打开任何一个 AI 视频产品的官网，演示片都很惊艳：镜头推拉、光影流动、动物开口说话。
你自己上手一做，出来的东西总差点意思，或者做长了就崩。
不是你不会用，是这行的天花板就在这里。
现在的真实水平
先说能做到的：
几秒到十几秒的单个镜头。质量可以很高，人物、场景、光感都能唬住人。
图生视频。给一张图，让它动起来，比如让人物眨眼、让云飘、让镜头缓慢推进。这个比纯文字生成靠谱得多。
风格化短片头、空镜、转场素材。
再说做不到的：
人物一致性。同一个角色在第二个镜头里，脸就变了。这是目前最大的坎。
长镜头和完整叙事。让它演一段三分钟有情节的短剧，中间必然崩。
精确动作。让它"把杯子从左手换到右手"，它可能给你一堆看着在动但看不懂在干嘛的画面。
准确文字。画面里的招牌、书本上的字，基本没法看。
为什么短剧还是能批量做
新闻里说一年几十万部 AI 短剧，是真的。但做法跟你想的不一样。
他们不是"一句话生成三分钟"。
实际流程是：写分镜 → 每个镜头单独生成 → 挑可用的片段 → 剪辑拼起来 → 配音配乐 → 补拍、重生成崩掉的镜头。一个几秒的镜头，平均要生成十几次才有一条能用。
所以真正的成本不在生成，在筛选和补救。
什么样的活现在就能接
广告空镜、产品展示。光影、材质、氛围这些它擅长，时长短，好拼。
口播类视频的 B-roll（补充画面）。主播说话时插几个意境镜头，观众不会细究。
动画、奇幻、非写实内容。越是超现实，越不容易被发现破绽。
概念片、提案演示。给客户看方向，不需要完美。
什么样的活别接
需要真人出镜口播的。数字人能顶一部分，但表情和口型还是容易被识破。
需要长镜头连贯的。一次拍几十秒不切，现在做不到。
需要精确操作的。教学视频、拆解演示，它会把动作做错。
需要心理刻画的。人物情绪的细微变化，它抓不住。
一个务实的判断法
问自己一句：这片子会不会被逐帧看？
不会（背景、氛围、转场）→ 可以用，成本极低。
会（主视觉、产品细节、演示动作）→ 老实实拍或者精细制作。
一句话带走
十几秒的单镜头是它的主场，三分钟的完整故事还不是。
它的成本低在"生成"，高在"筛选"。
想用它省钱，先想清楚：这片子观众会不会细看。
下一篇：AI 听写和 AI 配音——录音变文字、文字变人声，怎么选工具。
