AI 视频零基础 00：它究竟生成了什么

第一次看 AI 视频演示，很容易产生一个错觉：输入一句描述，几十秒后，一条完整广告或短片就从无到有。真正的创作过程通常更像拍电影——先确定画面，再分别生成几个短镜头，最后通过剪辑、声音和字幕把它们组织起来。

理解这一点，能避免两种常见挫败：一是把所有情节塞进一个提示词，得到人物变形、动作打架的片段；二是只盯着最惊艳的一秒，却忽略整条视频能否连续观看。

可靠的 AI 视频流程不是“写一句话等成片”，而是“设计镜头—生成候选—挑选可用片段—剪辑与核验”。

01 / FRAMES模型生成的不是“故事”，而是一段随时间变化的画面。

视频可以粗略理解为连续播放的许多画面帧。图像模型只需要让一张图成立；视频模型还要让相邻帧之间的主体、位置、光线、动作和镜头变化看起来连续。

因此，视频生成多了一个很难的维度：时间。人物的脸第一帧正确并不够，转身后也要像同一个人；杯子不能凭空多一只，汽车转弯时轮子也不能突然改变形状。

评价视频时，不只看“这一帧好不好看”，还要看“前后是否还是同一个世界”。

很多产品都写着“生成视频”，但你交给模型的起点不同，控制力也不同。零基础最应该先分清下面四种模式，而不是先追最新模型名称。

只给文字，让模型同时决定主体、构图、风格和运动。自由度最大，也最容易偏离想象。

先给一张起始图，再描述运动。画面起点更稳定，适合让产品图、人物图或场景图动起来。

提供人物、物体、场景或风格参考，让多个镜头尽量保持同一套视觉身份。

输入已有视频，再改变风格、背景、物体或运动；更接近“修改素材”而非从零创造。

当前大多数生成任务仍以数秒级短片为基本单位。一个镜头里只安排一个主要动作，成功率通常高于连续要求人物进门、坐下、喝水、说话、起身离开。

把 15 秒成片拆成三个 5 秒镜头：建立环境、展示动作、给出结尾。每段只承担一个叙事功能，最后在剪辑软件里连接。这种做法看似多一步，实际上更省生成次数。

模型可以提出构图、生成运动、补出声音，却不知道哪一个镜头最符合你的真实目的。你仍然需要决定受众、节奏、事实是否准确、人物是否获得授权，以及发布时是否需要标识为 AI 生成。

所以 AI 视频不是取消导演、摄影和剪辑，而是把“拍摄素材”的成本结构改变了。好的结果仍然依赖分镜、素材管理、挑选、剪辑、声音和审查。

找一张你有权使用的静物或风景照片，用任一可用工具做图生视频。只写一个动作，例如“镜头缓慢向前推进，树叶被轻风吹动，其他元素保持不变”。

生成后逐项观察：主体是否变形、背景是否漂移、镜头是否真的按要求运动、哪一秒开始出错。先建立观察能力，再谈提示词技巧。

官方来源与阅读边界

保持“短镜头、少变量、可核验”的顺序，不急着一次生成完整电影。