短視頻製作越來越像是一門成熟的技藝：輸入一句描述，模型就能迅速產出幾秒鐘的精美畫面。但如果是同一個人物在隔了十個鏡頭後再次出現，衣服、位置以及手中的物品是否還能對得上，這個問題就立刻變得複雜起來。谷歌研究團隊在9月24日介紹的一組研究，正是圍繞這個常被演示視頻所掩蓋的問題展開的。他們並非宣佈一種人人都能使用的「十分鐘一键製作電影」的產品，而是使用多個研究系統分別處理創意統籌、分鏡連續性、長時間生成以及畫面修正等環節。

這件事值得關注的，並非在於將生成時間寫得越長，而在於將視頻視為一個有連續性的故事來看待。過去常見的流程是先寫劇本，再逐鏡頭生成，最後再拼接起來。每一步單獨看可能都非常出色，但當它們被連在一起時，就很容易露出破綻：角色的帽子不見了，房間的佈局變了，前一場戲中損壞的道具在後一場戲中又完好如初。這種錯誤通常源自於上游的設定，也會沿著鏡頭鏈一直傳播下去，最後只能依靠人工返工來修補。

四個系統的分工：先確定故事狀態，再讓鏡頭延續

谷歌將整體方案描述為建立在 Gemini、Veo 等基礎模型之上的編排層。AI、video、co-director 負責更高層的創意配置：敘事策略、結構和視覺風格如何組合，前期代理如何產出分鏡與關鍵視覺素材，製作代理又如何將關鍵帧、動作和聲音接在一起。這裡的「導演」並非一個能獨立承擔審美責任的人，而是一套讓多個生成步驟盡量服務於同一目標的機制。研究團隊還使用多模態模型對成片進行評價，將反饋送回前端配置，以便下一輪調整。

CANVAS 解決的是另一個非常具體的問題：當故事回到之前的場景時，系統是否能記得那裡的樣子。它為人物、地點和物件維護結構化的視覺狀態；在生成新的鏡頭時，會先檢索已有的視覺錨點，只有在必要的情況下才創建新的錨點。谷歌展示了一個博物館盜竊案的多鏡頭對照案例，他們觀察的並非某一幀畫面的精緻度，而是角色服裝、展廳空間以及寶石等道具在相隔較遠的鏡頭中是否能保持一致。這比單純不斷追加提示詞更接近於電影製作中的場記工作。

A² RD 则將視線放到了更長的時間軸上。它逐片段生成視頻，同時使用多模態記憶來追蹤已經發生的事件，根據需要在中「外推」和「插值」之間進行切換：外推讓故事繼續向前發展，插值則將鏡頭重新定位在已有的角色和環境上。谷歌公佈了一段約十分鐘的研究演示，旨在證明這種方法可以跨越較長的時間間隔來維持敘事與視覺的連續性。演示可以說明這種方法具有潛力，但卻不能直接推斷出任意主題、任意時長都能穩定地交付成果，更不能將研究原型當作已經開放的商業服務。

最後一環 VQQA 將「看一眼打分」的錯誤修正方式，轉變為一種可操作的方式。系統針對畫面生成視覺問題，由視覺語言模型指出哪裡違反了原始要求，再據此改寫提示詞、重新生成畫面。它並不是在原有的像素上進行塗改，而是利用自然語言的回饋來引導下一次的採樣。為了防止修好局部卻改壞整體，在研究過程中還會保留歷輪的候選方案，讓全局評估器按照最初的要求來選擇最終結果。谷歌舉出的例子包括形狀與材質不匹配的气球，以及演奏者在不同鏡頭間交換樂器的連續性錯誤。

從研究示範到生產工具，還有哪些關卡需要跨越？

真正的產業問題在於成本、控制權和可複現性。鏡頭越多，前後關係就越複雜；一次修改人物衣着，可能會影響之後的幾十個鏡頭。多輪生成和模型評判雖然能降低人工逐帧排查的負擔，但也意味著更長的等待時間和更多的計算消耗。對於廣告、影視和品牌團隊來說，最終需要的不僅是「平均上更好看」，還需要知道具體哪一環可以回滾、哪些資產可以鎖定、審稿意見如何精確地落實到鏡頭上，而不是每次都要重新開「盲盒」。

谷歌公布的幾項工作仍處在論文和研究展示的階段。該團隊提出了專門的測評基準來檢測營銷限制、空間連續性以及長時間段的視覺表現，這非常重要，因為一般的視頻排行榜傾向於選出最佳的短片，未必能發現那些每隔幾十秒才出現的錯誤。然而，這些基準仍然存在樣本選擇、評審方法以及題材覆蓋範圍的局限性；在公開素材之外，創作者關心的問題，如人物授權、品牌安全、音樂版權以及後期可編輯性等，也不能僅依靠連續性得分來解決。

這次發布所傳達的訊息相當明確：下一階段的視頻生成競爭，將不再只是比誰能在幾秒內製作出更加震撼的畫面，而是比誰能維持一個可信、可修改的故事世界。對於一般使用者來說，短期內仍應將這類系統視為輔助分鏡、概念片和部分鏡頭制作的工具。對於制作機構而言，值得關注的指標是跨場景的身份是否穩定、修改是否可控、一次完整的制作需要多少時間，而不是將十分鐘的演示直接等同於十分鐘的成片能力。谷歌所邁出的這一步是研究上的進展，但離工業化流程還有很長一段路要走，需要通過實際項目來驗證。