文生视频是这两年最吸引眼球的 AI 能力——打一段字，出一段视频。可灵、Sora 这些工具一更新就刷屏，但真正上手试的人会发现，从「打字出片」到「做出一条能用的视频」中间有不少门道。这篇不吹也不踩，讲清楚这类工具实际怎么用：提示词怎么写才出好片、为什么生成的都是几秒短片、怎么把它们拼成完整视频，以及现阶段哪些活它还干不好、该怎么绕过去。
先分清：文生视频和图生视频
这类工具一般有两种生成方式，搞混了容易白费功夫。文生视频是你只给文字描述，它凭空生成画面，自由度高但可控性低——你脑子里想的和它生成的经常对不上。图生视频是你先给一张图（自己拍的、或 AI 画的），让它在这张图的基础上动起来，画面内容你说了算，它只负责加运动，可控性高得多。
实际做项目，图生视频往往更靠谱。你先用文生图工具把每个镜头的画面磨到满意，再用图生视频让它动起来，最终效果比纯文生视频可控得多。纯文生视频适合快速试创意、要那种「惊喜感」的画面。想清楚这次是要可控还是要惊喜，再选用哪种方式。
提示词怎么写：把镜头讲清楚
文生视频的提示词和文生图思路相通，但多了「运动」和「镜头」两个维度。一个相对完整的描述包含：主体是什么、在做什么动作、所处的环境、画面风格、还有关键的——镜头怎么运动。比如别只写「一只猫」，而写「一只橘猫在窗台上慢慢转头看向窗外，午后阳光，暖色调，镜头缓慢推近」。
镜头语言是文生视频的重点。「镜头推近」「环绕」「俯拍」「跟拍」这些描述能让它生成更有电影感的画面，而不是干巴巴一个静止视角。动作描述要具体但别贪多——一个几秒的片段塞太多动作，它根本演不完，画面会乱。一个片段就讲清一个简单动作，是出片率最高的写法。写完先小成本生成一版看看，再根据结果调描述，比一次写一大段强。
为什么都是几秒：分镜头思维
很多人第一次用会困惑：怎么生成的都是几秒钟的短片？这是目前这类工具的普遍状态——算力和技术所限，单次生成的时长有限。所以你不能指望一句话出一条完整视频，正确的做法是「分镜头」：把你要的视频拆成一个个几秒的镜头，一个个生成，再拼起来。
这其实就是拍电影的思路。先想清楚整条视频讲什么、分几个镜头、每个镜头什么画面，写成一个简单的分镜表。然后逐个镜头生成，每个镜头单独写提示词。生成时尽量让相邻镜头的风格、光线、主体保持统一（提示词里把这些固定描述带上）。攒齐所有片段，进剪辑软件按顺序拼接、加转场、配音乐和字幕，一条完整视频才算成。把「生成」当成拍素材，「剪辑」当成成片，心态就顺了。
一致性是最大的坎：怎么绕
现阶段文生视频最头疼的问题是「一致性」——同一个角色，这个镜头和下个镜头长得不一样；同一个场景，光线、风格飘忽。这让做有连贯人物、连续剧情的视频很难。短期内这是技术硬伤，不是你提示词写得不好。
绕过去有几个办法。一是多用图生视频，先把人物、场景的图固定下来，一致性就好控制。二是设计内容时扬长避短——做不依赖固定人物的内容，比如风景、产品展示、抽象画面、空镜，这些没有「角色要长得一样」的压力。三是把人物镜头控制在单个片段内完成，不强求跨镜头的人物连贯。真要做有连续人物的剧情，目前更稳的还是真人拍摄或其他方式，等技术再成熟。另外提一句，AI 视频生成画面里的文字（招牌、字幕）几乎都是乱码，需要文字的地方,后期自己加。
常见坑与避坑提醒
第一个坑是指望一句话出成片，它给的是几秒素材，完整视频要靠分镜头加剪辑。第二个坑是提示词塞太多动作，一个短片段演不完，画面会糊会乱，一个镜头一个简单动作。第三个坑是强求人物一致性，这是当前技术短板，硬刚只会反复废片，不如绕开。第四个坑是忽略成本，文生视频很烧额度，废片多了很费钱，先小成本试对方向再正式生成。第五个坑是版权和合规，生成的内容用于商用要确认平台的授权条款，涉及真人形象、明显模仿某作品风格的要当心侵权。第六个坑是等不及反复重生成，这类工具有随机性，同样的提示词每次结果不同，满意为止，但也要给自己设个止损。
替代方案与现在适合做什么
文生视频现在适不适合你，要看你做什么。做创意短片、概念片、抽象视觉、产品和风景展示、给视频加几个有冲击力的 AI 镜头——这些它能出彩。做需要连贯人物、完整剧情、精确控制每一帧的内容，现在还很吃力，真人拍摄、传统动画、或前面讲的数字人可能更合适。需要的是口播讲解，那是数字人的活，不是文生视频。
务实的用法是「混着来」：文生视频负责那些拍起来贵、或现实中拍不到的画面（宏大场景、超现实镜头、概念演示），真人和实拍负责需要真实和连贯的部分，AI 剪辑工具负责把它们拼成片。把它当成一个能凭空变出酷炫素材、但还不太听话的摄制组，用在它能出彩的地方，就已经能让你的视频比同行多几分新意。