一个做家居电商的编辑需要十秒素材：一只马克杯在木桌上转半圈，光从左侧斜进来。搁在两年前，这要么约人拍摄，要么在素材库里翻到眼花。现在她把这句话打进输入框，等上几分钟，拿到几段能播放的片段。事情到这一步还算顺利，但接下来那句“敢不敢用”，才是真问题。
先出来的通常不是成片，是草稿
描述写得越具体，结果越贴近意图，可一旦涉及物体的连续状态，破绽就冒出来。杯子的把手在第三秒变了形状，桌面反光跟着镜头一起漂。这不是清晰度的事，而是时序上的连贯性——模型知道每一帧该长什么样，却不一定清楚这些帧之间发生了什么。
所以第一次点下视频生成的按钮，心态更接近“看看它怎么理解”，而不是“取货”。
成本没有消失，只是换了地方
用它的人很快会碰到一件事：时间不再花在拍摄和剪辑上，而是花在筛选和重述上。改一个形容词，整段重来，上一轮的运气一并清零。这种不可累加的特性，让“提效”这个说法得打个折。片段短、可用比例有限，反复试错的隐性工时往往不被算进去。
也有工具在往可控的方向走：首尾帧约束、镜头运动设定、局部重绘。思路都是把随机性收窄，让改动只影响该影响的地方。这类能力目前参差，但方向比单纯的画面精细度更值得关注。
哪类活它已经接得住
- 氛围空镜、抽象转场、需要快速看效果的提案分镜——这些本来就容许模糊，生成的瑕疵反而不刺眼。
- 要求品牌元素准确、真人表演、双手精细操作的镜头——仍然不省心，改到能用的时间可能超过实拍。
换句话说，判断标准不是“像不像真的”，而是“改起来顺不顺手”。一个镜头如果每次调整都要重新掷骰子，那它在流程里就还是个外部变量，不是可控的一环。
我更愿意把眼下的视频生成看作一个能出草稿的合作者，而不是能交付的同事。它把“从零到有”的门槛压得很低，却没有同步降低“从有到对”的成本。那位编辑最后的做法是：主体镜头照旧实拍，用两秒生成的空镜补了个转场。粗糙，但够用——这大概就是此刻多数人的真实手感。