AI 生视频到底是怎么回事：动手前先搞懂的原理、三大流派和三条红线

这篇假设你完全没做过视频，不会剪辑，也不写代码。你只需要会用浏览器和手机。 这一篇不需要动手，一个软件都不用装，一分钱都不用花。全文约 30 分钟。 第三章讲原理，只想赶紧出片的人可以先跳过；但第六章不要跳，那一章决定的不是你做得好不好，而是你做出来的东西能不能发。

这是 AI 视频系列七篇的第一篇：

1. 本篇——AI 生视频到底是怎么回事：原理、三大流派和三条红线
2. 工具全景与选型：11 款国内外工具横评
3. 提示词入门：让 AI 听懂你要的那个画面
4. 实操：小云雀 & 即梦，做出第一段视频
5. 实操：可灵 & 海螺，追求画质与角色稳定
6. 实操：Veo / Runway / Sora，迈过三道门槛
7. 进阶：多模型工作流与避坑

---

一、为什么第一篇要先讲边界和合规

一般的教程都是先教你出成果，最后附一段免责声明。这个系列反过来。

原因很实际：

• 在中国发布 AI 生成的视频，已经是有法可依的强制要求，不是建议。《人工智能生成合成内容标识办法》2025-09-01 已经施行，明确覆盖视频。
• 你用哪个付费档生成的视频，直接决定它能不能商用，而且很多平台不能追溯补授权。
• **有些坑是不可逆的。**用 AI 换上某个真人的脸发出去，删掉不等于没发生过。

换句话说，这些边界不影响你「做得好不好」，它影响的是「能不能发」。等你花一周做出一段很满意的视频，再回头发现发不出去，那一周就白花了。

所以：先花 30 分钟把边界搞清楚，再动手。

---

二、先把期待值校准到 2026 的真实水平

高估它你会失望，低估它你会错过。动手前先看清它现在到哪了。

2.1 三年时间它走到了哪

2023 年：能出 2～4 秒的片段，画面会「糊」和扭曲，人物一动就变形。那时候它的定位是玩具，不是工具。

2025 年：能出 5～10 秒、画面稳定的镜头，物体运动基本符合物理，短视频空镜够用，但细看仍有「AI 味」。这一年开始有人真的拿它做商用素材。

2026 年（现在）：单段能到 10～25 秒，画面接近实拍，能指定运镜和风格，部分工具（如 Google Veo）能直接生成带同步声音的视频，还能把剧本一键拆成多镜头短剧。影视和广告行业已经在实际生产里用它了。

2.2 它现在仍然搞不定的几件事

这几条是硬边界，2026 年 7 月依然成立：

• **长视频。**单次生成通常只有 5～25 秒，一条完整片子要一段段拼。
• **精确文字。**画面里出现的招牌、字幕、logo 经常是乱码，别指望它写对字。
• **复杂的手部和多人互动。**手指数量、握手、递东西这类动作容易穿帮。
• **100% 可控。**你脑子里的分镜，往往要生成好几次才碰到满意的一版。
• **两次生成完全一致。**同样的输入，两次结果不一样，这是设计如此，不是 bug。

2.3 所以正确的用法是「大量生成、你来挑」

这是全系列最重要的一条心智模型，现在就要建立起来。

新手最常见的错误是：生成一次 → 觉得不太对 → 疯狂改提示词 → 再生成 → 还是不对 → 继续改。这条路走不通，因为结果本身就有随机性，你改的那个词可能根本不是变差的原因。

正确的姿势是：写一段还不错的描述 → 一口气生成好几版 → 挑一版最接近的 → 在这一版基础上继续。

你的角色更接近导演和制片——核心能力是「看得出哪版更好」，而不是「改得动某一帧」。

---

三、一段 AI 视频是怎么被造出来的

这一节是原理，不影响你操作。只想赶紧出片的话，可以直接跳到第四章，等你开始好奇「为什么它不听我的」时再回来。

3.1 把它想成一次翻译，而不是一次拍摄

最有用的类比是：它不是在拍摄，它是在做翻译。

你给它一句中文描述，它要把这句话翻译成一段会动的画面。中间大致有三步：

• 第一步：你写的那句话。比如「一只猫在雨中奔跑，镜头缓慢平移」。这是整条链路里唯一你能控制的地方。
• **第二步：模型把它翻译成一份条件清单。**速度多快、镜头怎么动、光线什么色调、主体长什么样——你的每个词都会变成清单上的一条；你没写的部分，清单上就是空的，由它自己填。
• **第三步：一帧一帧生成画面，再连成视频。**它参考前面已生成的画面往下接，同时对照那份条件清单，保证动作连贯。

第二、三步全部发生在云端，你看不见也改不了。（你可能听过 diffusion、transformer 这类词，它们描述的是第二三步的实现方式，对你写提示词没有帮助，这篇不展开。）

3.2 关键推论一：描述越具体，它还原得越准

这是本章最重要的一句话，也是整个系列的地基。

• 描述具体 → 条件多 → 它自由发挥的空间小 → 结果稳定、接近你要的
• 描述抽象 → 条件少 → 它自由发挥的空间大 → 结果基本靠运气

它自己填空时用的是「最常见的那种做法」，加一点随机。所以「一只可爱的猫」会得到一只随机的猫，而「一只橘色短毛猫，在雨夜的便利店门口，缓缓回头，霓虹灯反光，电影感」会得到接近你脑海的画面。

这就是为什么提示词值得单独写一整篇（第三篇）。它不是玄学，是在补条件清单上的空格。

3.3 关键推论二：一帧崩坏会拖累整段

第三步是「一帧一帧往下接」，每一帧都参考前面。于是某一帧生成得不好，后面会基于这个坏结果继续接。你会遇到：动到一半突然变形、镜头莫名其妙抽搐、物体凭空出现或消失。

这些不是你写错了提示词，是概率。同一段描述再生成一次，很可能就正常了。所以遇到画面崩，第一反应应该是重新生成，而不是改提示词。改提示词是用来调方向的，不是用来修 bug 的。新手最容易浪费额度的地方就在这里。

---

四、三大流派：三种把想法喂给 AI 的方式

AI 生视频按输入什么分成三类，这是整个领域最重要的分类。

• 文生视频（Text→Video）：给一段文字。最自由，从零开始，但也最难控制，翻车率最高。
• 图生视频（Image→Video）：给一张图 + 想要的动作。画面「有什么」已经定死，AI 只负责让它动。最可控，新手首选。
• 视频生视频（Video→Video）：给一段已有视频 + 风格要求。用于改风格、换背景、二次创作。

4.1 新手为什么优先图生视频

因为文生视频里，画面里的一切都由 AI 随机决定；而图生视频里，你先有一张确定的图，AI 只需要解决「怎么动」这一个问题。变量少一个数量级，成功率高得多。

实操建议：**先用 AI 画图或自己拍一张满意的图，再喂给视频工具让它动起来。**这条路线贯穿后面所有实操篇。

---

五、能力与成本的现实（截至 2026-07-23）

这一节的价格与额度保质期约一个季度，正式使用前请以各家官网当前政策为准。详细横评在第二篇。

5.1 大多数工具靠「积分」计费

你每生成一次扣一些积分，清晰度越高、时长越长扣得越多。免费额度通常每天回血，够练手，但常带水印、且默认无商用权。

心态：**积分是消耗品。**先用低配、短时长把提示词调对，定稿了再用高配出终版——这是省钱也降低翻车的通用做法。

5.2 几个必须先认识的名词

---

六、动手前的三条红线

从这里开始是合规。这一章的信息保质期同样只有一个季度左右，日后以各家官网和法规原文为准。

6.1 红线一：能商用 ≠ 有版权

多数人的默认理解是「我付了钱、用工具做的，那就是我的」。在 AI 生成内容这里，这个理解要打个问号。

• 商用授权 = 你可以拿它去卖钱、发行、接商单。付费档通常给你这个。
• 著作权 = 别人未经许可用了你的东西，你能告他。100% 由 AI 生成的内容，能否登记版权，各国规则不一，很可能拿不到完整著作权。

两个特别容易踩的坑：

• 授权多半不能追溯。不少平台要求你在生成那一刻就是付费用户，这段视频才带商用授权。免费玩很久、觉得某条特别好、这时再订阅——那条大概率补不了授权。有商用打算，就从第一次生成开始用付费档。
• **免费档做的视频拿去商用，是直接违约。**发行/接单环节你拿不出授权凭证。

怎么让作品尽量「是你的」：你在里面的人类创作成分越多（脚本自己写、分镜自己定、后期剪辑自己做），越站得住。这条思路是通用的降低风险做法，不构成法律意见，涉及金额较大的商用请咨询专业人士。

6.2 红线二：中国的标识办法已经生效（2025-09-01 施行）

《人工智能生成合成内容标识办法》由四部门联合制定，2025-03-14 发布、2025-09-01 施行，管辖范围明确包括视频。这是国家法规，不是平台规则。

落到视频上，大致是三件事：

1. 画面/文件要有显式标识——用户能明显看到的提示（如画面角标「AI 生成」）。
2. 文件元数据要有隐式标识——藏在文件里、机器可读的技术标记。
3. 发布时要主动声明——用平台提供的「AI 生成」标签勾选声明。

办法同时禁止恶意删除、篡改、伪造、隐匿标识，也禁止为他人提供去标识的工具。所以不要去搜「怎么去掉 AI 标识」，那条路本身就在禁止范围内。

平台侧的具体处罚力度（限流、下架、封号）多来自二手合规解读，各平台官方规则原文本篇未逐一核实。能确认的是：主流平台的上传流程里都已有「AI 内容」标签选项。完整加标识步骤在第七篇。

6.3 红线三：别克隆真人的脸和声音

这条后果最重。视频比音乐更敏感，因为它同时涉及肖像和声音两种人格权。

• 中国法下，自然人的肖像和声音都受人格权保护（《民法典》人格权编，具体条号本篇未逐字核对，标注为未查证；原则本身清楚：未经许可使用他人肖像或声音，可能构成侵权）。
• 用 AI 把某个明星的脸换到视频里、或克隆某人的声音配音，即使标注了「AI 生成」，也不能免除侵权责任。标识解决的是「透明」，不解决「你有没有权利用这个素材」，这是两件独立的事。
• 开源工具在本地跑不改变行为性质，侵权看你发了什么，不看在哪台机器上做的；开源许可通常写明「作者不承担任何责任」，出事全部由使用者承担。

想要真人出镜怎么办：用工具自带的、已授权的数字人形象，或者用你自己的脸和声音。这两条路径在实操篇里会讲。

一句话总结：你可以让 AI 生成「某种长相、某种嗓音」的人，不能生成「某个具体的人」。

---

七、你适合做哪一档

三条红线讲完，最后帮你决定后面读什么。按目的分三档，读的内容完全不同。

• 玩票档（做给自己和朋友看，不公开发）：读篇一 + 篇四就够。三条红线里你只要在意红线三——别克隆真人，哪怕只是发给朋友。成本可以完全免费。
• 配乐/素材档（给自己的短视频、店铺、播客做画面）：读篇一 → 二 → 三 → 四（或五）。红线一（从第一次就付费档）和红线二（发国内平台就要标）要认真读。
• 发布档（真的要发到平台、可能赚钱）：七篇全读，尤其篇六（国外工具）和篇七（合规与工作流）。三条红线全部适用，脚本和后期尽量自己做，增加人类创作成分。

如果还不确定，就按这个顺序：读篇四，做一段视频出来，再决定。大部分人做完第一条之后，对自己想去哪一档会突然变得很清楚。

---

八、翻车速查（认知层）

这一篇没有操作，所以这里列的是认知层面的翻车——它们都会造成真实损失。

一句话概括：几乎所有翻车，都来自把 AI 视频当成「我的作品加速器」，而不是「一个有明确边界的授权工具」。

---

九、下一步

9.1 这一篇你应该带走的五句话

1. 它不是在拍摄，是在按你的描述还原画面——所以描述越具体，还原越准。
2. 画面崩是概率，不是你的错——第一反应是重新生成，不是改提示词。
3. 三大流派里，新手优先图生视频——先有确定的图，再让它动，最可控。
4. 能商用 ≠ 有版权，而且授权多半不能追溯——有商用打算就从第一次生成开始付费。
5. 别克隆真人的脸和声音——想要真人出镜，用授权数字人或你自己。

9.2 接下来读哪一篇

下一篇：工具全景与选型：11 款国内外工具横评

第二篇会把国内外主流工具摆上台面，配一张选型决策树，帮你 30 秒选出最适合自己的那一个。

如果你只想赶紧动手，也可以直接跳到 第四篇，用最易上手的小云雀做出第一段视频。

9.3 这一篇的保质期

• 第二、三章（能力边界与原理）：一年以上有效。
• 第五章（价格与积分机制）：保质期约一个季度，以各家官网为准。
• 第六章（标识办法条文）：部门规章短期不会改；但配套细则和平台执行会变。红线一、三的授权与法律部分，正式商用前请现场复核。

本篇所有事实的抓取日期均为 2026-07-23。凡标注「二手」或「未查证」的内容，请勿直接当作依据使用。