三分钟样片里的裂缝
前几天看了一段用模型做的三分钟样片。前五秒很唬人：晨雾、逆光、镜头缓慢推近，质感接近实拍。看到第三分钟，主角侧脸换了个人，桌上杯子从左手边挪到右手边，窗帘花纹也变了。没有字幕提示，但眼睛比大脑先察觉——那种“哪里不对”的感觉，来自连续性断了。
它擅长的是片段，不是时间
现在的视频生成，多数是在短时间窗里逐段合成，再拼起来。每一段内部，光影、材质、动作都还能自洽；跨段之后，角色长相、服装褶皱、道具位置、光源方向这些需要记忆的东西，容易漂移。误差不是突然出现的，是一帧一帧攒出来的，等到观众看出问题，往往已经过去几十秒。
要压住漂移，常见做法是给参考帧、锁定角色图、写更细的提示词，把机位、景别、光线方向交代清楚。这些手段有用，但代价是前期准备工作变重。创作者从“描述一句就等结果”，变成“先想清楚再描述”，工作量没有消失，只是从看结果挪到了写之前。
镜头语言不是滤镜
另一个常被低估的问题是叙事意图。模型不知道这个镜头为什么存在：是要交代空间关系，还是给人物情绪留半秒停顿，或者只是转场。提示词能描述画面，描述不了“为什么这样拍”。所以经常出现画面漂亮但节奏不对的段落——推拉摇移全都有，剪起来却接不上。
这也是我不太愿意把视频生成直接当成片工具的原因。我更愿意把它当预演工具：在正式开拍或正式制作前，把脑子里的画面快速做出来，看看调性对不对。它的价值在于缩短“想—看”之间的距离，而不是替人做决定。
成本挪到了审片环节
还有一个现实问题：废片率。生成多次留一条，是常见的工作方式。时间成本看着降了，审片成本上来了——要在几十个版本里挑，还得盯住口型、字幕、手指、反光这些细节。对个人创作者，这是可以接受的；对需要交付确定结果的团队，这部分隐形成本要提前算进去。
- 适合：空镜、氛围镜头、转场素材、概念预演、补拍困难的场景。
- 谨慎：角色需要贯穿始终、品牌露出精确、复杂肢体交互、长对白的段落。
上面两类不是评判，只是提醒：越依赖时间连续性的内容，越需要人盯着。
回到那个第三分钟
视频生成真正要解决的，不是把单帧做得更真，而是让模型记住上一秒发生过什么。这件事在技术上还在推进，短期内更现实的做法，是把长段落拆成可控的小段，每段都有人确认。手艺没被替代，只是换了位置。