图像生成已经日用品化，视频生成还没有。它每秒的成本高得多，对某一帧出错也远不宽容，而出错的类型也不一样——不是材质纹理错了，而是一个人在两个镜头之间换了张脸。
本类的模型、定价与授权几乎每月都在变。任何商用之前，请向厂商核实当前条款。
三种类型
托管式前沿模型
来自大型实验室的视频生成，通常以限量预览的形式发布——OpenAI 的 Sora 系列、谷歌的 Veo 系列等。它们在最佳状态下往往给出最连贯的运动与最好的物理合理性。
- 优势：物理真实感与镜头运动最令人信服
- 优势：部分模型能生成音频与对白，这直接改变了"一段素材"的定义
- 短板：预览期内，开放程度、额度与定价本质上都是不稳定的
- 短板：细粒度控制有限；你是在描述并期待，而不是在导演
- 短板：内容限制在这里最严
剪辑工作流与创作工具
为真正做东西的人构建的视频工具——Runway 是长期存在的例子，同类的还有可灵、海螺/MiniMax 等拥有坚实用户群的产品。
- 优势：控制力——运动笔刷、镜头关键帧、局部重绘、延长镜头、匹配参考
- 优势：嵌在真实工作流里，有时间线、图层与导出选项
- 优势：默认是图生视频，而这恰恰是更容易控制的用法
- 短板：质量在不同镜头之间波动明显，你会生成很多次
- 短板：积分制让成本难以预估
开源权重与本地
可以自己跑或自己微调的模型，属于开源视频扩散这条技术脉络。
- 优势：没有单次生成成本、没有内容过滤、完全私密，且可以用自己的素材微调
- 优势：可复现——同样的种子与权重给同样的结果，这在真实制作里很重要
- 短板：硬件要求高、配置麻烦、迭代慢
- 短板：同等体量下质量总体落后于托管前沿，而且维护归你
图生视频胜过文生视频
如果本文只有一条建议值得记住，那就是：先生成静帧，再让它动起来。
- 构图、光线与主体可以作为图片廉价地反复迭代——图片生成快且便宜
- 视频模型随后只需要解决"运动"，而不是同时解决构图与运动
- 通过复用一致的角色或产品图，你可以在多个镜头间获得一致性
- 文生视频最好留给抽象或氛围镜头，也就是具体构图不重要的那些
仍然会崩坏的地方
- 身份漂移——几秒之内脸在微妙地变化，或者切镜之后角色变成了别人。这是叙事类工作最大的单点障碍。
- 物体恒常性——镜头中途出现、消失、复制或变形的物件
- 物理——液体不会倾倒、布料不会折叠、重量没有传递、物体互相穿过
- 手与交互——进步很大，仍是最可靠的破绽
- 可读文字——招牌、屏幕、标签。与图像模型同样的弱项，再被运动放大
- 因果——动作没有后果，或后果没有原因
- 长时长——连贯性随长度衰减；几乎所有东西在短镜头拼接里都表现更好
- 精确时序——"她在第三拍转身"仍更接近愿望而不是指令
成本是另一种形状
这是最容易被低估的部分。一个能用的四秒镜头可能要试十到三十次。乘以长度与重剪次数，"每秒单价"就变得很有误导性。
- 按成片秒数做预算，而不是按生成次数
- 短镜头拼接比一个长镜头更便宜、也更可靠
- 只在运动本身承载意义时用视频——对一张静帧做缓慢推移常常就够了，而且免费
- 在工具允许时用低分辨率迭代，只把成功的那条放大
超越工具本身要紧的部分
视频生成是第一个让普通人也能产出"从未发生过的事件"的逼真影像、并且可以包含真实人物的技术。后果值得说清楚：
- 来源信息很重要。 优先选择会嵌入内容凭证或水印的工具，并保留它们。把生成素材的来源信息抹掉，才是让它变得危险的做法。
- 同意不是可选项。 生成一个可识别的真实人物——包括同事、公众人物或私人个体——未经同意，无论工具允许与否，都是法律与伦理问题。
- 披露要求正在增加。 许多平台要求标注合成媒体，部分司法辖区已立法监管。发布前先确认。
- 绝不要生成真实事件的影像——新闻、灾害、冲突、医学断言——以免被误认为纪实材料。
怎么选
- 想要最好看的运动，愿意接受有限控制： 托管式前沿模型
- 真做生产、需要控制与工作流： 剪辑工作流工具
- 需要私密、批量，或用自己的素材微调： 本地跑开源权重
- 需要跨镜头角色一致： 先专门测这一项——项目就是在这里失败的
- 任何要发布的东西： 先查授权与标注要求
怎么拿到一个能用的镜头
- 从一张你满意的静帧开始，再让它动
- 描述运动，而不是内容——内容已由图像确立
- 镜头要短——三到五秒，然后剪
- 每次只改一个变量，并记录什么有效
- 尽早放弃。 第一秒不对，这个镜头就不对；不要等到看结尾
- 用剪辑掩盖弱点——切点、运动模糊、特写与声音能遮掉很多
- 保存种子与提示词，以备日后复现或延长
结论
托管式前沿模型给出最可信的运动、控制最少；剪辑工作流工具提供真实工作所需的控制；本地开源权重以质量和配置成本换取私密、批量与可复现。先生成静帧再让它们动，镜头保持短，按成片秒数而不是按尝试次数做预算。并把来源信息与同意当作工作的一部分，而不是补丁——这是唯一一个漫不经心的输出可能造成远超"渲染难看"的伤害的类别。