文生视频是什么
Text-to-Video · 作者：夸父
一句话定义：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。
文生视频（Text-to-Video，T2V）是输入文字描述直接生成视频片段的技术——Sora、可灵、即梦、通义万相视频版都属于这一类。它是当前 AI 视频领域最受关注、也最容易被误用的技术。
它的真实能力边界
强项：创意动态镜头——光影流动、奇幻场景、物理感的运动。弱项：精确控制（让"这只手"拿起"那个杯子"依然靠运气）、人物一致性（跨镜头同一人）、以及成本（按秒计费）。理解这些边界的关键：文生视频模型是"镜头生成器"，不是"成片生产线"——它输出几秒钟的片段，不管脚本、配音、字幕、合成。
成本结构决定了正确用法
按秒计费的单价是文生图的十倍以上。全片用 T2V 生成，条均成本几十元起步——这是"发布会演示"的用法。日更生产的正确配比：大部分镜头用文生图（元级成本）+ 1~2 个关键镜用 T2V/I2V 加动态，见成本明细的完整计算。逐日 AI 的切片制支持按镜配引擎，正是这个配比的工程载体（见四引擎生图）。
提示词对 T2V 的影响
与文生图一致的四要素结构（主体/环境/光线/视角）外加运动描述——"镜头缓慢推近"、"落叶飘落"、"人物转头看向窗外"。运动词写得越具体，动态越可控。提示词体系的完整说明见提示词词条。