凌晨一点的剪辑室，时间线上摊着十几段素材。单看每一段都挺像回事：光影完整，构图讲究，运镜也顺。可一旦按下连续播放，问题就冒出来了——上一秒人物穿深色外套，下一秒变成了浅灰；镜头左摇时窗外是晴天，切回来玻璃上挂着雨痕。
这类麻烦，最近半年我听到的次数明显变多。视频生成把「从无到有」这一步的门槛拉得很低，几行描述就能换回一段可以播放的画面。但在真实项目里，画面能不能用，往往不取决于它单帧多好看，而取决于它能不能和前后镜头接上。
接不住，是眼下很具体的问题
剪辑师要的不是一张会动的图，而是一段能放进叙事的素材。叙事对素材的要求，粗略说有两点：一是连续，二是可控。
- 连续：同一场景里，人物的衣着、发型、道具位置、光源方向要稳定，动作要接得住剪辑点。
- 可控：想要「镜头从左侧缓慢推近」，出来的东西得大致是这个意思，而不是每次重新抽一次签。
眼下的视频生成在这两点上都还有距离。几秒钟的片段里，模型大致能维持住画面的一致性；一旦时长拉长，或者要求镜头做较大幅度的运动，中段就容易「漂」——人物五官微妙地变化，背景几何结构慢慢错位。观众未必说得清哪里不对，但会觉得不真实。
为什么会长着长着就变了
大致可以这样理解：模型逐帧或逐段地预测下一小段画面，每一小段都基于前面已有的内容。误差会累积，前面一个不起眼的偏移，被后面几十帧不断放大，逐渐就成了肉眼可见的变形。工程上有很多办法去约束它，比如把参考图、关键帧、运动轨迹作为条件喂进去，或者用某种方式把前后片段「缝合」起来。这些手段确实在进步，但约束越强，生成结果就越靠近输入，自由发挥的空间也就越小。
这就带出一个取舍：想让画面稳定，就得给出更多控制信息；想让它自己发挥，就得接受一定程度的随机。两者目前很难同时满足。
还有一个常被忽略的点是时长。十几秒对模型来说已经不短，可对叙事来说仍然偏短。一个完整的对话场景、一段有起承转合的追逐，往往需要几十秒甚至更长。于是实际工作流变成：生成若干短片段，再靠剪辑把它们连起来。这时候，接点选在哪里、如何处理跳变，又重新回到人的判断上。
哪些镜头现在就能用
我观察到的实际情况是，视频生成在几类镜头上已经能省下不少事：空镜、氛围铺垫、转场用的抽象画面、产品在市场环境里的短促特写。这些镜头对人物一致性和复杂交互的要求不高，即使有一点漂移，也不容易被注意到。
反过来，涉及精确口型、多人交互、手部操作细节、物理逻辑严谨的镜头，目前仍然吃力。硬要用，往往要生成很多次再挑，时间成本未必比实拍低。这不是唱衰，而是说清楚它的边界在哪里——工具的价值，一半取决于它擅长什么，一半取决于使用者知不知道自己什么时候该换别的办法。
对创作者来说，更实际的变化也许不是「能不能替代拍摄」，而是素材来源多了一类。判断力变得更重要：哪一段值得留下，哪一段必须重来，接点放在哪一帧，这些仍然是人做的决定。视频生成把出片的速度提上去了，也把「挑」和「接」这两件事的分量提了上去。
回到那间剪辑室。凌晨两点，时间线终于顺了下来，用掉的三段生成素材里，有两段只截取了不到两秒。剩下的大部分镜头，还是老老实实拍出来的。