AI视频领域有许多专业术语，文生视频、图生视频、DiT架构、首尾帧控制……
这些术语不理解清楚，在学习和使用AI视频时会常常遇到障碍。
这篇整理AI视频领域最常见的术语，用大白话解释清楚。
───
一、生成方式类
- 文生视频（Text-to-Video）
定义：直接输入文字描述，AI生成对应视频。
类比：就像给AI下了一道”文字咒语”，它读懂后变出视频。
示例：
输入："一个穿汉服的女子在竹林中跳舞"
输出：一段女子竹林起舞的视频
常见平台：可灵、文心一格、即梦
───
- 图生视频（Image-to-Video）
定义：上传一张图片，AI将其转化为动态视频。
类比：给AI一张静态照片，它让照片里的人/物”动起来”。
示例：
输入：一张人物照片
输入提示词：人物开始行走、转身、微笑
输出：人物动态视频
常见平台：可灵、Vidu、即梦
───
- 参考生视频（Reference-to-Video）
定义：上传一张参考图，AI保持图片中的角色/场景特征生成新视频。
类比：给AI一个”角色模板”，后续视频中都保持这个角色长相。
核心价值：解决AI视频最头疼的问题——角色一致性
常见平台：Vidu Q3、可灵3.0、即梦
───
4.首尾帧控制（First-Last Frame Control）
定义：指定视频的起始画面和结束画面，AI生成中间过渡内容。
类比：像”拼图游戏”，给出起点和终点，AI填充中间过程。
用途：保证视频片段之间的衔接流畅
───
二、技术架构类
- DiT（Diffusion Transformer）
定义：一种将扩散模型（Diffusion）和Transformer架构结合的神经网络架构。
背景：最早由Sora采用，现被多数主流视频模型采用。
为什么重大：决定了AI理解和生成视频的方式，直接影响生成质量和效率。
───
- UViT架构
定义：Vidu模型采用的核心架构，由清华大学团队提出，比DiT更早。
特点：全球首个Diffusion与Transformer融合的架构，完全自主研发。
───
- 多模态（Multimodal）
定义：能同时处理多种类型数据（文字、图片、视频、声音）的大模型。
举例：可灵O1能将文字、图片、视频统一进同一生成框架。
───
三、视频质量类
- 分辨率（Resolution）
定义：视频画面的像素数量，决定清晰度。
| 分辨率 | 常见标识 | 适用场景 |
| ----- | ---- | ----- |
| 480p | 标清 | 快速测试 |
| 720p | 高清 | 社交媒体 |
| 1080p | 全高清 | 高质量内容 |
| 4K | 超高清 | 专业制作 |
───
- 帧率（FPS）
定义：每秒显示的画面数量，决定流畅度。
| 帧率 | 特点 |
| ----- | ---- |
| 24fps | 电影标准 |
| 30fps | 视频标准 |
| 60fps | 流畅动画 |
───
3.时长（Duration）
定义：单次生成视频的长度。
- 运镜/镜头运动（Camera Movement）
常见类型：
| 术语 | 含义 |
| ------------- | -------- |
| 推镜头（Push In） | 镜头逐渐靠近主体 |
| 拉镜头（Pull Out） | 镜头逐渐远离主体 |
| 环绕（Orbit） | 镜头环绕主体旋转 |
| 横移（Pan） | 镜头左右平移 |
| 竖移（Tilt） | 镜头上下平移 |
───
四、内容生成类
- 提示词/Prompt
定义：给AI的指令性描述，告知它你想生成什么。
构成要素：
• 主体（谁/什么在画面中）
• 动作（做什么）
• 场景（在哪里）
• 风格（什么感觉）
• 运镜（怎么拍）
───
- 负面提示词（Negative Prompt）
定义：告知AI”你不要生成什么”。
作用：避免不想要的元素出目前画面中。
常用负面词：
• 模糊（blurry）
• 变形（distorted）
• 噪点（noise）
• 低质量（low quality）
───
- 风格标签（Style Tags）
定义：指定视频的视觉风格。
| 风格 | 标签词 |
| ---- | --------------------- |
| 电影感 | cinematic, film grain |
| 动漫 | anime style |
| 写实 | photorealistic |
| 赛博朋克 | cyberpunk, neon |
| 复古 | vintage, retro |
───
- 特效（Visual Effects/VFX）
常见类型：
• 粒子特效：烟雾、火焰、爆炸
• 流体特效：水流动、液体飞溅
• 动力学特效：碰撞、破碎
• 光影特效：光束、光晕
Vidu Q3内置6大特效引擎：粒子、流体、动力学、运镜、转场、光影
───
- 音效（Sound Effects）
常见类型：
| 类型 | 作用 |
| --- | ------------------ |
| 环境音 | 场景氛围（风声、雨声、人群声） |
| 动态音 | 物体运动产生的声音（脚步声、开门声） |
| 氛围音 | 情绪基调（紧张BGM、温馨钢琴） |
| 拟音 | 模拟真实声音 |
| 情绪音 | 强化情绪（心跳声、呼吸声） |
───
五、一致性类
- 角色一致性（Character Consistency）
定义：同一个角色在视频的不同片段中保持一样的外貌特征。
问题：AI视频的最大难题之一，每帧独立生成容易”变脸”。
解决方案：
• 参考生（图生视频锁定角色）
• 主体库（如Vidu Q3的角色库功能）
• 固定角色描述词
───
- 场景一致性（Scene Consistency）
定义：同一场景在不同镜头中保持一样的背景、环境。
解决方案：
• 使用场景参考图
• 减少镜头切换频率
• 后期调色统一
───
- 风格一致性（Style Consistency）
定义：全片保持一样的视觉风格（色调、构图、光影）。
解决方案：
• 统一风格提示词
• 全片统一调色
• 避免混用不同风格的元素
───
六、商业化类
- API（Application Programming Interface）
定义：应用程序接口，允许开发者调用AI模型能力。
用途：将AI视频能力集成到自己的产品或工作流中。
───
- SaaS（Software as a Service）
定义：软件即服务，在线订阅使用AI工具。
举例：Vidu SaaS（Vidu Agent、Vidu Claw）
───
- MaaS（Model as a Service）
定义：模型即服务，提供AI模型调用的服务。
举例：Vidu MaaS（API调用模式）
───
- 灵感值/额度
定义：AI平台的虚拟货币或消耗单位。
机制：生成视频消耗灵感值，分辨率越高、时长越长消耗越多。
───
七、平台专属类
- 可灵（Kling）
• 快手自研视频大模型
• 全球写实视频生成第一梯队
• 支持文生视频、图生视频
- Vidu
• 生数科技自研视频大模型
• 参考生功能全球首创
• U-ViT架构，清华团队研发
- 即梦（Jimeng）
• 字节跳动旗下AI创作平台
• 与抖音生态深度整合
• 国风动漫支持强
- 万相（Wan）
• 阿里自研视频大模型
• 中文文字生成能力强
• 开源版本免费使用
- Seedance
• 字节跳动高端视频模型
• 电影感强，画质细腻
• 企业级应用为主
───
八、评测榜单类
- Artificial Analysis
全球AI基准测试机构，定期发布模型能力榜单。
- SuperClue
发布的全球首个参考生视频榜单，Vidu Q3断层登顶。
───
九、常见问题类
- “AI味儿”（AI Look）
定义：AI生成内容特有的不自然感，如动作僵硬、表情不自然等。
缘由：AI对物理世界的理解仍有局限。
解决方法：选择更强的新一代模型，后期调色优化。
───
- 跳变/跳帧（Frame Jump）
定义：视频中画面突然变化，不连贯。
缘由：AI生成的帧之间缺乏时间连续性。
解决方法：使用首尾帧衔接，减少镜头切换。
───
- 崩坏（Quality Degradation）
定义：画面出现模糊、变形、噪点等质量问题。
缘由：复杂场景、长视频、高分辨率容易出现。
解决方法：缩短时长，用简单背景，降低分辨率。
───
十、工作流类
- 管线模式（Pipeline Mode）
定义：将剧本、角色、画面、剪辑等环节整合在一条流水线上。
优势：减少工具切换成本，效率大幅提升。
───
- 批量生成（Batch Generation）
定义：同一提示词生成多个版本，选最优。
原则：不要指望一次生成完美，多生成再筛选。
───
- 素材库/资产库（Asset Library）
定义：可复用的角色、场景、风格等素材集合。
价值：建立一次，反复使用，降低成本。
───
我个人的见解是：术语不用死记，用多了自然就熟悉了。刚开始记住最核心的几个——文生视频、图生视频、参考生、一致性——就够了，其他的在实际使用中遇到再查。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
