底模趋同后，视频生成的控制权与工作流设计实战

1. 底模趋同到底意味着什么

1.1 从“模型崇拜”到“控制权焦虑”的转折点

过去一年多，视频生成这个圈子里最热闹的话题永远是“哪个底模更强”。今天这个模型放出一段光影炸裂的演示，明天那个模型甩出一段物理规律更准的样片，大家追着跑、抢着测，恨不得把每个新模型的权重都第一时间拉下来跑一遍。但如果你真的在一线做过视频生成项目，就会发现一个很微妙的变化：底模之间的差距正在肉眼可见地缩小。

我自己的体感是，从去年下半年开始，几个主流视频生成底模在基础画质、运动连贯性、镜头语言理解这几个维度上，已经很难拉开代差级别的距离了。你拿同一个提示词分别丢给三四个不同的底模，出来的东西风格有差异，但“能不能用”这个门槛，大家基本都跨过去了。以前是“只有A模型能出这个效果”，现在变成了“A、B、C都能出，只是细节口味不同”。

这个变化带来的直接后果就是：单纯靠底模能力做差异化的路子，越来越走不通了。你花大力气接了一个新底模，结果两周后竞品也接上了，甚至人家接得比你还快。底模变成了水电煤一样的基础设施，谁都能用，谁都不缺。

那问题就来了——当底模不再是壁垒，视频生成产品到底拼什么？

我的答案是两个字：控制权。谁能把生成过程的控制权更精细、更稳定、更可复用地交到用户手里，谁就能在下一阶段站住脚。这不是一个玄学判断，而是我在实际做工作流编排、做shot spec设计、做批量生成管线时反复验证过的结论。

1.2 为什么“控制权”比“模型能力”更值钱

先打个比方。底模就像一台相机的感光元件，感光元件好不好当然重要，但真正决定你能否拍出想要画面的，是光圈、快门、对焦、构图这一整套控制体系。如果一台相机只有一个“自动模式”按钮，按下去出什么全看运气，那它再好的感光元件也拍不了商业片。

视频生成现在就在经历这个阶段。底模的“感光元件”已经够好了，但大部分产品给用户的控制手段还停留在“输入一段提示词，点生成，等结果”这个层面。用户想要的是：这一帧我要人物在这个位置、那个镜头我要相机这样运动、这一段我要情绪从平静过渡到紧张。这些需求，光靠一句提示词是表达不清楚的。

所以控制权这个词，拆开来看至少包含三层含义：

• 时间维度上的控制：能不能精确指定第几秒到第几秒发生什么，而不是让模型自己随机分配。
• 空间维度上的控制：能不能指定画面里某个区域、某个物体的运动轨迹和状态变化。
• 风格与一致性上的控制：能不能让多个镜头、多个片段保持统一的视觉语言和角色形象。

这三层控制，每一层都对应着一套具体的技术方案和产品设计。而把这些方案串起来的，就是工作流。工作流不是简单的“步骤串联”，它本质上是把控制权从模型手里拿回来、交到创作者手里的那套操作系统。

1.3 谁最需要关心这件事

如果你只是偶尔用AI生成一段视频发个朋友圈，那底模趋同对你其实是好事——随便用哪个都行，免费入口也多的是。但如果你属于下面这几类人，控制权就是你必须面对的核心问题：

• 做商业视频的团队：客户要的是可预期、可修改、可复现的结果，不是“抽卡”。
• 做动画或漫剧的工作流搭建者：角色一致性、分镜衔接、批量产出，每一个都是控制权问题。
• 做AI视频工具的产品经理和开发者：底模趋同之后，你的产品护城河只能建在控制层。
• 做跨境电商、营销素材批量生成的人：需要的是稳定输出，而不是每次重新调参。

这篇文章就是写给这几类人的。我会从底模趋同这个现象切入，把控制权的技术实现、工作流的设计思路、shot spec的落地方法、以及实际踩过的坑，一层一层拆开讲。不聊虚的，只讲能直接抄作业的东西。

2. 控制权的技术底座：从提示词到shot spec

2.1 提示词的天花板在哪里

先说一个很多人不愿意承认的事实：纯提示词控制在视频生成里是有硬天花板的。这个天花板不是模型不够聪明，而是自然语言本身就不适合做精确控制。

你试试用一句话描述“一个人从画面左侧走到右侧，走到中间时停一下，然后继续走，同时镜头从全景慢慢推近到中景”——这句话人听得懂，但模型理解起来就是另一回事了。它会给你生成一个人走路，可能从左到右，可能从右到左，可能走一半就消失了，镜头运动更是随缘。你没法跟模型说“我说的‘中间’是画面横向50%的位置，停顿时长0.8秒”，因为提示词没有这个精度。

我在实际项目里做过统计，纯提示词生成的可控率大概在30%到40%之间——也就是说，十次生成里只有三四次能基本符合预期，剩下的都要靠反复抽卡。这个效率在个人玩票场景下可以接受，但在商业生产里是完全不可行的。

所以控制权的第一步，就是把自然语言描述转换成结构化的、机器可精确执行的指令。这个结构化指令的载体，就是shot spec。

2.2 shot spec到底是什么，为什么它成了关键词

shot spec这个词最近在圈子里出现得越来越频繁，但很多人对它还是一知半解。我用最直白的话解释：shot spec就是一份“镜头规格说明书”，它把原本用自然语言模糊描述的镜头需求，拆解成一组模型和管线都能读懂的参数。

一份完整的shot spec通常包含这几个维度：

你看，这些参数一旦结构化，就可以被工作流引擎精确调度。比如“0-2秒入场”这个时间节奏，在shot spec里就是一个明确的时间区间，工作流可以据此决定在哪几帧注入什么控制信号。

我自己的经验是，shot spec的粒度决定了控制权的上限。粒度太粗，等于没控制；粒度太细，工作流复杂度爆炸，维护成本高得吓人。找到一个平衡点很关键，后面我会专门讲怎么定这个粒度。

2.3 工作流：把控制权串起来的操作系统

有了shot spec，还需要一个东西把它执行下去，这就是工作流。工作流在视频生成里的角色，类似于工厂里的生产流水线——它决定了每个环节做什么、按什么顺序做、参数怎么传递、异常怎么处理。

现在圈子里常见的工作流方案有好几种路线，我按自己的使用体验做个对比：

节点式工作流是现在最主流的方案，像ComfyUI那套东西就是典型代表。它的好处是直观，每个节点的输入输出一目了然，改一个参数就能看到下游变化。但缺点是当节点数量上去之后，整个图会变得非常难维护，改一处可能影响一大片。

代码式工作流适合需要批量跑、需要做版本控制的场景。比如你要生成1000条视频，每条都要套用同一套shot spec模板但替换不同的主体和场景，那用代码来编排就比手动拖节点高效得多。

低代码平台工作流的优势在于集成，它可以把生成、审核、发布这些环节串在一起，适合做端到端的自动化。但它在生成环节的精细控制能力通常不如前两者。

我实际项目里用得最多的是混合式：核心生成管线用节点式工作流保证控制精度，外层用代码做批量调度和参数注入，再用低代码平台做任务管理和结果分发。这样既保证了控制力，又兼顾了生产效率。

2.4 控制信号的注入方式：从文本到多模态

工作流要控制生成过程，就得有控制信号注入的通道。现在主流的注入方式有这么几种，我按控制精度从低到高排：

第一种是文本提示词注入。这是最基础的，工作流把shot spec里的描述转成提示词，拼接到主提示词里。控制精度最低，但兼容性最好，所有底模都支持。

第二种是参考图注入。给模型一张或多张参考图，让它按照参考图的风格、构图、角色形象来生成。控制精度中等，适合做风格一致性和角色一致性。实际用的时候要注意参考图的权重设置，权重太高会限制模型发挥，太低又起不到约束作用。

第三种是结构控制注入。比如用深度图、边缘图、姿态图来控制画面的空间结构。这种方式的控制精度很高，能精确指定人物姿态和场景布局。缺点是准备这些控制图本身需要工作量，通常要用其他工具先生成。

第四种是时序控制注入。这是视频生成特有的，用来控制时间维度上的变化。比如指定某几帧的关键帧内容，让模型在关键帧之间做插值。这种方式对镜头节奏的控制非常有效，但实现复杂度也最高。

我在实际项目里的做法是分层注入：先用文本注入定基调，再用参考图注入锁风格，然后用结构控制注入定构图，最后用时序控制注入调节奏。每一层各司其职，不要指望用一种方式解决所有问题。

3. 工作流设计的核心思路与实操拆解

3.1 先想清楚“控制什么”，再动手搭工作流

我见过太多人一上来就开始拖节点、连管线，结果搭到一半发现方向不对，推倒重来。搭工作流之前，必须先回答一个问题：你到底要控制什么？

这个问题听起来简单，但很多人答不清楚。我建议你拿一张纸，把下面这几个问题写下来：

• 我要生成的视频，最不能接受出现什么问题？（比如人物变形、镜头乱晃、风格跑偏）
• 这些问题里，哪些是底模本身能解决的，哪些必须靠工作流控制？
• 我需要在哪个环节介入控制？是生成前、生成中、还是生成后？
• 我的控制需求是批量的还是单条的？是固定的还是动态的？

把这些问题想清楚，工作流的骨架就出来了。比如你最不能接受的是人物形象不一致，那工作流的重点就要放在角色参考图的注入和一致性校验上。如果你最不能接受的是镜头节奏混乱，那重点就是时序控制和关键帧编排。

我的经验是，一个工作流只解决一个核心控制问题。不要试图用一个工作流搞定所有事情，那样只会得到一个又臃肿又脆弱的怪物。正确的做法是把控制需求拆成多个独立的工作流模块，每个模块负责一个维度，然后通过参数传递把它们串起来。

3.2 工作流的分层架构：从输入到输出的完整链路

一个生产级的视频生成工作流，我通常会把它分成四层：

第一层是输入解析层。这一层负责把用户的原始需求（可能是一句话、一个表格、一份shot spec文档）解析成结构化的参数。比如用户说“生成一个产品展示视频，15秒，科技感”，这一层要把它拆解成：时长15秒、风格科技感、内容产品展示、镜头数量预估3-4个、每个镜头的shot spec模板。

第二层是控制信号生成层。这一层根据解析后的参数，生成各种控制信号。比如根据风格参数生成风格参考图，根据镜头参数生成相机运动轨迹，根据主体参数生成姿态控制图。这一层的输出是一组可以直接喂给生成模型的控制信号。

第三层是生成执行层。这一层是真正调用底模的地方。它接收控制信号，按照shot spec定义的时间节奏，逐段生成视频片段。这一层要处理的关键问题是：如何保证多个片段之间的连贯性，如何处理生成失败的重试，如何控制生成速度和质量之间的平衡。

第四层是后处理与校验层。生成出来的原始片段通常不能直接用，需要做拼接、调色、音频对齐、一致性校验。这一层还要负责把生成结果和shot spec做比对，标记出不符合预期的片段，决定是重生成还是人工介入。

这四层架构的好处是每一层都可以独立替换和升级。底模换了，只需要改第三层；控制方式升级了，只需要改第二层；校验标准变了，只需要改第四层。整个系统的可维护性会好很多。

3.3 shot spec的粒度设计：粗了没用，细了要命

前面提到shot spec的粒度是个关键问题，这里展开讲。

我试过三种粒度方案，各有优劣：

粗粒度方案：一个shot spec只描述一个镜头的基本信息，比如“中景，人物从左入画，相机缓慢右移，时长3秒”。这种方案的好处是写起来快，工作流简单。缺点是控制精度不够，生成结果还是有较大随机性。适合对一致性要求不高的场景，比如快速出草稿。

中粒度方案：在粗粒度基础上，增加关键帧描述和动作时间点。比如“第0秒人物在画面左侧外，第1秒走到画面左侧三分之一处，第2秒走到中间，第3秒停在中间偏右”。这种方案的控制精度明显提升，工作流复杂度也可控。是我目前最常用的粒度。

细粒度方案：精确到每一帧的姿态、位置、表情，甚至相机每一帧的焦距和光圈。这种方案控制精度最高，但工作流复杂度爆炸，而且准备shot spec的工作量可能比生成本身还大。我只在极少数对精度要求极高的项目里用过。

我的建议是：从粗粒度开始，遇到控制不足的地方再逐步细化。不要一上来就追求细粒度，那样你会被工作量压垮。实际项目里，大部分场景中粒度就够了，只有关键镜头才需要细粒度控制。

3.4 参数传递与状态管理：工作流不崩的关键

工作流跑起来之后，最容易出问题的地方就是参数传递和状态管理。我踩过的坑包括：参数在某个节点被意外覆盖、多个分支同时修改同一个状态导致冲突、异常发生时状态没有正确回滚。

解决这些问题的核心思路是把参数分成不可变参数和可变参数两类。不可变参数比如视频时长、分辨率、输出格式，这些在整个工作流里不应该被修改。可变参数比如当前处理的帧号、临时生成的控制图路径，这些需要在节点间传递和更新。

我通常会用一张全局的参数表来管理所有参数，每个节点只能读取不可变参数，只能写入自己负责的可变参数。这样虽然牺牲了一点灵活性，但换来了极高的稳定性。在批量生产场景下，稳定性比灵活性重要得多。

另外，每个关键节点都要有状态快照。这样当工作流在某个节点失败时，可以从最近的快照恢复，而不需要从头重跑。这个机制在长时间批量任务里能省下大量时间。

4. 实操过程：从零搭一条可控的视频生成管线

4.1 环境准备与工具选型

假设你现在要从零搭一条可控的视频生成管线，我会这样选型：

底模选择：不要只绑一个底模。我的做法是同时接入两到三个底模，根据shot spec的类型动态选择。比如写实类镜头用A模型，动画类镜头用B模型，快速草稿用C模型。底模趋同的好处就在这里——切换成本很低，你可以根据每个镜头的需求选最合适的。

工作流引擎：节点式工作流引擎是首选，因为它的可视化调试能力在搭建阶段太重要了。等管线稳定之后，再考虑用代码封装成可调用的服务。

控制信号生成工具：需要准备姿态提取、深度估计、边缘检测这几类工具。这些工具现在都有比较成熟的方案，选社区活跃、文档齐全的就行。

存储与版本管理：生成过程中会产生大量的中间文件和控制图，需要一个清晰的目录结构和版本管理方案。我通常按“项目/日期/批次/镜头编号”来组织目录，每个镜头目录下再分“控制图/原始生成/后处理/最终输出”几个子目录。

4.2 第一步：把需求翻译成shot spec

这是整个流程里最需要人工介入的环节，也是最考验功力的地方。我拿一个实际案例来演示。

假设需求是：“生成一段15秒的产品展示视频，展示一款无线耳机，风格简约科技感，需要展示耳机的正面、侧面、佩戴效果三个角度。”

我会把它翻译成这样的shot spec：

project: 无线耳机产品展示 total_duration: 15s style: 简约科技感 shots: - id: shot_01 duration: 5s camera: 中景，缓慢推近 subject: 耳机正面，悬浮展示 action: 耳机从画面中央缓慢旋转15度 keyframes: - t: 0s, 耳机正面朝前，居中 - t: 5s, 耳机旋转15度，略微推近 style_ref: 科技感参考图_01 - id: shot_02 duration: 5s camera: 特写，从左到右横移 subject: 耳机侧面，展示充电仓 action: 充电仓开合一次 keyframes: - t: 0s, 充电仓闭合，画面左侧 - t: 2.5s, 充电仓打开 - t: 5s, 充电仓闭合，画面右侧 style_ref: 科技感参考图_01 - id: shot_03 duration: 5s camera: 中景，固定机位 subject: 人物佩戴耳机 action: 人物从画面外走入，戴上耳机，微笑 keyframes: - t: 0s, 画面空景 - t: 1s, 人物入画 - t: 3s, 戴上耳机 - t: 5s, 微笑定格 style_ref: 科技感参考图_02

这份shot spec就是后续所有工作的基础。你可以看到，每个镜头都有明确的时长、相机运动、主体动作和关键帧描述。关键帧描述是控制精度的核心，它告诉工作流在哪些时间点需要注入什么控制信号。

4.3 第二步：生成控制信号

有了shot spec，接下来要把它转换成模型能理解的控制信号。这一步是自动化的，工作流会根据shot spec里的参数，调用相应的工具生成控制图。

以shot_01为例，工作流会做这几件事：

1. 根据style_ref生成风格参考图的特征向量
2. 根据camera参数生成相机运动轨迹曲线
3. 根据keyframes生成关键帧的姿态控制图（这里耳机是主体，需要生成耳机的3D姿态图）
4. 把所有控制信号打包成一个控制信号集，附上时间戳

这里有个实操细节：控制信号的强度需要根据底模的特性做调整。不同的底模对控制信号的敏感度不一样，有的模型稍微给一点控制信号就跟着走，有的模型需要很强的控制信号才能压住。我通常会在正式生成前，用几个测试片段来校准控制信号的强度。

4.4 第三步：分段生成与拼接

控制信号准备好之后，就可以开始生成了。我的做法是按镜头分段生成，而不是一次性生成整条视频。原因有三：

第一，分段生成可以并行处理，速度更快。三个镜头可以同时跑，总时间取决于最慢的那个镜头，而不是三个镜头之和。

第二，分段生成便于局部重试。如果shot_02出了问题，只需要重生成shot_02，不用动shot_01和shot_03。

第三，分段生成便于控制一致性。每个镜头生成完之后，可以立即和shot spec做比对，发现问题及时调整。

分段生成的关键是镜头之间的衔接。我通常会在每个镜头的首尾各多生成几帧，作为衔接的缓冲。然后在拼接的时候，用这几帧做过渡，避免出现跳变。

拼接的时候还要注意音频对齐。如果视频有配音或背景音乐，需要根据镜头的时间戳把音频切好、对齐。这一步看起来简单，但实际做的时候经常出问题，尤其是当某个镜头被重生成、时长有微小变化的时候。

4.5 第四步：一致性校验与修正

生成完的片段不能直接用，必须做一致性校验。我通常会检查这几个维度：

这个校验过程可以自动化，但初期建议人工抽查。我自己的经验是，自动化校验能抓住80%的问题，但剩下20%的问题需要人眼判断，尤其是那些“说不上哪里不对但就是感觉不对”的问题。

4.6 第五步：批量生产的参数化改造

单条视频跑通之后，下一步就是批量生产。批量生产的核心是参数化——把shot spec里所有会变化的部分抽成变量，用表格或数据库来管理。

比如产品展示视频，变化的部分可能是：产品型号、产品颜色、展示角度、背景风格。这些变量抽出来之后，就可以用一份shot spec模板加上不同的变量组合，批量生成大量视频。

批量生产还要考虑失败重试机制。我的做法是每个任务都有状态标记，失败的任务自动进入重试队列，重试超过三次的转入人工处理队列。同时记录每个任务的失败原因，方便后续优化工作流。

5. 常见问题与排查技巧实录

5.1 生成结果和shot spec对不上怎么办

这是最常见的问题，原因通常有这几种：

控制信号太弱。底模没有充分接收到控制信号，自己发挥了。解决办法是提高控制信号权重，或者换一种控制信号注入方式。

控制信号冲突。多个控制信号之间互相矛盾，比如姿态控制图说人物在左边，但文本提示词说人物在右边。解决办法是检查shot spec里有没有矛盾描述，确保各层控制信号一致。

底模能力不足。有些底模对某些类型的控制信号就是不敏感，比如有的模型对姿态控制响应很好，但对相机运动控制响应很差。解决办法是换底模，或者把控制需求拆解成底模能理解的形式。

时间戳错位。控制信号的时间戳和生成的时间轴对不上，导致控制信号作用在了错误的帧上。解决办法是检查工作流里的时间戳转换逻辑，确保单位统一。

5.2 多个镜头之间风格不统一怎么破

风格不统一通常是因为每个镜头独立生成，没有共享风格约束。解决办法有这么几个：

共享风格参考图。所有镜头都用同一张风格参考图，确保风格特征一致。但要注意，同一张参考图对不同内容的约束效果可能不一样，需要针对每个镜头微调权重。

风格后处理统一。生成完之后，用统一的调色方案对所有片段做后处理。这个方法简单粗暴但有效，缺点是可能损失一些生成时的风格细节。

风格特征注入。提取风格参考图的特征向量，在生成时注入到每个镜头的生成过程中。这个方法控制精度最高，但实现复杂度也最高。

我通常的做法是共享参考图为主，后处理为辅。先用共享参考图保证大方向一致，再用后处理微调细节差异。

5.3 生成速度太慢怎么优化

视频生成的速度瓶颈通常在两个地方：底模推理速度和后处理速度。

底模推理速度的优化手段包括：降低分辨率（生成低分辨率再超分）、减少采样步数（牺牲一点质量换速度）、使用更快的底模（有些底模专门优化了推理速度）。

后处理速度的优化手段包括：并行处理（多个片段同时做后处理）、缓存中间结果（避免重复计算）、简化后处理流程（去掉不必要的处理步骤）。

我的经验是，速度优化要在质量可接受的范围内做。不要为了速度牺牲太多质量，那样反而会增加重试次数，总体效率更低。找到一个质量合格前提下的最快配置，才是正确的优化方向。

5.4 工作流跑着跑着就崩了怎么排查

工作流崩溃通常有这几个原因：

内存泄漏。长时间运行的工作流如果没有正确释放中间结果，内存会越用越多，最后崩溃。解决办法是定期清理不再需要的中间文件，或者把工作流拆成多个短任务。

参数污染。某个节点意外修改了不该修改的参数，导致下游节点拿到错误参数。解决办法是严格区分不可变参数和可变参数，不可变参数加写保护。

依赖失效。工作流依赖的外部服务或工具突然不可用。解决办法是加健康检查，依赖不可用时自动暂停工作流并告警。

并发冲突。多个任务同时访问同一个资源导致冲突。解决办法是加锁或者用队列串行化对共享资源的访问。

排查工作流崩溃问题的关键是日志。每个节点都要有详细的输入输出日志，这样崩溃时才能快速定位是哪个节点、什么参数导致的问题。我通常会在工作流里加一个全局的日志收集器，把所有节点的日志汇总到一个地方，方便排查。

5.5 常见问题速查表

6. 控制权竞争下的产品思路与个人实践体会

6.1 视频生成产品的护城河在哪里

底模趋同之后，视频生成产品的竞争焦点会从“模型能力”转向“控制体验”。这个判断我在前面已经论证过了，这里再补充几个具体的产品思路。

第一，控制粒度要可调节。不要给用户一个固定的控制粒度，而是让用户自己选。新手用粗粒度快速出片，专业用户用细粒度精确控制。产品要能同时服务这两类人。

第二，控制过程要可视化。用户需要看到控制信号是怎么作用的，哪个参数影响了哪个画面。可视化不仅能提升控制体验，还能帮助用户学习和优化自己的shot spec。

第三，控制结果要可复用。用户调好一个满意的shot spec之后，应该能保存下来，下次直接套用。更进一步，应该能分享给团队其他人，形成团队的控制资产。

第四，控制失败要可诊断。当生成结果不符合预期时，产品要能告诉用户是哪个控制环节出了问题，而不是让用户自己猜。诊断能力是控制体验的重要组成部分。

6.2 我踩过的三个大坑

第一个坑是过度追求控制精度。刚开始做工作流的时候，我恨不得把每一帧都控制得死死的，结果工作流复杂到我自己都维护不了，改一个参数要调半天。后来想明白了，控制精度要匹配实际需求，大部分场景中粒度就够了，把省下来的精力放在稳定性和效率上更划算。

第二个坑是忽视底模差异。我以为一套控制信号可以通吃所有底模，结果发现不同底模对控制信号的响应方式差别很大。后来我建了一个底模特性表，记录每个底模对各类控制信号的敏感度和最佳参数范围，每次换底模都先查表校准。

第三个坑是不做版本管理。工作流改来改去，生成结果时好时坏，但找不到是哪个改动导致的问题。后来我给工作流加了版本号，每次改动都记录变更内容和影响范围，出问题可以快速回滚到上一个稳定版本。

6.3 给不同阶段实践者的建议

如果你刚开始接触视频生成工作流，我的建议是先用现成的方案跑通流程。不要一上来就自己搭，先找一个社区里口碑好的工作流模板，跑通一遍，理解每个环节的作用，然后再根据自己的需求做修改。

如果你已经有一定经验，正在搭建自己的管线，我的建议是把控制需求拆解清楚，分层实现。不要试图用一个工作流解决所有问题，把不同维度的控制拆成独立模块，通过参数传递串联起来。这样系统的可维护性和可扩展性都会好很多。

如果你在做视频生成产品，我的建议是把控制权作为核心卖点来设计。底模能力已经是公共资源了，你的产品差异化只能来自控制体验。花时间研究用户到底需要控制什么、怎么控制最顺手，比追新底模更有长期价值。

6.4 后续可以继续深挖的方向

控制权这个话题还有很多可以展开的地方。比如跨镜头的角色一致性控制，现在的方法还是靠参考图，但参考图能承载的信息有限，未来可能会有更结构化的角色描述方案。再比如控制信号的自动优化，现在调控制信号还是靠人工试错，未来可能会用反馈机制自动调整控制信号直到生成结果符合预期。

还有一个我觉得很有意思的方向是控制权的协作。现在的工作流基本是单人操作，但实际生产中往往是多人协作——导演定镜头，美术定风格，动画师调动作。怎么让多个角色在同一个工作流里各司其职地控制自己负责的部分，是个值得研究的问题。

我在实际项目里越来越深的一个体会是：视频生成的技术门槛在降低，但控制门槛在升高。底模会越来越好用，但要把好用的底模变成可控的生产工具，需要的工作流设计、参数调优、异常处理能力，反而越来越专业。这个差距，就是接下来一段时间里从业者真正的竞争力所在。