视频生成进入'十秒一致性'阶段，但声音还是块短板

这周试了三家新的视频生成。最直观的进步是一致性：十秒以内，人物的脸、衣服、光线基本不会崩，运镜也学会了”克制”，不再一上来就糊成抽象画。

但短板也很明显——画面和声音还是两套系统。口型对不上、环境音和画面割裂，一旦超过一句台词就出戏。

我的判断：画面这条线今年内会基本”够用”，真正的下一个台阶是音画同生成。谁先把这块缝起来，谁就拿到下一轮的入场券。

先观望，等能本地跑的版本出来再认真折腾。