文生视频（Text-to-Video，简称 T2V）是一种生成式 AI 技术：你用文字描述一个场景，模型把它"拍"成一段动态视频——包含运动、光影，在新一代模型上甚至有同步音频。你负责描述，模型负责拍摄。
工作原理
主流的文生视频模型底层是扩散模型（Diffusion Model），在海量"视频 + 字幕"配对数据上训练而成。生成时，模型从纯噪声出发，在提示词的引导下逐步"去噪"成一帧帧画面。由于所有帧在同一个时间上下文中生成，输出具备连贯性：物体不会凭空消失，运动自然流畅，镜头表现得像真正的摄影机，而不是幻灯片。
擅长的场景
当你手里只有一个想法、没有任何素材时，文生视频最能发挥价值：
- 概念探索 —— 在实拍或画分镜之前，先把脑中的画面可视化。
- 短内容生产 —— 开场钩子、B-roll 空镜、产品预告、竖屏或横屏社交短片。
- 不可能的镜头 —— 无人机穿过钥匙孔、玻璃铸成的城市、穿宇航服的狐狸。只要你能描述，模型就能尝试。
好的提示词包含什么
强大的 T2V 提示词读起来像导演的分镜笔记，而不是许愿。覆盖四个要素：主体（谁/什么）、动作（时间维度上发生什么）、镜头（构图与运镜）、氛围（光线、色调、情绪）。完整方法论见《如何写出真正有效的 AI 视频提示词》。