一个三十秒的产品短片，过去要租场地、约演员、等后期；现在有人用一段文字描述，先生成前五秒的画面看看感觉。AI 视频生成这两年进步很快，快到很多人的预期已经跑到能力前面去了。这篇按制作环节拆开：画面、镜头、人物、声音、长叙事，各自做到了哪一步，哪一步还差得远，以及选工具时该盯自己的哪个瓶颈。
进步集中在四个方向
回头看这两年的变化，提升主要发生在稳定性、时长、音画同步和可控性上。早期生成视频最直观的问题是抖和变形：人物走两步脸就变了，背景物体自己会融化。现在多数主流模型在几秒到十几秒的片段里，画面稳定性已经能应付社交平台的播放。单段时长在增加，音画同步开始出现——部分模型能直接生成带环境音或对白的片段。可控性也在往前走：首尾帧、参考图、运镜指令、局部重绘，这些手段让「按设想生成」从碰运气变成可以调。
逐环节看能做到哪一步
| 环节 | 能做 | 不能做 |
|---|---|---|
| 单个镜头画面 | 几秒到十几秒的稳定画面，风格统一，质感接近实拍 | 长时间保持同一场景的细节不变，复杂物理互动容易出错 |
| 镜头运动 | 推拉摇移、环绕、变焦，用指令或首尾帧大致控制 | 精确到某一秒的运镜节奏，多镜头之间的运动衔接 |
| 人物一致性 | 同一镜头内保持形象；用参考图锁定大致外观 | 跨镜头稳定同一张脸、同一套服装、同一场景光位 |
| 对白与口型 | 短句配音配口型，环境音效生成 | 长段对白的情绪连贯，多人对话的声画对齐 |
| 长叙事 | 拼出分镜级片段，做概念片、情绪片 | 连贯讲完一个有起承转合的故事，跨镜头保持时空逻辑 |
| 后期衔接 | 生成素材导入常规剪辑软件做粗剪 | 替代剪辑、调色、混音这些工序 |
这张表里最关键的一行是人物一致性。它决定 AI 视频能不能从「做素材」走到「做片子」。观众对一张脸的连续性极其敏感，跨镜头一换脸，前面的情绪积累全部作废。目前的通用做法是用参考图、角色锁定或首尾帧去约束，效果在简单场景里可用，一旦涉及转身、遮挡、光线变化，稳定性就下来了。生成、剪辑、配音各自的分工，可以参考 AI 视频的三个环节怎么分工。
时长为什么还是短
时长上不去，原因不只在算力。视频是一帧一帧连着生成的，误差会顺着时间累积：前一秒的轻微偏差，到第十秒就放大成结构崩坏。要让画面在更长时间里保持一致，模型得同时记住场景布局、人物外观、光线方向、物体位置，这些信息的存储和计算成本随帧数增长得很快。另一个原因是训练素材：真正高质量、长时段、镜头语言完整的视频样本，比图片少得多。所以「单段能生成几分钟」这类说法，多数指的是拼接或延展，而不是一次生成一条连贯的长镜头。相关约束可以看 多模态模型怎么处理视频。
可控性差在哪
文字描述和画面之间，本来就不是一一对应的关系。「一个人在雨夜奔跑，情绪紧张」这句话，可以对应无数种构图、光位、镜头高度，模型只能挑一个它认为合理的。用户想要的那个具体画面，往往需要多轮试错才能逼近。首尾帧、参考图、局部重绘这些功能，本质上是在给文字加约束，把解空间缩小。它们有效，但仍然是「调」，谈不上「画」——想精确到某个构图、某个表情、某个道具位置，目前还得靠人工在后期补。这也是为什么专业制作团队把它当素材工具，而不是当摄影机。
它替不掉的那部分
AI 视频降下来的是拍摄成本，叙事成本并没有跟着降。分镜怎么切、节奏怎么走、哪一秒该留白、哪个镜头该压住不给全景，这些判断来自对观众注意力的理解，模型给不了。它也不承担合规责任：生成的内容是否侵权、是否误导、是否用了别人的肖像和声音，责任在发布者。还有一层常被忽略——它生成的是「看起来对」的画面，物理规律、时间逻辑、人物动机都可能不自洽，观众第一眼未必发现，看完整片却会觉得「哪里不对」。这种不对劲很难靠后期修，只能在前期设计时规避。
怎么挑工具
先找自己的瓶颈，再对号入座。要的是快速出概念片给客户看，优先选生成快、风格多的；要的是一条能反复用的人物线，优先看角色一致性和参考图能力；要的是精确运镜和构图，优先看控制手段够不够细，并接受更长的调试时间；要的是带声音的成品片段，看音画同步的质量。同一个需求下不同产品的差异，可以看 两家主流工具怎么选。试用时别只看官方演示片，用你自己的分镜描述跑三条，看它理解到什么程度——演示片都是挑过的。
速查：AI 视频的能力边界
- 单镜头稳了，跨镜头的人物一致性还没稳
- 时长靠拼接，不是一次生成长镜头
- 文字到画面靠「调」不靠「画」，精确构图仍需后期
- 省的是拍摄成本，不是叙事成本
- 肖像、声音、版权责任在发布者，不在工具
