创作问题。真正难的是意图的一致：你脑子里那个镜头、你写出来的提示词、模型理解到的东西，常常是三样东西。
现在适合做什么
- 空镜、氛围镜头、转场用的过渡素材；
- 难以实拍或搭景成本过高的场景示意；
- 分镜阶段的动态预演，让团队先看到“大概是这样”；
- 需要大量变体的创意发散，先铺开再收窄。
不太适合的也清楚：需要精确表演、精确口型、精确物理交互的段落，硬上往往花掉比实拍更多的时间。这类需求不是不能做，是性价比要单独算。
一分钟不是难点
所以我看视频生成，不太关心它什么时候能一口气生成一分钟的长片。一分钟本身不难，一分钟里有多少个正确的切点才难。时长是工程指标，节奏是创作判断，两者不在同一条曲线上。
工具在变，判断没变：知道自己要什么，比生成出什么更难。