2024 年 2 月 15 日，OpenAI 发布 Sora。上海交通大学新闻网转载的文章里有一句很抓人的说法：Sora 让“扔进一部小说、出来一部大片”的梦想，从未如此接近现实。
这句话当时不算夸张。Sora 能生成长达一分钟的视频，能处理多个角色、复杂动作和详细背景，还能在多镜头之间保持一定连贯性。雷峰网把它称作视频生成的“GPT-3 时刻”，并把 Pika、Runway 等文生视频团队放在同一条赛道里比较。
但到了 Sora 3 的落地讨论里，问题已经变了。大家不再只问“能不能生成一段视频”，而是问：同一个人能不能从第一个镜头活到最后一个镜头？衣服会不会换，脸会不会变，空间关系会不会乱？
这才是长视频制作真正卡住的地方。
一分钟演示和一条可交付视频，不是一回事
Sora 早期最有冲击力的地方，是把文生视频从几秒钟的动态画面，推进到一分钟级别、多镜头画面。中银国际在关于 Sora 的观察中提到，它采用扩散模型，同时利用了 GPT 系列常见的 Transformer 架构。这类模型擅长从文本里组织画面，也能做出让人惊讶的运动和空间感。
可影视制作不是只看单个片段好不好看。
一条广告片、短剧片段或概念预告，往往要反复出现同一个角色、同一个场景、同一套道具。观众不会替模型找理由。主角上一秒是短发，下一秒发型变了；门把手位置漂移；街景从欧洲小镇滑向赛博城市，这些都不是“小瑕疵”，而是会直接打断观看的错误。
所以，Sora 3 的价值不能只看画质和时长。更关键的是，它能不能进入一个可控的制作流程。
角色一致性，靠提示词很难彻底解决
很多团队最先尝试的办法，还是写更长、更细的 Prompt：角色年龄、发型、服装、镜头焦段、光线、动作节奏，全部描述清楚。
这有用，但有限。
文本描述天然不适合锁死一个角色的视觉身份。比如“穿黑色夹克的年轻女性”可以生成很多合理结果，但这些结果未必是同一个人。到了长片段里，模型还要同时处理运动、背景、镜头切换和物体关系，角色脸部、服装纹理、身形比例都可能慢慢漂。
更现实的做法，是把 Prompt 当作一部分控制手段，而不是全部。制作团队通常会先准备角色参考图、关键帧或分镜图，再让视频模型沿着这些视觉锚点生成。也就是说，Sora 3 更像被放进了一个“图像参考 + 文本提示 + 镜头拆分”的流程里，而不是只靠一句话开工。
这也解释了为什么早期 Sora 视频在社交平台上引发惊叹后，很快又有人复盘制作过程。知乎专栏中有文章提到，Sora 第一批公开视频背后并非完全“一键成片”，视觉艺术家和设计团队仍做了大量筛选与后期处理。这个细节很重要：演示片能展示上限，但工业流程要面对的是稳定性。
长片一致性，通常要靠拆镜头来换
如果让模型一次生成很长的视频，角色漂移和场景错位的概率会被放大。更稳妥的办法，是把长视频拆成短镜头。
这和传统影视制作很接近。先有分镜，再有单镜头设计，然后再剪辑。区别只是，过去镜头由摄影机拍摄，现在很多镜头由模型生成。
拆镜头有几个好处。
第一，每个片段的任务更窄。模型不用在一段很长的时间里同时记住所有细节，只需要完成一个明确动作。第二，创作者可以在每个镜头之间检查角色、服装、光线和背景，发现问题就重生成。第三，后期剪辑可以把不稳定的部分藏掉，保留相对可信的画面。
代价也很明显：效率没有想象中那么高。
生成式视频并不是按下按钮就直接替代拍摄。它更像提供了一批候选镜头，创作者要从里面挑、修、拼。镜头之间衔接不上，就要重新生成；角色状态不一致，就要回到参考图和提示词；场景光线跳变，就要靠调色和合成补。
Sora 3 如果要服务长视频制作，真正需要解决的不是“生成一个漂亮镜头”，而是“让一组镜头能放在同一条片子里”。
后期不是补充，而是工作流的一部分
AI 视频常见的问题，往往出现在细节处：手指、文字、复杂纹理、反射、边缘运动。单帧看也许能过，连续播放就会露馅。
这也是后期仍然重要的原因。
生成的视频需要剪辑、调色、修补局部错误，有时还要把角色、背景、字幕、产品画面拆开处理。对广告和品牌片来说，产品标识、包装文字、人物表情都不能随意变形。模型生成的内容越接近成片，后期越要承担“校准”的角色。
这和“AI 会不会取代影视制作”不是一个问题。更准确地说，AI 视频把制作链条前移了一部分：前期分镜要更细，生成阶段要反复试，后期要处理模型带来的新型错误。
OpenAI 发布 Sora 后，Google 在 2024 年初发布 Gemini Pro 1.5，Meta 也发布了 V-JEPA。雷峰网当时把这些动作放在一起看，认为视频生成正在进入新的竞争阶段。竞争会推动模型能力变强，但短期内，制作流程不会因此消失。
Sora 3更像预演工具，不像自动导演
在实际场景里，Sora 3 更适合先进入几个位置：概念预演、广告创意测试、短视频素材生成、独立创作者的视觉实验。
这些场景有一个共同点：它们允许一定程度的试错。创意阶段要的是快速看到方向；分镜预演要的是判断镜头是否成立；短视频素材对叙事连续性的要求，通常低于长剧集或电影。
如果要进入更严肃的影视生产，要求就会变高。角色要稳定，场景要稳定，镜头语言要服务叙事，而不是只展示模型能力。上海交通大学新闻网转载的文章提到，Sora 擅长复杂场景渲染，并具备仿真功能和 3D 动态赋能特征。这说明它有很强的视觉生成能力，但“能生成复杂画面”和“能稳定完成长片生产”之间，还有一段工程距离。
这段距离，靠的不是一句更神奇的 Prompt，而是更细的分镜、更稳定的参考输入、更可控的重生成机制，以及更成熟的后期合成。
Sora 3 的落地，真正考验的是制作团队如何接受这种不完美：把模型当作强力素材机，而不是自动导演。它能节省某些试拍和概念设计成本，也会带来新的筛选、修补和管理成本。
长片一致性没有被一次性解决之前，视频生成的工业化不会是“一键出片”。更可能的形态，是人把镜头拆细，模型负责生成，后期负责缝合。好用，但不轻松。
