如果你做过视频，一定体会过那种"想得到、剪不出"的挫败感：脑子里有一幅画面，但要么没有素材，要么拍摄成本太高，要么剪辑软件学起来太慢。过去几年，AI 视频生成工具把这条路的门槛几乎削平了。现在你写一句话，模型就能给你一段画面；你丢一张图，模型就能让它动起来。文生视频（Text-to-Video）和图生视频（Image-to-Video）不再是实验室里的演示，而是普通创作者每天在用的生产工具。
这篇指南不讲玄学，只讲实操。我会先说明这两类工具到底能做什么、有什么区别，然后讲清楚怎么选模型、怎么写提示词、怎么把零散的片段拼成一条完整的视频，最后列出最常见的坑和解决办法。目标是让你读完就能跑通一条属于自己的视频生产流程。
为什么"一键转视频"会成为主流
先看需求侧：短视频平台、电商详情页、课程讲解、产品宣传，处处都需要动态画面。再看供给侧：传统视频制作的成本由三部分组成，设备、时间和技能。拍一条像样的片子，要么花钱租设备请人，要么花大量时间自学剪辑。这两条路都挡住了大多数人。
AI 生成工具同时松动了这三道锁。没有摄影机？用文字描述场景就行。不会布光？提示词里写一句"金色黄昏侧光"就能得到相应的光影。剪辑复杂？生成出的片段本身就是成片素材，剩下的只是挑选和拼接。
更关键的是试错成本的变化。传统拍摄失败一次，浪费的是场地、人员和一天的时间。生成失败一次，浪费的只是几秒钟和一点算力额度。低成本试错意味着你可以一次生成多个版本，从中挑最好的，而不是小心翼翼只敢试一次。这种"便宜迭代"才是这个工具最值钱的地方。
文生视频与图生视频的区别
名字很像，用途不同，搞清楚区别才能选对工具。
文生视频的输入是纯文本。你描述主体、动作、场景、风格，模型从零开始生成画面。它的优势是自由度极高，可以凭空创造不存在的场景、人物和风格。缺点是可控性弱：模型对"你心里那个画面"的理解取决于你的文字精度，写得不具体，出来的东西就会跑偏。
图生视频的输入是一张或多张参考图。模型在保留图中主体特征的前提下，让画面动起来。它的优势是可控性强：角色长什么样、场景长什么样，图片说了算，文字只需要描述动作和运镜。缺点是自由度低：你只能让"已有画面"动起来，很难凭空改换主体。
两者的最佳组合是：先用文生图或参考图确定视觉基底，再用图生视频让它动起来。比如先让模型生成一张主角的概念图，确认形象满意后，再用这张图做多段图生视频，保证整条片子里角色不"漂移"。这是目前保证一致性的最实用做法。
主流模型怎么选
模型市场已经分化出几个方向，每个方向有各自的强项，选模型先想清楚任务类型。
追求画面真实感的，可以关注 Flux 系列。它出图细节扎实、对提示词的遵循度高，特别适合产品图、商业广告、需要精细质感的画面。如果帧质量是第一位，它是很稳的默认选择。
追求叙事和电影感的，可以看 Runway Gen-4 和 OpenAI Sora。这两个模型对故事节奏的理解更好，运镜更自然，能产出数秒到更长的、连贯性较强的镜头。做短片、宣传片、有情节的内容，它们更合适。
面向中文和亚洲审美的，可以看 Kling（可灵）和 MiniMax Hailuo（海螺）。Kling 对中文提示词的遵循度和运动控制口碑很好，处理东方美学场景、文化符号更顺手。Hailuo 则在表情和动作的生动性上很突出。做面向中文市场的内容，这两个是优先考虑的对象。
另外还有一类便宜快速的模型，适合做草稿和动效预览。创意没定之前，先用低成本模型跑方向，方向确定后再把关键镜头交给高端模型精修。贵的额度花在要发布的镜头上，这是最划算的花法。
选择框架一句话：产品写实镜头用真实感模型，叙事短片用电影感模型，中文与亚洲审美用本地化模型，试错用便宜模型。让一个模型包打天下，是新手最常见的浪费。
写提示词的三个支柱
提示词是文生视频里杠杆最高的技能。写得好不好，直接决定出片质量。一套可靠的结构包含三部分：主体、风格、运镜。
主体就是观众看到什么：人物、物体、动作、场景。风格就是画面长什么样：写实、动画、胶片颗粒、赛博朋克、低饱和。运镜就是镜头怎么看：景别、角度、运动方式、景深、光线方向。
举个例子："一位穿白色围裙的厨师在乡村厨房里颠锅，火焰腾起，浅景深，窗户透进暖色黄昏光，镜头缓慢推近。" 主体是厨师、锅、厨房、动作；风格是乡村、暖色、黄昏；运镜是浅景深加缓慢推近。三部分齐全，模型才接得到明确的规格。
关于动作要格外具体。视频模型需要知道什么在动、怎么动。与其写"繁华街道"，不如写"前景车辆从左向右行驶，行人横穿马路，镜头向前移动"。动作描述越具体，成片越可控。
模型支持负面提示词时一定用上。不想要模糊的脸、多余的手指、画面上的水印字，直接写进排除项。很多翻车是能预防的，预防比后期修复省事得多。
最后，迭代提示词要一次只改一个变量。这次改动作，下次改光线，再下次改镜头。一次改三个变量，出了问题你根本不知道是谁造成的。把自己的提示词日志留下来，它就是你的训练集。
从单镜头到成片的工作流
生成出来的一段段素材只是原料，不是成品。做出好片子的人，都是把生成当作流水线的一个环节。
第一步是写分镜。确定这条视频需要几个镜头、每个镜头承担什么任务。一条三十秒的视频，六到十个镜头很正常，每个镜头都要有明确作用：交代环境、展示人物、推进动作、给出结果。先规划镜头，再去生成，顺序不能反。
第二步是锁定角色和场景。给每个角色、每个场景写一份主描述，在所有提示词里原样复用。平台支持参考图就一定要用参考图。一致性是"电影"和"幻灯片"之间的分界线。
第三步是批量生成候选。每个镜头出两三个版本，快速挑出最好的一个，然后继续。生成成本低就是用来花的，别替模型省。
第四步是进剪辑软件组装。把选中的片段像素材一样剪到一起，加音乐、字幕、转场。节奏、情绪、口播，都是在剪辑这一步长出来的。
第五步是声音。生成的视频通常没有声音或声音很弱，而无声视频给人感觉永远是半成品。配乐、环境音、旁白，是让生成画面"像内容"的关键一步。
常见问题与解决办法
生成视频的翻车很有规律，多数问题都有对应的解法。
角色漂移是最出名的问题：同一个角色在不同镜头里长相不一致，甚至同一段视频里五官会变。解法是统一的角色描述、参考图，以及平台提供的角色锁定或多图融合功能。
形变和融化出现在模型跟丢主体的时候。缩短单段时长、简化场景、减少需要持续维持的运动量，都能缓解。
画面中的文字仍然不可靠。需要清晰文字时，单独生成文字再在剪辑里叠加，或者选择文字渲染能力强的模型，并且尽量让文字短一些。
手脚和面部的不自然运动是公认的弱项。缓解办法是构图紧一些、少安排全身大动作，人物镜头优先交给运动质量好的模型。
风格漂移往往是因为提示词不统一。在每条提示词末尾加一段共用的风格块，混用多个模型时先在草稿阶段测一遍风格，一套色板、一套词汇、一种光线，不要变来变去。
适合日常复用的完整流程
把上面的方法收拢成一条可重复的流程。
先写简报：这条视频讲什么、给谁看、多长、什么调性。后面所有决定都为简报服务。再写脚本或口播稿，让画面去支撑文案，而不是反过来。
把脚本拆成镜头，编号，每个镜头写一句话目的，并标注该用哪个模型。建立角色和场景的主描述。用三段式结构写提示词，存进表格或文档，方便复用和对比。
批量生成候选，每镜头两三个版本，快速挑选。失败的镜头按上面的解法处理，而不是盲目重抽。
进剪辑组装：剪接、配乐、字幕、调色，套用你自己的品牌风格，让成片像你做的，而不是像模型演示。
最后以观众身份完整看一遍再发布。如果这条流程产出的东西连你自己都不想看，要修的是流程，不只是这一条视频。
常见问答
生成的片段最长能有多长？ 不同模型差别很大，几秒到一分钟以上都有。片段越长越难保持连贯，所以多数工作流倾向于生成短片段再拼接成长视频。
商业项目能直接用生成视频吗？ 能，但必须先看具体工具和模型的授权条款。个人版与商用版的限制不同，对外发布或交付客户前一定要核对。
需要很强的电脑配置吗？ 用云端工具不需要，重活都在服务器端完成。本地模型是另一回事，通常需要强力显卡。对多数人来说，云端是更实际的选择。
费用大概多少？ 各家差异很大，从带水印的免费额度到按次计费的订阅都有。按自己的产量选套餐：一个月只试几次，没必要上高配订阅。
AI 生成视频能直接商用交付吗？ 草稿、概念、多数短视频场景已经可以。长叙事、强角色连贯的项目还需要人工把关和剪辑。它是生产工具，不是"一键成片机"。
结语
文生视频和图生视频本质上是一项需要练习的技能，技能的核心是"规格化"：清楚自己想要什么，并且能把它写清楚；选对适合任务的模型；再把生成结果当成素材，认真组装出节奏和目的。模型会继续变强，工作流会继续成熟，但基本功——清晰的简报、结构化的提示词、锁定的一致性、认真的剪辑——不会变。
从一条小视频开始，用三段式写提示词，维护好主描述，把片段当素材来剪。第一条会比想象中慢，第十条会快起来，第五十条就会变成一条流水线。技术的门槛已经降下来了，剩下的，就看谁先动手。
