AI 是怎麼生成影片的？像連續畫很多張圖，還要確保下一秒的人沒有突然變掉

先想像一件事。

如果我要你畫一張「女生在屋頂奔跑」的圖片，你只需要把某一個瞬間畫好。

但如果我要你做五秒影片，問題立刻變多。

第一秒，她是短黑髮。

第二秒不能突然變長髮。

第三秒右手拿著手機，第四秒手機不能無故消失。

背景的高樓、衣服、光線、人物位置，也都要隨著動作合理變化。

所以 AI 影片最難的地方，不只是「每一張畫面都漂亮」，而是前一刻和下一刻要接得起來。

如果你忘了前面的基礎，Lesson 013：AI 圖片生成 的一句話 recap 是：圖片模型根據條件生成新的畫面，而不是單純搜尋現成圖片。

影片則是在這個問題上再加一個很重要的維度：時間。

影片其實是很多影格組成的

影片裡的一張單獨畫面叫做影格（Frame）。

當很多影格按照時間順序快速播放，人眼就會看到連續動作。

你有時會看到 fps，它是每秒影格數（Frames Per Second, fps），意思是一秒鐘播放多少張影格。

例如 24 fps 可以先理解成：一秒影片裡大約有 24 個連續畫面。

但 AI 影片模型內部不一定真的用「一張一張獨立畫完再拼起來」這麼簡單的方式工作。

對新手最重要的直覺是：模型必須同時處理畫面內容和時間上的變化。

什麼是文字生成影片？

當你只提供文字，例如：

「一台紅色老跑車沿著雨夜的山路行駛，鏡頭從車尾慢慢移到側面。」

模型根據文字產生影片，這類任務常叫做文字生成影片（Text-to-Video, T2V）。

這裡又會用到前面學過的 Prompt。一句話 recap：Prompt 就是你交給 AI 的需求、條件與上下文。

只是影片 Prompt 除了「畫面長怎樣」，還要多說「事情怎麼發生」。

什麼是圖片生成影片？

另一種常見方式，是先給模型一張圖片，再讓它把這張圖片動起來。

這叫做圖片生成影片（Image-to-Video, I2V）。

例如你已經有一張角色站在海邊的圖片，可以再要求：

「風吹動她的頭髮，她慢慢轉頭看向鏡頭，背景海浪持續移動。」

這樣的好處是第一個畫面已經比較確定，模型不用從零猜角色、衣服和場景。

如果你在意同一角色不要一直變臉，可以回看 Lesson 015：角色一致性。一句話 recap：只靠文字很難鎖住同一個角色，參考影像與逐步編輯通常更可靠。

為什麼人物會突然變形？

這就牽涉到時間一致性（Temporal Consistency）。

Temporal 是「時間上的」，Consistency 是「一致」。

你可以把它想成拍電影時的場記工作。

上一個鏡頭演員右手拿杯子，下一個鏡頭不能突然變成左手；上一秒外套扣著，下一秒也不能無緣無故敞開。

AI 影片也必須維持這些前後關係。

如果模型沒有維持好，就可能看到：

• 手指數量在移動中改變
• 臉逐漸變成另一個人
• 衣服花紋一直漂
• 背景的門突然消失
• 車輪、文字或小物件形狀不穩定

這些問題不是「某一張圖畫不好」而已，而是跨時間沒有接好。

鏡頭也在時間裡移動

影片還有另一個圖片沒有的問題：鏡頭可以動。

例如：

• 推鏡（Dolly In）：鏡頭逐漸靠近主體
• 拉鏡（Dolly Out）：鏡頭逐漸遠離主體
• 橫搖（Pan）：鏡頭向左或向右轉
• 跟拍（Tracking Shot）：鏡頭跟著人物一起移動

你不用一開始就背所有電影術語。

如果不知道名稱，直接說「鏡頭慢慢靠近人物」通常也比只寫「cinematic」更清楚。

秒數越長，通常越難控制

假設一個三秒片段只有一個動作：

「女生抬頭看天空。」

模型只需要維持一小段連續變化。

如果你要求二十秒裡同時出現：起身、跑步、開門、上車、駕駛、轉彎、下車，模型要維持的狀態就多很多。

所以實作上，把長影片拆成多個短鏡頭，常常比要求模型一次生成完整長片更可控。

這也正是電影本來就在做的事：先拍一個個鏡頭，再剪在一起。

AI 影片不是「按一下就完成電影」

真正要做比較完整的影片，通常還會經過：

1. 想故事或腳本。
2. 做角色與場景設定。
3. 規劃分鏡。
4. 一個鏡頭一個鏡頭生成。
5. 挑選可用片段。
6. 剪輯、配音、音效與音樂。

所以生成模型比較像加入製作團隊的一個新工具，而不是把導演、攝影、剪輯全部變成一顆按鈕。

今天只要記住一句話

AI 影片比圖片多了一個時間維度：不只每一刻要合理，前後的人物、物件、動作和鏡頭還要接得起來。

下一篇，我們直接進實戰：影片 Prompt 要怎麼寫，才能讓模型知道誰在動、鏡頭怎麼走、幾秒內要發生什麼？