学习路径 · 用好 AI
(选读)文生视频是什么?
2024 年 Sora 公开演示,全球第一次看到一个所谓的“世界模拟器”能跑出什么。2025 年可灵出海,Vidu 追上规格,国内厂商月月发新版本。2026 年的文生视频能生成流畅的 10 秒片段。但要说“拍一部电影”——差得远。
当前能做什么
2026 年主流文生视频产品的输出规格集中在 10 到 15 秒。分辨率 1080p 是标配,部分支持 4K。画面稳定性大幅提升——两年前的模型拍个转身,人物轮廓都糊。今天的可灵和 Vidu 在简单场景里能做到镜头锁定、主体不变形。
运动幅度不大的题材效果最好。风景延时、产品展示、室内漫步。这些场景动作规律、背景清晰、没有复杂交互。Sora 在理解物理方面仍然领先——它能把“鸡蛋打碎落地”这个动作拆解成立刻破裂还是缓缓裂开,区分液体的黏稠度。可灵和 Vidu 在画质和风格还原上追得很快,尤其在动漫转绘和写实人像两个场景。
商业落地集中在短视频辅助素材、广告 demo、概念预览。一个人做一条 15 秒宣传片,从写 prompt 到拿到可用片段,现在大约需要一两个小时。2025 年同样的事要半天。
当前不能做什么
第一条:长视频。超过 30 秒视频的一致性还没解决。主角出门走两步,衣服颜色变了,发型乱了,一转身脸都换了。行业叫“身份漂移”——这是文生视频的头号硬伤。
第二条:精确控制。让 AI 拍“一只猫从左跳到右,然后回头看一眼”。它可能执行前半段,后半段猫直接消失了。运镜指令能生效一半就算运气好。镜头的推拉摇移,多数模型只能理解个大概,做不到导演级精准。
第三条:因果物理。杯子掉地上会碎,球撞墙会反弹——这些人类三岁就知道的事,模型经常翻车。不是它不懂,是训练数据里这些瞬间的标注太少。
比文生图难在哪
文生图是一帧定胜负。AI 有无限次重画的机会,直到画出一张满意的。文生视频必须连贯输出 24 帧每秒的图片序列——帧与帧之间不能跳,不能闪,主体必须认出来是同一个东西。
这引出三个核心难点:帧一致性(前一帧的脸和后一帧必须是同一张脸)、时长控制(怎么保证生成的画面恰好持续指定秒数而不提前崩坏)、运镜(镜头怎么动、推多远、转多快,每个参数都对应海量的训练标签)。
一张 1024×1024 的图大约 100 万像素。一段 10 秒的 1080p 视频——将近 6000 万像素。算力消耗高两个数量级。训练一张图的成本能训练 100 帧视频中的一个片段。这就是为什么文生视频的发展至少比文生图晚了两三年。
文生图用两年走完了从“六指怪物”到“以假乱真”的路。文生视频刚走到“大致可看”的阶段。离“电影级”还有很长的路。但每年都在缩短。