AI 视频生成指用模型从文字描述、参考图或参考视频生成一段动态影像。常见形态有三种：文生视频（写一段描述直接出片）、图生视频（给一张图让它动起来）、视频生视频（改风格、换角色、延长片段）。
技术上它和 AI 图像生成同源，都是扩散模型。差别在于多了一个时间维度：图像只要这一帧好看，视频要求连续几十上百帧里，同一个人还是同一个人、杯子不会突然换个把手、影子不会跳来跳去。
先用一句话抓住它
AI 视频生成不是「把很多张 AI 图片接起来」，而是让模型同时在空间和时间上做去噪，一次性算出一整段。
打个比方。逐帧生成好比让二十个画师各画一格，每人画得都不错，连起来却像走马灯——衣服颜色在变、人脸在漂。视频生成模型的做法更像让一个画师同时铺开这二十格一起画，先定整体动作和结构，再逐格补细节，所以帧与帧之间才对得上。
它是怎么算出来的
时空压缩是第一步。直接在像素上处理几十帧高清画面代价太大，所以先用编码器把整段视频压进一个低维的潜空间——空间上缩小，时间上也合并相邻帧。所有去噪都在这个小得多的空间里进行，最后再解码回像素。
骨干网络这几年从卷积结构转向了 Transformer，即 DiT。做法是把视频潜表示切成一个个时空小块当作 Token，让注意力在这些块之间建立联系——这正是跨帧一致性的来源。这条路线的另一个好处是能吃下更多算力，缩放定律那套经验得以迁移过来。
原生音频是近期的重要变化。早期做法是先出画面再单独配音，口型和音效很难对齐；把音频和画面放进同一次生成里联合建模后，对白口型和环境音的匹配度明显改善。
现在做得好的和做不好的
做得好的：单镜头、十秒以内、有明确主体的画面，质量已经相当高。运镜变成了可控参数——推、拉、摇、移可以在提示词里点名，多数模型会照做。风格化内容（动画、定格、超现实、广告质感）是甜区，因为这类画面本身对物理真实度的要求就低。
做不好的：一旦要讲一个完整故事，问题立刻显现。跨镜头的角色一致性、复杂的物体交互（倒水、系扣子、多人肢体接触）、精确的文字渲染、以及长时间的物理连贯性，都仍然是难点。手指、镜子里的倒影、快速运动中的细节，也还是常见的破绽来源。
当前的主流解法不是把单镜头一直拉长，而是结构化叙事：把一段内容拆成多个镜头，用参考图或角色描述把主体锚定住，让模型在多个镜头间保持同一个人物和光照。多数产品的「分镜」「角色一致性」「参考视频」功能都是在做这件事。
由于各家模型迭代极快、可用时长和功能差异大且互相冲突，本文不列具体产品参数——真要选型，以官方文档的当期说明和你自己的实测为准。
和相邻概念的区别
和扩散模型的关系：扩散是底层方法，视频生成是它加上时间维度后的应用。理解扩散的「从噪声逐步收敛」，就能理解为什么改一个词整段视频都变、为什么种子固定才能复现。
和世界模型的区别：视频生成的目标是「看起来对」，世界模型的目标是「物理上对且能预测下一步状态」。两者在技术上高度交叉——能生成物理合理视频的模型，往往也被用作具身智能的仿真环境和合成数据来源——但评价标准不同：前者看观感，后者看预测准确度。
和传统剪辑软件的区别：生成模型产出的是不可精确控制的整段画面，改一处往往牵动全局；剪辑软件是确定性的逐层编辑。实际生产流程通常是两者配合：用生成模型出素材，用传统工具做精确控制和最终合成。
容易误解的地方
「时长参数代表能力」——单次生成上限、续写拼接后的总长、以及「保持连贯的可用时长」是三件事。很多宣传里的长时长是靠续写拼出来的，中间的连贯性要单独看。
「演示片代表日常产出」——官方演示往往是从大量生成结果里挑出来的。判断一个模型好不好用，看的是首次可用率：平均生成几次能得到一条能用的，这个数字比最佳案例更有参考价值。
「生成的视频可以随便商用」——要分别确认三件事：平台的商用条款、训练数据的版权争议、以及涉及真人形象和声音时的肖像权与声音权。用真人参考图做视频尤其需要授权。
「看不出来就没事」——多个司法辖区已经或正在要求 AI 生成内容做标识，平台侧也普遍要求声明。C2PA 这类内容溯源标准正在成为行业基础设施，生成时保留和传递来源信息会越来越重要。
什么场景用得上
目前落地最扎实的是短、无对白强要求、风格化的内容：产品概念展示、社交平台短视频、广告分镜预演、动画素材、氛围空镜。这类需求本来就以秒计，对物理真实度容忍度高。
不太合适的是需要精确还原事实的场景：产品操作演示、教学步骤、新闻画面。这些内容一旦生成出错就是误导，应当用真实拍摄或录屏。这也是内容行业里一条相对稳定的分界——事实性画面用拍的，氛围性画面可以用生成的。