---
title: "文字生成影片（Text-to-Video）"
slug: text-to-video
language: zh-TW
source: https://aiterms.tw/terms/text-to-video
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 自然語言處理, 電腦視覺, 生成式AI, 神經網路, 多模態AI, 模型訓練]
ipas_term: false
---

# 文字生成影片（Text-to-Video）

> **你有沒有想過，活動腳本還沒拍，就先看見短片長什麼樣？**
> 你可以把文字生成影片想成「把一句描述變成會動的畫面」
> 它不只要畫對每一幀，還要讓時間前後接得上
> 很適合做廣告試片、分鏡提案和教學示意，但長片和細節一致性仍很難
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **文字生成影片 vs 文字生成圖像**
> 文字生成圖像只管單張畫面
> 文字生成影片還要管時間變化
> 最關鍵的區別：影片多了連續性和動態
>
> **文字生成影片 vs 影片編輯**
> 文字生成影片是從描述直接生出影片
> 影片編輯是改已有影片
> 最關鍵的區別：一個從零生成，一個在既有素材上修改
>
> **文字生成影片 vs 動畫製作**
> 動畫製作常由人逐格或逐鏡頭完成
> 文字生成影片是讓模型自動合成
> 最關鍵的區別：人工作業和模型生成的差別
>

### 記住這句就好
> 影片不只要畫得像，還要每一秒都接得上。

### 實際案例
> **廣告試片**
> 行銷團隊先輸入 15 秒腳本，快速看見節奏和鏡頭感，再決定要不要正式拍攝
>
> **課程示意**
> 老師把「細胞分裂過程」寫成幾句描述，模型先產出動畫草稿，之後再補上標註
>

### 算法與應用
> | 場景理解 | 先把文字切成鏡頭或事件 | 描述越連貫，結果越穩 |
> | 時間建模 | 讓前後畫面有因果和動作延續 | 這是比生圖更難的地方 |
> | 幀生成 | 逐幀或小段生成畫面 | 容易出現閃爍或漂移 |
> | 後製整合 | 補字卡、配音、轉場 | 很多成品仍需要人工加工 |

### 情境判斷
> **Q1（直覺題）：你要先看腳本拍起來的感覺，這時適合用嗎？**
> → 適合，先用文字生成影片做概念驗證，再決定正式拍攝。
>
> **Q2（判斷題）：你要做 30 分鐘完整紀錄片，還能只靠它嗎？**
> → 通常不行，長影片的連貫性、人物一致性和敘事控制都還不夠穩。
>
### 常見問題
> **Q：文字生成影片為什麼比較難？**
> 因為它同時要生成影像和維持時間連續性，兩種問題疊在一起。
>
> **Q：它可以直接拿來做正式成品嗎？**
> 短片和概念片可以，正式成品通常還要剪接、修圖和加字幕。
>
> **Q：為什麼人物常常前後長得不一樣？**
> 因為模型在不同幀之間維持身份一致性很難，尤其是長片。
>

### 相關術語
> - **文字生成圖像**：先理解單張畫面，才容易看懂影片版本為什麼更難
> - **擴散模型**：很多影片生成方法都建立在它之上
> - **電腦視覺**：影片生成最後還是要回到影像理解與合成
> - **內容生成**：這是更大的應用家族

---

來源：https://aiterms.tw/terms/text-to-video
快查頁：https://aiterms.tw/terms/text-to-video
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-text-to-video