11月1日，PixVerse在自己的平台上开放了可灵4.0的调用。这件事的技术含量不算高，它没有训练新模型，只是把别人的模型接进自己的产品。但放出来的能力清单值得看一眼：单次生成可到三十秒的连续场景、支持多张图片作为参考以维持角色一致性、对白口型与环境声在同一次生成里完成。同时还补了快速动作的物理表现与运镜稳定性。
视频生成领域今年最容易被含糊过去的一句话是"支持三十秒"。真正决定成片可用性的，是这三十秒由一次前向生成，还是由六段五秒拼接。拼接的做法在切点处必然出现光照跳变、人物姿态断裂、背景细节重置，剪辑师要花大量时间做过渡遮盖，实际省下的拍摄成本又被后期吃掉一部分。
连续生成解决的是这个问题，代价是模型要在更长的时间窗里维持状态：人物的服装褶皱、桌面的物件位置、镜头的运动方向、光线的时间连续性，任何一项漂移都会在长镜头里被放大。这也是为什么三十秒这个数字在工程上比十秒难得多，它不是线性延长，而是对记忆机制的硬要求。
从使用侧看，连续生成最直接的收益是废片率下降。过去一条五秒镜头要试十几次，拼成三十秒要试上百次；现在一次生成就是完整片段，试错次数压到个位数。省下来的不只是积分，还有判断时间，剪辑师不用再在几十条碎片里挑能对齐的那几条。
同一次生成里产出对白口型与环境声，改变的不只是效率，还有工序顺序。传统流程是先出画面，再单独配音、对口型、铺环境声，三步各自返工。音频与画面同时生成，意味着口型不再是后期贴上去的，而是画面本身的一部分，改台词就必须重新生成整段。
这个变化对创作习惯的冲击比想象中大。以前导演可以先拍画面，后期再决定让角色说什么；现在台词要在提示词阶段就定下来，改一句的成本等于重做一条镜头。对短剧、广告这类台词密集的内容，工序从"先拍后配"倒转成"先说后拍"，策划环节的权重因此上升。反过来说，对没有台词的镜头，这个能力几乎用不上。
另一处变化在配音演员的位置。以前声音是一个可替换的零件，找谁配都行；现在声音被写进了生成提示，换声音等于换一条镜头。这对预算有限的项目是好事，对依赖声音辨识度的品牌则未必，标识性的嗓音很难在生成里稳定复现。
用多张图片作为参考来锁定角色，本质是给模型一个稳定的外观锚点。过去做系列内容最痛苦的地方是同一个角色在第5个镜头换了脸，尤其在不同机位、不同光照下，模型的自由发挥会把一致性彻底打散。多参考的做法是把角色的正面、侧面、不同服装分别喂进去，让模型在生成时向这些锚点收敛。
它的边界也很清楚：参考图能约束外观，约束不了表演。角色的情绪强度、动作节奏、与道具的互动方式，仍然要靠提示词和运镜描述来引导。所以一致性做得再好，也只是把"这个人长得对"这一关过了，"这个人演得对"还得靠人。
参考图数量也有边际效用。给三张和给五张，一致性的提升并不成比例，反而可能因为风格冲突让模型取舍困难。实操里更稳的做法是控制参考图的拍摄条件：同光源、同色温、同镜头焦距，让模型看到的差异只落在角度上，而不是把曝光差异当成角色特征。
一个模型同时出现在官方平台、第三方聚合站、剪辑软件插件里，是今年视频生成领域的常态。对模型方，这是分发；对聚合方，这是选品。聚合平台不承担训练成本，靠的是接口稳定性、价格组合、以及与下游工作流的贴合度。它卖的其实是"少切换一次工具"。
这层生意的脆弱之处在于可替代性。任何一家聚合平台都能接入同一个模型，差异化只能来自价格、并发额度、以及与自家剪辑能力的耦合深度。真正稳的位置在下游：素材管理、版本对比、批量渲染、团队协作，这些是模型方不愿意做也不会做的活。视频生成正在重复图像生成走过的路，模型能力变成水电，价值往工作流迁移。
对内容团队，这个结构带来的实际影响是选型周期变短。过去锁定一家的理由是迁移成本高，现在换模型的成本压到很低，反而要求团队把提示词、参考素材、参数预设做成可移植的资产。把这些沉淀在自己手里的团队，换平台时就不至于从零开始。
能力越强，素材合规的压力越大。三十秒连续镜头里如果出现了可识别的品牌标识、真实人物面孔、受保护的建筑外观，责任落在使用方。多图参考尤其敏感，把真人照片作为参考上传，等于把肖像授权的问题直接带进了生成环节。平台通常会在条款里把责任划给用户，但实际发生争议时，平台的处理机制才是客户真正在意的部分。
对采购方来说，评估这类工具不该只看样片质量。要问的是生成记录能不能导出、素材能不能证明来源、商用授权覆盖到什么范围、平台对疑似侵权内容有没有拦截。这些问题在选题阶段问清楚，比在成片上线后被下架要便宜得多。
还有一条正在收紧的规则值得提前看：国内已有监管意见要求数字人、AI合成视频在直播电商场景下显著标识，不得隐瞒AI生成属性，且不得未经授权用AI换脸、声音克隆制作带货内容。广告片与带货视频的边界正在变窄，用三十秒连续镜头做一条看起来完全真实的品牌片，技术上已经能做到，合规上要先想清楚标不标。