今年同一句话,Veo 3.1 能给你一段八秒的画面:猫跳上台面,牛奶盒倒下,液体顺着桌沿往下淌,落地有声——连"啪嗒"那一下都对上了。

进步是真的。但如果你由此以为"AI 已经能拍片了",那是被发布会的精选片段骗了。2026 年 5 月的真实情况是:AI 视频在 10 秒以内的单镜头里已经接近以假乱真,但只要你想讲一个完整的故事,它立刻露馅。 这篇把这条分界线划清楚。

四家主流,各打各的算盘

先把牌摊开。2026 年第一梯队基本是这四家加一个 Runway,但他们的定位差得很远。

几个观察值得说。

Sora 的故事很拧巴。 Sora 2 的技术口碑不差——物理一致性、多镜头世界状态保持都做得用心。但 OpenAI 把消费级 Sora App 砍了,API 也排上了停服日程。一个技术上领先的产品,商业上却在往回收。这说明一件事:纯粹"文生视频"作为一个独立 App,很难单独养活自己。

真正在闷声赚钱的是中国公司。 可灵全球用户冲到 6000 万,快手已经在张罗把它拆出来单独 IPO,Pre-IPO 估值约 200 亿美元。在第三方盲测里,可灵在"自然人物动作"和"提示词遵循"这两项上经常排第一,尤其是多人互动的复杂场景。字节的 Seedance 2.0 走的是另一条路——多模态联合架构,音频和画面在同一次生成里一起算出来,所以对口型和环境音效更准。

Veo 是"水桶型选手"。 它未必每一项都最强,但画质稳、运镜稳、还能直接塞进 Google Vids、Flow 这些工具里。对一个本来就用 Google 全家桶的团队,Veo 的"顺手"本身就是竞争力。

现在真能做好什么

把发布会的滤镜摘掉,2026 年 AI 视频确实已经做扎实的能力有这么几块。

10 秒以内的单镜头,质量过关。 一个固定或简单运镜的镜头——人物特写、产品旋转展示、风景空镜——只要不超过十几秒,现在的输出在画质、光影、材质上已经能用在正式内容里。这不是"凑合能看",是真能上片。

运镜变成了可控参数。 推、拉、摇、移、跟焦,这些以前要靠运气抽卡的东西,现在能在提示词里点名,而且基本听话。可灵 2.6 的运动控制甚至能把一段参考视频的运动轨迹"迁移"到新画面上。

风格化内容是甜区。 动漫、定格、超现实、广告质感——这些本来就不要求"物理绝对正确"的风格,AI 做得比写实更稳。因为写实的破绽肉眼一抓一个准,而风格化本身就给了模型容错空间。

原生音频不再是后期。 Veo 3.1、Sora 2、Seedance 2.0 都能在生成画面的同时生成对白、音效、环境声。Seedance 是音画联合架构,声音和画面同一次算出来,对口型准度明显更好。这一步省掉的后期工作量,比想象中大。

还做不好的那几样,是真做不好

这是这篇文章最想说清楚的部分。下面几个不是"再等几个月就好",是当前路线下的硬骨头。

flowchart TD
  A[一句提示词] --> B{时长 < 10秒?}
  B -->|是| C[单镜头质量过关
可直接用]
  B -->|否| D[长一致性塌房
人物/场景漂移]
  C --> E{需要精确控制?}
  E -->|否| F[甜区:社媒/空镜/风格片]
  E -->|是| G[反复抽卡
不如真拍]
  style C fill:#cdebc5,stroke:#5a9e4a
  style F fill:#cdebc5,stroke:#5a9e4a
  style D fill:#f5c6c6,stroke:#c0504d
  style G fill:#f5c6c6,stroke:#c0504d

长时一致性。 这是最大的坎。绝大多数工具撑到 30–60 秒之后,画面就开始"漂"——人物的脸慢慢变样,衣服的扣子数量对不上,背景里的家具悄悄挪位。这叫身份漂移(identity drift)和误差累积。观众其实两三秒就能察觉到不对劲,信任感一下就没了。所以你看到的所有"AI 生成的两分钟短片",几乎都是十几个短片段剪出来的,不是一气呵成。

复杂物理。 刚性物体的碰撞、抛物线,模型已经学得不错。但液体、布料、烟雾、多个物体互相作用,还是会出"看着合理、物理上错"的画面:水流会有一瞬间往上爬,布料穿过身体,头发像有自己的意志。Sora 2 的篮球反弹是个标志性进步,可那是因为篮球轨迹相对简单。

精确控制。 你能描述一个大概,但没法精确指挥。“让她在第三秒抬左手,手停在下巴下方两厘米”——这种导演级的精度,提示词给不了。结果就是反复抽卡:生成、不对、改词、再生成。当你需要的画面足够具体时,抽卡二十次的时间成本,经常已经超过真拍一条。

人物一致性。 同一个角色出现在不同镜头里还长一个样,依然不稳。Runway Gen-4 靠单张参考图做角色一致性是目前最像样的方案,Sora 2 的"客串"功能能把你本人放进场景。但只要切镜头、换光线、换景别,人物多少会变。对需要主角连续出场的叙事内容,这是致命伤。

哪些场景已经能真金白银落地

说了这么多限制,不是劝你别用。恰恰相反——只要你的需求落在"短、单镜头、容错高"这个区间里,AI 视频今天就能省钱省时间。 已经在规模化落地的有这么几类。

广告和电商的零碎镜头。 产品空镜、氛围片段、转场素材,这些本来就是几秒钟的单镜头,AI 做正合适。一条电商详情页视频里,真人出镜的部分照拍,中间的产品展示、场景氛围用 AI 补,成本结构立刻变了。

分镜和概念验证。 这个被低估了。导演、广告创意想跟客户讲清楚一个镜头长什么样,以前画分镜板,现在直接生成一段动态参考。它不用是最终成片,只要"意思到了",决策效率就上来了。哪怕最后还是真拍,前期沟通的来回少了一大半。

社媒短内容。 抖音、小红书、Reels 上那种十几秒的卡点、转场、视觉奇观,本来就不追求长叙事和物理严谨,容错空间大,正好是 AI 的甜区。可灵、Seedance 在国内创作者里铺得快,就是这个原因。

多语言本地化。 Seedance 2.0 这类带多语言对口型的模型,让一段素材换个语言重新"配音"且对得上嘴,这在出海内容里是实打实的刚需。

离"替代真实拍摄"还差什么

最后回到那个所有人都在问的问题:它什么时候能替代片场?

我的判断是:短期内不会,而且"替代"这个框架本身就提错了。

差的不是画质——画质已经够了。差的是这三样:

一是连续叙事的稳定性。电影是几十个镜头里同一批人、同一个世界,连贯地讲一个半小时。AI 现在连两分钟的连贯都保不住。这不是分辨率问题,是模型对"世界状态"的记忆问题,得有架构层面的突破。

二是精确的可控性。片场里导演说"再来一条,这次慢半拍",演员能立刻调整。AI 的"再来一条"是重新抽卡,你没法精确指挥它改哪里、改多少。创作是控制的艺术,失控的工具再强也只是素材生成器。

三是责任与确定性。一个剧组交付的是确定的、可追溯、可修改的成片。AI 给你的是一次概率采样的结果,改一个细节可能整个画面都变了。商业制作要的是"我要的就是这个,而且下次还能复现",这一点 AI 目前给不了。

flowchart LR
  A[2026 现状] --> B[10秒单镜头
已经能打]
  B --> C[需突破:长一致性]
  C --> D[需突破:精确控制]
  D --> E[真正进片场]
  style B fill:#cdebc5,stroke:#5a9e4a
  style E fill:#fde7c2,stroke:#e8b23c

所以更准确的说法是:AI 视频不会"替代"拍摄,它会先吃掉拍摄里最标准化、最零碎的那部分——空镜、产品镜、氛围片段、分镜预演。这部分本来就不太需要"创作",AI 接手天经地义。而真正考验连续叙事、精确表演、复杂调度的部分,还稳稳地留在人手里。

如果你是创作者,2026 年正确的姿势不是观望,也不是 all in,而是:把它当成一个非常强的"短镜头素材机"和"分镜工具",而不是一个"导演"。 用它擅长的,绕开它做不到的。这一年它能帮你省的钱和时间,已经足够多了。

参考来源:Sora 2 — OpenAI、Veo — Google DeepMind、Veo 3.1 Lite — Google Blog、Runway Gen-4 — Runway Research、Seedance 2.0 — ByteDance Seed、Kling AI 官网、The State of AI Video Generation in 2026 — is4.ai。

两个团队,同样要做一支 30 秒的产品宣传片。A 团队拿最强的文生视频模型,写了一段漂亮的 prompt,十分钟出片,画质惊艳——然后发现主角的衣服在第二个镜头变了颜色,客户不要。B 团队画质明显糙一截,但每个镜头的相机怎么推、主角长什么样、最后一帧停在哪,全都对得上。客户选了 B。

这件事说明一个被低估的事实:AI 视频生成早就过了"画得好不好看"的阶段,现在卡在"画得跟不跟你想的一样"。 2026 年发布的模型——Veo 3.1、Runway Gen-4.5、Kling O1、Pika 2.5——画质都够用了,真正的竞争发生在控制层。这篇不横评工具,只讲一件事:怎么让 AI 视频听话。

为什么"可控"比"画质"更卡落地

画质是个连续变量,差一点也能用;可控性是个二元变量,要么对要么废。

商业视频的本质是"带着约束的创作"。客户给你一张产品图,主角的脸不能变,品牌色是固定的 RGB 值,这个镜头要从左往右摇,下个镜头要接得上。这些都不是"建议",是硬约束。一个画质 95 分但主角换了张脸的镜头,商业价值是 0,不是 95。

文生视频的根本问题在这:prompt 是个低带宽的接口。 你想说的是"相机以每秒 15 度的速度向右平摇,主角始终在画面左三分之一",你能写的是"镜头缓缓摇过,主角在一侧"。中间丢掉的信息,模型用它训练数据里的先验给你补——补出来的东西好不好看是一回事,是不是你要的,完全是另一回事。

所以可控视频生成这两年的所有进展,本质上是在干同一件事:给模型加上 prompt 之外的、带宽更高的控制信号。 参考图、相机轨迹、首尾帧、mask,都是这个东西。

flowchart TB
  P[文字 prompt
低带宽] --> M[视频生成模型]
  R[参考图
锁身份/风格] --> M
  C[相机轨迹
锁运镜] --> M
  K[首尾帧
锁起止] --> M
  K2[局部 mask
锁编辑范围] --> M
  M --> V[可控的视频]
  style P fill:#fde7c2,stroke:#e8b23c
  style R fill:#cfe8d5,stroke:#4f9d69
  style C fill:#cfe8d5,stroke:#4f9d69
  style K fill:#cfe8d5,stroke:#4f9d69
  style K2 fill:#cfe8d5,stroke:#4f9d69

橙色那条是大多数人唯一在用的接口,绿色那几条才是 2026 年真正在拉开差距的地方。下面逐个拆。

运镜:从形容词到轨迹

运镜是最早被"控制化"的环节,因为它的需求最刚硬。

早期文生视频控制运镜靠形容词——“dolly in"“pan left"“crane shot”。这套东西的问题是,模型对这些词的理解是统计意义上的:它见过一万个标着 “pan left” 的片段,给你生成一个"平均的左摇”。速度多快、摇多少度、什么时候开始,你说了不算。

2026 年成熟的做法分两个层次。

第一层是离散的相机指令,Runway 的 Director Mode 是代表:你不是写形容词,而是在面板上选"水平移动 +30、垂直 0、变焦 -10”,给的是数值。这比形容词强,但还是预设档位的拼装。

第二层是连续的相机轨迹控制,这是研究界正在往产品里推的方向。学术上像 I2VControl-Camera 这类工作,把相机位姿表达成一条可调的三维轨迹,还能单独调"运动强度"——同一条轨迹,你可以要它走得猛一点或者收一点。ATI 这类工作更进一步,把相机运动、物体平移、局部形变统一成一套"轨迹指令",用户在图上画几条线,模型照着线动。

这里有个工程上的判断值得说:别期待一个模型既会高质量生成、又会精确听轨迹。 目前实践里更靠谱的是分层——先用大模型出基础画面和运动,相机轨迹作为一路独立的控制信号注入,而不是指望它从 prompt 里"悟"出来。运镜控制做得好的产品,基本都把"画什么"和"相机怎么动"解耦成了两路输入。

一致性:三个不同的问题,别混为一谈

“一致性"是个被说烂的词,但它其实是三个独立的问题,解法完全不同。混在一起谈,是新手最大的认知误区。

时序一致性是镜头内部的事:一段 5 秒的视频,主角的手不能忽然多一根指头,背景的招牌字不能一帧一个样。这个问题主要靠模型自身的时序建模能力,2026 年主流模型在 5–10 秒的片段内基本解决了。它不是你能控制的,是模型出厂带的。

角色一致性是跨镜头的事,这才是你要操心的。同一个人物,镜头一在咖啡馆、镜头二在街上,得是同一张脸、同一身衣服。2026 年的标准答案是参考图(reference image):Veo 3.1 的 “Ingredients to Video” 让你一次传最多四张参考图,分别锁主体、风格、构图;Runway Gen-4.5、Pika 2.5 都把参考图做成了一等接口。这里要建立的关键认知是——图生视频(image-to-video)在可控性上几乎总是优于文生视频。 一张参考图从第一帧就把身份、风格、构图全锁死了,模型只需要负责"动起来”。能用图起手,就别用纯文字起手。

跨镜头风格一致性最难,因为它没有单一的技术开关。十个镜头,每个都单独生成,哪怕都用了同一张角色参考图,光线方向、色温、颗粒感还是会飘。这个问题在 2026 年没有被模型解决,它是个工作流问题,后面专门讲。

首尾帧:把"生成"变成"补全"

如果只能推荐一个提升可控性的技巧,我会选首尾帧。

标准图生视频只锁第一帧,后面让模型自由发挥——你不知道它会停在哪。**首尾帧控制(first-last-frame)**把这件事反过来:你给定开始的图 A 和结束的图 B,模型的任务从"自由生成"降级成"在 A 和 B 之间补出中间帧"。Runway 叫 Keyframe,Kling 叫起止帧,Kling O1 把双关键帧做成了核心能力,Luma 叫 Keyframes,叫法不同,是同一个东西。

为什么这招好用?因为它把一个开放问题变成了闭合问题。开放问题"生成一段视频"有无数个解,模型挑哪个你管不着;闭合问题"从 A 走到 B"的解空间被两头夹死了,模型只能在中间这段动脑筋。 解空间小,可控性自然高。

对叙事尤其关键——一个镜头要"结束在某个特定画面"上,好接下一个镜头,首尾帧是唯一可靠的办法。LTX 2.3 这类工作甚至支持首、中、尾三个锚点,中间再插一帧,等于把一个长镜头的运动轨迹钉了三个点。

代价是你得先有 B 这张图。所以现实工作流常常是:先用文生图模型把每个关键画面的"起"和"止"都画出来,再用首尾帧让视频模型去连。画面设计和运动生成被拆成了两步——这恰恰是它可控的原因。

局部编辑:不要重生成整段

视频做到 90% 时,客户说"主角的杯子换成蓝色,别的不动"。

最糟的做法是改 prompt 重新生成整段——你会得到一段哪儿都不一样的新视频,杯子是蓝了,但运镜变了、表情变了,客户更不满意。局部编辑(local editing) 要解决的就是这个:只改你圈出来的地方,其余每一帧像素级不动。

技术上这是视频 inpainting 的活儿,2026 年的研究重点是怎么兼顾"局部干净"和"全局不漂"。视频 inpainting 有个老毛病:逐帧补会闪烁(局部不平滑),整段一起补又容易让被编辑区域慢慢偏离原意(全局漂移)。EditCtrl 这类工作的思路是只在被 mask 的 token 上做计算,算力开销跟编辑区域大小成正比——你只改一个杯子,就别为整个画面付费。OmniPainter 这类则用"自回归分数管局部平滑、层级分数管全局连贯"的混合引导来平衡这对矛盾。

落地建议很直接:把局部编辑当成跟生成同等重要的能力去选工具。 一个只会从头生成、不能精确局部改的视频模型,在真实商业流程里是残废的——因为客户的修改意见永远是"这里改一下",不是"全部重来"。

prompt 能控到哪,控不到哪

说点得罪人的。prompt 在视频生成里,是个被高估的控制手段。

它能控的:画面里有什么(主体、场景、大致风格、氛围)。这部分 prompt 是合格的,而且不可替代——你总得用语言说清楚要画什么。

它控不动的:任何需要精度的东西。精确的相机速度、物体在第几秒到达画面哪个位置、两个角色的相对站位、光线的具体方向——这些用文字描述,模型只能给你一个"差不多"。原因前面说过,自然语言对几何和时序的描述带宽太低,你写得再细,信息也在"文字→模型理解"这一步被压扁了。

所以一条实践原则:prompt 负责"内容",专门的控制信号负责"精度"。 想控运镜就上轨迹/相机面板,想控身份就上参考图,想控起止就上首尾帧,想控局部就上 mask。指望把这些全塞进一段 prompt 里"写清楚",是在跟模型的接口带宽较劲,较不赢的。

判断一个视频产品成不成熟,看一个指标就够:它除了 prompt 框,还给了你几个真正的控制接口。 只有一个 prompt 框的,是玩具;有参考图、有相机控制、有首尾帧、有 mask 编辑的,才是生产工具。

把碎片拼成叙事:可控性的终极考题

前面所有控制手段,都是为了一个镜头。但一支片子是几十个镜头。单镜头可控,不等于整片可控——这是 2026 年 AI 视频离"真能用"最后、也最硬的一道坎。

现在没有任何模型能一次生成一支风格统一的三分钟片子。能稳定输出的上限是 5–10 秒的单镜头。所以做长片只有一条路:生成一堆短片段,再拼起来。 而拼接的连贯性,完全是个工作流问题,不是模型问题。

一套 2026 年实战可行的流程是这样:

flowchart TB
  S[1. 文字脚本
分镜表] --> KF[2. 文生图
画出每个镜头的关键帧]
  KF --> REF[3. 锁定角色参考图
风格参考图]
  REF --> GEN[4. 逐镜头生成
首尾帧 + 参考图 + 运镜]
  GEN --> CHK{5. 逐镜头验收}
  CHK -- 不对 --> EDIT[6. 局部编辑修补]
  EDIT --> CHK
  CHK -- 通过 --> CUT[7. 剪辑台拼接 + 调色统一]
  style REF fill:#cfe8d5,stroke:#4f9d69
  style GEN fill:#cfe8d5,stroke:#4f9d69
  style CUT fill:#fde7c2,stroke:#e8b23c

几个关键点。第一,关键帧先行——先用文生图把每个镜头的画面定下来,这是整片风格统一的锚。第二,参考图全程复用——角色参考图和风格参考图,从第一个镜头用到最后一个,这是跨镜头一致性唯一能抓住的绳子。第三,最后一定有一道调色:哪怕前面控制得再好,十个片段的色调还是会有细微差异,在剪辑台上统一拉一遍 LUT,是目前抹平"拼接感"最有效的手段——这一步反而不靠 AI。

我的判断是:2026 年做 AI 长视频,真正的核心能力不是"会写 prompt",是"会做工作流"。 模型只是流水线上的一个工位。谁能把分镜、关键帧、参考图、首尾帧、局部编辑、调色这套流程串顺,谁就能稳定产出能交付的片子。盯着"哪个模型画质最强"的人,做不出连贯的三分钟。

最后:可控性才是这场竞赛的下半场

把这篇的判断收一下。

画质的竞赛基本结束了,2026 年主流模型都够用。下半场的全部看点在控制:谁的参考图锁身份锁得更死,谁的相机轨迹更跟手,谁的局部编辑能像素级不动,谁能让十个片段拼起来不露馅。

对要落地的人,优先级很清楚:

1. 能用图生视频,就别用文生视频——参考图是性价比最高的可控性。
2. 叙事镜头一律上首尾帧——把开放生成变成闭合补全。
3. 选工具看控制接口的数量,不只看画质 demo——能局部编辑的才是生产工具。
4. 把功夫下在工作流上——长片的连贯性是流程问题,不是模型问题。

一句话:别再问"哪个模型画得最好看",该问的是"哪套流程让我最说了算"。