30秒快速回答： AI 视频生成就是给 AI 一段文字描述（如”一只猫在太空站里飘浮”），它自己”画”出一段几秒到几十秒的视频。主流工具包括 OpenAI Sora（物理效果逼真）、Runway Gen-3（专业创作）、可灵（国产免费）。目前生成一次约 5~60 秒，画质在 720p~1080p 之间。虽然细节偶尔会崩，但已经能用于短视频剪辑、广告 demo 和创意预览。

一、定义：AI 视频生成是什么？

AI 视频生成属于生成式 AI 的子赛道，输入是文字、图片或已有视频，输出是一段全新的动态视频。

核心流程：文本提示词 → AI 理解语义/物理规律 → 逐帧生成连贯画面 → 输出视频

二、原理：AI 怎么”想”出视频的？

1. Diffusion Transformer（DiT）

Sora 采用的核心架构——把扩散模型（Diffusion）和 Transformer 结合：

• Diffusion 负责从噪声中逐步”还原”出画面
• Transformer 负责理解文字描述并指导整个过程
• 在时间轴上反复应用，生成连贯帧

2. 关键挑战

3. 图生视频 vs 文生视频

• 文生视频（T2V）：纯文字 → 视频，自由度最高但控制最难
• 图生视频（I2V）：给首帧图片 → 让 AI 动起来，效果更可控
• 视频扩展：给一段视频 → 延长或补帧

三、实操：零基础生成第一段 AI 视频

步骤 1：选工具

• 追求质量：Runway Gen-3、Sora（需白名单或付费）
• 中文免费：可灵、即梦、PixVerse
• 开源自建：CogVideoX、EasyAnimate

步骤 2：写提示词

好提示词公式：

[主体] + [动作] + [环境/背景] + [光影/氛围] + [镜头语言]

示例："一位穿红裙的舞者（主体），在雨中缓缓旋转（动作），
老上海街巷背景（环境），霓虹灯倒映在湿润石板路上（光影），
从上往下俯拍，慢动作（镜头）"

步骤 3：生成 + 迭代

• 首先生成可能不完美，微调提示词重试
• 可先生成静态图（Midjourney/DALL·E），再把图片喂给视频工具
• 多段素材拼接成完整短片

四、工具推荐表

五、FAQ 常见问题

Q1：AI 视频能商用吗？ 取决于工具条款。多数允许商用，但需确认版权归属。建议用 Runway、可灵等有明确商用授权的平台。

Q2：生成的视频有声音吗？ 目前大多数只生成画面，声音需后期添加（可结合 AI 音乐/音效工具）。

Q3：怎么让人物不崩？ 脸崩是常见问题。可先生成高质量人物图 → 图生视频，或用 Runway 的 Lip Sync 修复口型。

Q4：AI 视频适合做什么？ 短视频广告、创意预览、教学动画、社交媒体内容、产品 demo。暂时不适合长片叙事。

Q5：生成一次要多久？ 5 秒视频约 30 秒到 3 分钟不等，取决于工具和排队情况。

延伸阅读：什么是 AI 音乐生成？ 给你的视频配上 AI 创作的配乐。