视频生成是什么？AI 如何从文字和图片做出视频

视频生成（Video Generation）是让 AI 模型自动创建、编辑或补全视频内容的技术。输入可以是一段文字描述（文生视频）、一张图片（图生视频）、一段已有视频（视频编辑、续写），或者它们的组合。和生成单张图片相比，视频生成最大的难点是时间维度：每一帧都要好看，帧与帧之间还要连贯，人物不能走着走着变了脸，物体的运动要符合物理常识。

怎么发展过来的

早期的视频生成依赖规则动画、视频拼接等传统方法，能力很有限。生成对抗网络（GAN）出现后，研究者开始尝试直接学习视频数据，但只能生成很短、很模糊的片段。真正的突破来自扩散模型和大规模预训练。2022 年 Meta 提出的 Make-A-Video 是一个有代表性的思路：从图文配对数据里学“世界长什么样、怎么被描述”，从没有文字标注的视频里学“世界怎么动”，这样不需要大量的文字视频配对数据，就能把文生图的进展迁移到文生视频上。

2024 年 OpenAI 发布的 Sora 把视频生成推到了大众视野，它用扩散 Transformer 在时空小块上建模，能生成长达一分钟、质量很高的视频。此后各家快速跟进，国内有可灵、即梦、海螺、Vidu、万相等，海外有 Runway、Veo、Sora 2 等。

现在的发展方向

更长：单次生成从几秒延长到 15 秒、30 秒，并支持多轮续写。带声音：画面和对白、音效同步生成。更可控：用参考图保持角色一致，用关键帧、运镜参数控制画面。能编辑：只改视频的局部，比如换背景、换衣服。实时化：边生成边播放，支持实时交互。

需要注意的

视频生成的算力成本很高，生成一段几秒的视频往往要几十秒到几分钟。逼真的视频也带来了深度伪造的风险，主流产品通常会加水印、嵌入内容来源信息，并限制生成真实公众人物。使用时要遵守肖像权和版权规定。