生成技术词条

AI 视频AI Video

AI 视频泛指利用人工智能技术生成或辅助制作的视频内容：从文案、画面、配音到合成，AI 可以参与其中任意环节——当前最成熟的形态是"AI 生成画面 + TTS 配音 + 自动合成"的口播类短视频。

AIGCAI Generated Content

AIGC 指"人工智能生成内容"：文本、图片、音频、视频等由 AI 模型自动产出的内容，与 PGC（专业生产）、UGC（用户生产）并列成为第三种内容生产方式。

分辨率Resolution

分辨率是画面的像素规格：1080p（1920×1080）是短视频交付主流，720p 用于轻量场景，4K 是素材预留。分辨率决定画面的"信息上限"，但不决定清晰度——那还要看码率和源素材。

变声

变声是实时或后期改变声音特征的技术。AI 时代它的实用价值已经下降：想要"不同的声音"，直接换 TTS 音色比"把真声变过去"更自然、更可控、更合规。

AI 换脸

AI 换脸是把一张脸"贴换"到已有视频中人物面部的技术。它与数字人的本质区别：换脸是"替换"已有视频里的脸，数字人是"驱动"一个形象生成新的口型与内容。

图生视频Image-to-Video

图生视频（I2V）是以一张图片为起点，让 AI 模型为其生成动态效果的技术——让静态画面"动起来"，常用于让 AI 生图的分镜获得镜头感。

音频降噪Audio Denoising

音频降噪是去掉录音里的环境噪声（风扇声、空调声、街道底噪）的过程。AI 配音时代，"录出来的声音"越来越少，降噪的主战场变成了"人声素材的预处理"——比如做声音克隆和数字人前的样本清洗。

口型同步Lip Sync

口型同步（Lip Sync）是让人脸嘴部动作与语音对齐的技术，是数字人"开口说话"可信度的关键；代表模型有 MuseTalk、Wav2Lip 等。

绿幕Green Screen

绿幕抠像是把人物从纯色背景中分离出来的传统技术。AI 时代它的地位很微妙：AI 背景生成与 AI 抠像正在取代"搭绿幕"这个物理环节，但绿幕素材的价值反而变高了。

码率Bitrate

码率是每秒视频占用的数据量，直接决定"清晰度与文件体积"的平衡：同样 1080p，码率高的画面干净，码率低的出马赛克。压缩的本质就是"把码率降到最后一个观众无感的位置"。

深度合成

深度合成是利用深度学习生成或编辑音视频内容的技术统称：换脸、仿声、虚拟形象、图像生成都在其列。国内已有专门规章《互联网信息服务深度合成管理规定》对其进行监管。

声音克隆Voice Cloning

声音克隆是用少量目标人声样本训练出"像本人说话"的合成音色的技术。它有合法的使用边界：克隆自己的声音（授权明确）是主流应用，克隆他人声音必须获得本人明确授权。

帧率FPS / Frame Rate

帧率是每秒显示多少张画面（fps）：30fps 是短视频主流，60fps 更顺滑但文件更大，24fps 是电影感。AI 生视频的帧率决定"动得稳不稳"。

数字人Digital Human / AI Avatar

数字人是用 AI 生成的虚拟人物形象，可以让照片或建模形象"开口说话"，口型与配音对齐，常用于不需要真人出镜的口播、播报与讲解类视频。

文生视频Text-to-Video

文生视频（T2V）是输入一段文字描述，由 AI 模型直接生成对应视频画面的技术，是 Sora、可灵、即梦等视频生成模型的核心能力。

语音合成TTS / Text-to-Speech

语音合成（TTS）是把文字转成真人质感配音的技术。现在的神经 TTS 已支持多音色、情感语调与多方言，是不出镜短视频的"声音底座"。

虚拟主播Virtual Host / VTuber

虚拟主播是用虚拟形象（2D 皮套或 3D 模型）出镜的主播形态：真人幕后驱动（动作捕捉）或 AI 全自动驱动。在短视频生产语境里，它常指"AI 驱动的数字人主播"。