生成模型已经能做出画面漂亮的短片，但把多个镜头串成一段几分钟的故事，难点不止在分辨率和动作流畅度。主角的衣着可能悄悄变化，房间布局会在切镜头后错位，某一镜头里出现的小错误还可能一路传到后续视频。Google Research近日介绍一套面向长篇视频的多智能体研究框架，目标是让系统在生成过程中持续维护故事和视觉状态。
从线性提示词链转向全局规划
Google将这套研究称为AI video co-director，并介绍了Co-Director、CANVAS、A²RD与VQQA等组件。整体思路不是把一句长提示词交给一个模型，而是先确定创作方向，再生成简要故事板与视觉资产，随后由不同子代理负责关键画面、视频动作和音频，最后再让多模态模型检查成片并反馈修改方向。
其中CANVAS着重记录角色、地点与物件状态，让后续镜头能够找回一致的视觉锚点；Co-Director则把故事生成看成全局规划问题，尝试在不同叙事策略与风格之间搜索。这样的分工类似一支小型制作团队：有负责整体调度的导演，也有负责场景、镜头和剪辑质量的专门角色。
多智能体改善的是流程，不是魔法
将长视频任务拆解，可以帮助定位错误来源，也能避免每个镜头都从零开始描述角色。但组件越多，系统复杂度和计算成本也会上升：前期故事板若理解错了，后续生成可能把同一个错误精细地重复多次；评审模型的偏好也未必等于创作者的审美。研究团队报告在内部评估中提升了多镜头叙事连贯性与角色持续性，但这仍是论文和团队报告的结果，不能直接理解为所有用户都能一键生成成熟影视作品。
值得注意的是，Google称这套框架建立在Gemini与Veo之上，并提及沿用SynthID水印等安全机制。对创作者而言，生成效率之外还要保留可编辑的故事板、检查人物一致性的工具，以及明确的合成内容标识。只有当用户能看到系统做过哪些选择、能修正哪些镜头，自动化才会成为创作助手，而非难以控制的黑箱。
下一步看可复现性与创作控制
这项工作显示视频生成的竞争可能从“做出一个好镜头”转向“在长流程里维持可控质量”。接下来值得观察研究是否开放代码与评测集、外部团队能否复现改进、生成成本是否可接受，以及创作者能否对角色状态和镜头节奏进行局部编辑。当前它更像一组面向制作流程的研究方法，而不是已经普遍可用的完整商业产品。
参考来源：Google Research：Automating coherent long-form video generation；Google研究论文：Co-Director。