AI 视频生成工具现状：文生视频、图生视频、时长瓶颈与选型
AI 视频这两年进步很快，但热闹之外有个尴尬：发出来的成品，大多数还是 5 到 10 秒的片段。这篇说的是现在真实能到什么水平，以及怎么在这些限制下干活。
一、文生视频和图生视频，不是同一个东西
文生视频：给一句提示词，直接出画面。
- 优点：不用先做图，想法到画面一步到位，适合氛围镜头、转场、抽象概念。
- 缺点：随机性大。你说"一个女孩在雨中奔跑"，它可能给你三个女孩、可能雨变成雪、可能跑着跑着变了个人。抽十次能用两三次就算不错。
图生视频：先做一张满意的图，再让它动起来。
- 优点：构图、人物、色调都锁死了，命中率高得多。
- 缺点：动起来之后细节还是会飘，而且慢，等于多一道工序。
我的判断：生产环境基本都用图生视频。文生视频留给灵感探索，或者那种"不需要精确控制"的空镜头。
二、时长瓶颈
目前主流单次生成在 4 到 10 秒区间，能到十几秒的也有，但越长越容易崩。
崩的表现：人物五官变形、手脚多一根、物体穿模、镜头莫名其妙切换、画面突然风格跳变。
怎么绕过去：
- 分段生成再拼接。这是主路线，5 秒一段，剪在一起。
- 尾帧续写。拿上一段的最后一帧当下一张的首帧，能保持一点连贯性，但接多了会累积漂移，人物越接越不像。
- 用剪辑遮丑。多切镜头、加转场、加字幕，观众注意力被带走，5 秒的碎片感就弱了。
三、一致性瓶颈
这是眼下最难的一关，比时长更烦。三个层面：
- 人物一致性：同一个角色在十几个镜头里长得不一样。可行解法是固定角色参考图、写死角色描述词、统一 seed。
- 服装和场景一致性：衣服颜色、房间布局会变。解法同上，外加把场景描述词存成模板反复用。
- 动作一致性：这个基本无解，只能靠多抽卡挑。
所以现阶段的现实是：适合做碎片化、快节奏的短视频，不适合做需要连贯叙事的长片。先把这个前提接受，后面会顺很多。
四、价格
各家模式不一样，大致分两类（具体以页面为准）：
- 订阅制：每月几十到几百元，给一定额度，超出要加钱。适合稳定产出。
- 按条计费：单条几毛到几块钱，按生成时长和质量档位定价。
真正的隐形成本是抽卡。一条 5 秒的片段，平均要生成 3 到 8 次才有一条能用的。算成本的时候把这个倍数乘上去，否则预算一定超。
五、按用途怎么选
| 用途 | 推荐做法 | 说明 |
|---|---|---|
| 知识口播、课程讲解 | 数字人 + 本地 TTS | 不用生成视频，最省钱最稳 |
| 故事短片、绘本动画 | 图生视频为主 | 画面可控，适合静态美感 |
| 电商产品展示 | 图生视频 + 运镜 + 配乐 | 产品图直接动起来，转化好 |
| 音乐 MV | 先出歌再配画面 | 用 AI 音乐定节奏，再按歌词分镜 |
| 纯氛围 B-roll | 文生视频 | 不需要精确控制，随便抽 |
六、几条省钱省时间的经验
- 先把分镜图全做完再动视频。图这一步改起来便宜，视频改起来贵。
- 固定一套提示词模板。风格词、镜头词、画质词写成固定后缀，每次只改主体描述，一致性会好很多。
- 不要追求一镜到底。5 秒一段，多切，反而显得专业。
- 分辨率最后再拉。先用低分辨率快速验证动作对不对，选中了再上高清重跑，能省一大笔额度。
七、现在到什么水平了
一句话：做 30 秒到 1 分钟的短视频已经能商用了，做 5 分钟以上的连贯故事还很勉强。
如果你的预期是"AI 帮我一键出片"，会失望；如果预期是"AI 帮我把分镜画面做出来，我来剪"，现在已经很好用了。