别急着等 Sora 3，先解决角色不走样

围绕 Sora 3 的讨论，最近很容易跑偏。

OpenAI 公开页面里，Sora 的定位很清楚：文本转视频模型，目标是让 AI 理解并模拟运动中的物理世界。早期介绍中，OpenAI 提到 Sora 可以生成最长一分钟的视频，并保持视觉质量、遵循提示词。到了正式可用的 sora.com，产品规格写得更具体：最高 1080p、最长 20 秒，支持宽屏、竖屏和方形比例；用户可以上传自己的素材，用来扩展、混剪、融合，也可以直接从文本生成新内容。

这两个口径常被混在一起。前者更像模型能力展示，后者才是当下可交付的产品形态。

至于 “Sora 3”，在给出的 OpenAI 资料里看不到这个正式版本说明。第三方网站 sora3.dev 提到同步音频、对话、环境音和电影级质量，这些描述可以看作市场期待或产品设想，但不能直接当成 OpenAI 的发布文件。

影视行业真正要盯的，也不是一个版本号。更现实的问题是：同一个角色，能不能在不同镜头里一直像同一个人。

20 秒已经够用，也已经暴露问题

Sora 现在的 20 秒限制，表面看是时长问题，实际更像工程取舍。视频越长，模型越难稳定地处理角色、动作、场景和镜头关系。20 秒以内，画面质量、提示词服从度和可控性更容易收住。

这对短视频、广告概念片、MV 片段、分镜预演已经有价值。导演或创作者可以把一段文字变成可看的镜头草稿，再决定构图、色调和节奏是否成立。OpenAI 页面也明确提到，用户可以带入已有素材做扩展、混剪和融合。这意味着 Sora 更适合先进入“试镜头”的环节，而不是直接替代完整拍摄。

影视制作里，前期沟通的成本很高。一个场景要不要用俯拍，人物进门后镜头跟不跟，光线是冷还是暖，过去往往靠文字、参考图和分镜图反复对齐。AI 视频生成能把一部分想象变成画面，让团队更快发现方案不对的地方。

但只要故事里有固定角色，麻烦马上出现。

角色一致性才是硬门槛

现在很多视频生成工具都能做出漂亮的单个镜头。问题在第二个镜头、第三个镜头。

同一个人物，上一镜还是某种脸型、发型、服装褶皱，换个角度或换个场景后，五官和体型可能开始漂移。观众未必能说清哪里错了，但会立刻感觉“不像同一个人”。对影视叙事来说，这比画面不够精致更致命。

原因不难理解。视频生成模型擅长根据提示词和上下文预测接下来应该出现什么画面，但“角色身份”并不总是一个稳定、可调用的档案。它知道这里需要一个人，却未必能在多镜头里牢牢记住这个人的所有特征。

这也是为什么长视频比短视频难得多。短片段可以靠提示词、参考图、剪辑和人工挑选避开问题；一旦进入连续叙事，角色要说话、转身、奔跑、换场景，任何细小漂移都会被放大。

所以，影视工业真正需要的不是一次生成更长的视频，而是一套能维持人物、服装、空间和动作关系的流程。没有这套流程，时长增加只会让问题出现得更晚、更明显。

动作连贯比画质更难修

OpenAI 在 Sora 介绍中提到，它正在教 AI 理解和模拟运动中的物理世界。这个方向很关键，因为视频不是一串漂亮图片的简单拼接。

一个人从椅子上站起来、转身、走向门口，看起来普通，却包含重心变化、关节运动、脚步落点、身体遮挡和镜头运动。模型只要在中间某几帧处理不好，就会出现滑步、瞬移、手部变形或物体关系错乱。

画质问题还可以靠重生成、后期修图、调色去补。动作错了，修起来更麻烦，因为它牵涉前后帧关系。影视镜头里，观众对运动的直觉非常敏感。哪怕背景、光影和质感都很好，一个不自然的动作也会让画面失去可信度。

这也是 Sora 这类工具进入影视流程时，最适合先做预演和概念验证的原因。它能让团队快速看到“这个镜头大概会是什么样”，但要把它直接放进长片正片，还要经过更严格的镜头检查和人工处理。

它会先改掉前期流程

知乎专栏中有一个判断值得保留：Sora 等 AI 视频工具降低了影视制作的成本和门槛，让更多创作者有机会参与视频生产。这个说法成立，但最好别把它理解成“电影制作马上变便宜”。

更准确地说，AI 先压缩的是试错成本。

剧本阶段，创作者可以把一场戏快速变成几种视觉方案。美术阶段，可以用生成视频测试空间氛围和光线方向。剪辑前，团队可以用粗糙片段判断节奏是否成立。特效镜头正式制作前，也可以先用低成本画面确认运动路径和构图。

这些环节过去依赖大量沟通、手绘、参考片和临时素材。AI 生成视频的价值，是让讨论对象从“脑补”变成“可播放的片段”。它不一定减少最终制作环节，但能减少一些方向性错误。

这对小团队尤其明显。没有完整工业资源的创作者，可以先用 Sora 这类工具做概念片、样片或提案视频。它们未必能直接成为成片，却能帮助项目更早被看懂。

等 Sora 3，不如先把 20 秒用明白

如果只盯着 Sora 3，会很容易把问题想成“下一代模型一出，一切都会解决”。可从 OpenAI 当前可用的 Sora 规格看，20 秒、1080p、多比例、素材扩展与混剪，已经足够支撑一批实际用法。

更务实的做法，是把 20 秒当成一个镜头单元：

• 用它做分镜预演，而不是直接承诺成片；
• 用固定角色、固定服装、固定场景测试一致性；
• 少做大幅度动作和复杂调度，先验证镜头情绪；
• 把 AI 生成片段纳入剪辑、调色、后期检查，而不是孤立使用。

Sora 3 这个名字会继续被讨论，第三方网站也会继续给出更激进的描述。但影视行业真正要等的，不是一个更响亮的版本号，而是角色一致性、动作稳定性和可控工作流一起成熟。

到那时，AI 视频生成才不只是“生成一段好看的画面”，而是能进入真正的长视频叙事。现在先把短镜头跑顺，反而更接近落地。