AI 视频：2026 年指南

两年前 AI 生成的视频像玩笑：身体像蜡一样变形，人走到一半融化掉。今天用同样的工具能做出广告和短片：我的迷你电影 UNSEEN 进了联合国 AI for Good Film Festival 全球 10 强决赛，而且正是用这篇指南里的工具拍的。想看能达到什么样的结果，这里有 UNSEEN 的完整 case study，幕后也包括。

我叫 Erika，我的本行就是为品牌和自己的项目用 AI 生成图像和视频。所以没有那种读新闻稿拼出来的二十个工具清单：我给你讲五个主要的，各自在哪赢、在哪吃力，以及怎么从零搭一条视频，用我自己的流程。提到的每个工具都有专门的指南，页面最后有完整清单，免费路线也包括在内。

今天的 AI 视频生成怎么运作

原理和图像一样，多一个复杂度：时间。视频模型不仅要决定每一帧长什么样，还要决定帧与帧之间发生什么。所以入口有三条。

从文字到视频（text-to-video）。你写下场景，模型把它拍出来：主体、动作、运镜、光。这是所有人都认识的路，也非常适合探索想法，因为每句话都能变成一个镜头。

从图到视频（image-to-video）。从一张图出发，你的或 AI 生成的，模型让它动起来：在保住起点的前提下决定场景里的运动。需要控制时这是最可靠的路，因为主体已经原样在那里，模型直接让它动起来。这是我用得最多的路：先用图像模型生成关键帧，再把它们动画化。

从视频到视频。第三条路是修改一段你已经生成的视频，或一段实拍。对生成的素材它是走得最少的路，因为这些模型生来是为了创造，不是为了重搅。但在相反方向，对真实视频做特效，结果很扎实：从真实素材出发，往里面加 AI 生成的天空、爆炸、生物和魔法。这是一门独立的手艺，有自己的规则：等专门的帖子出来我再讲。

然后是相对去年改变一切的那个数据：音频。Sora 2 和 Veo 3 生成与场景同步的音频，对白包括在内。不久前 AI 视频还是哑的，声音后期加；今天雨有雨声，人物说话嘴唇跟着字走。这不是细节：这是一个实验和一件产品之间的差别。

五个主要的（以及为什么）

每周都找上我的问题是「哪个最好？」。这是错的问题：它们是五个不同的工具，而当你不再找赢家、开始把每个场景分给最会做它的工具时，工作就变好了。我一个一个讲，按我自己用的方式。

Sora 2（OpenAI）改变了工作的方式：在 Sora 里你不只写提示词，你写项目。你描述脑子里的视频，Sora 把它组织成场景：storyboard 模式让你在时间线上整理每个段落，不喜欢的部分重新生成而不动其余，最长到二十五秒。音频是同步的，而 cameo，也就是把一个反复出现的人（你自己也算）放进场景的能力，让 Sora 的视频一眼能认出来。起步的人我推荐它。Sora 2 指南。

Veo 3 和 Veo 3.1（Google DeepMind）是跟随提示词最精确的。它住在 Gemini 和 Flow 里，当前版本照你写的执行：你要一条逆光下雨中的侧向轨道镜头，得到的就是那个场景，运镜和光都照你描述的。原生音频在最好的之列，对白撑得住。这是视频必须和你描述的完全一致时该选的引擎。Veo 3 指南。

Kling（快手）把人动得最真实：走路、手势、身体的物理。它是我用来生成 UNSEEN 场景的工具之一，画面里有人动时它仍是我的首选。加上每天刷新的免费积分，它也是不花钱学习的最好方式。Kling AI 指南。

Seedance（ByteDance）是五个里跟随长提示词、多个连贯动作最准的。场景有三件事要按顺序发生时，别的模型做两件、丢一件；Seedance 全都照做。刚出的 2.5 版把时长拉到一次生成三十秒，接受最多五十张参考图。如果你写的是戏，不是一张张会动的图，它就是对的引擎。Seedance 指南。

Higgsfield是另一样东西：不是模型而是导演平台。里面有多个引擎，Seedance 和 Kling 都在，引擎之上是别人没有的工具：现成的运镜，从轨道到环绕，clip 延长，一次生成到下一次的人物一致性。这是我过日子的地方，也是我用来做参赛项目的工具。Higgsfield 指南把平台、积分和计划讲得很细；想试的话，我每天从 higgsfield.ai 进。

哪个用在哪

这张表总结什么时候选哪个。免费额度上的数字更新到 2026 年 8 月，经常变。

不花钱而正经生成 AI 视频的路很少：上面的数字够弄清能试到什么程度，不够用来干活。免费路径的完整清单，收拢并讲解过，在专门的指南里：免费 AI 视频生成。

实操中不是选一个工具：是搭一个组合。我用图像模型生成关键帧，用适合场景的引擎动画化，再把项目整个装进一个导演平台里，在那里人物一致性和运镜从一条 clip 稳到下一条。

用 AI 做一条视频，一步一步

我自己的流程，从白纸到发布的视频。完整给你，包括尝试：

1. 写计划，不是写提示词。碰任何工具之前，我把视频拆成句子：一句话一个镜头。「一个雨夜的女人走在沙滩与水的交界处」是一条 clip。「咖啡馆的招牌映在水洼里」是另一条。三十秒的 reel 是六到八句话。
2. 立刻选格式。横屏 16:9 给 YouTube 和网站，竖屏 9:16 给 reel 和 Stories。之后改格式等于全部重生成，因为镜头是在格式里诞生的。
3. 生成第一条 clip。提示词五到八秒，一句一条。第一枪几乎从不够用。
4. 撑不住的重生成。重生成到 clip 站得住为止：运镜漂、物理塌、细节变。按我的平均，三条 clip 里有一条要重做。这是这个行当的正常成本，不是失败。
5. 保持人物一致。如果视频里有一张必须不变的脸，方法是先生成人物 sheet：同一个人的系列图，多个视角，远景、脸部近景、侧面、四分之三侧。此后每条 clip 都从这些图作参考出发，人物在场景之间保持可辨认。跳过这一步是人物拍到一半换脸的第一号原因。
6. 剪。clip 上时间线，按节奏切，加音频。没有模型给你剪辑：视频是在这里变成你的。
7. 凑近检查细节。手、文字、会变形的物体。AI 视频要慢慢过一遍：惊喜也有，但不能闭着眼发布。

怎么写一条管用的视频提示词

每天写提示词写了一年之后，我把一切缩到五个要素，按这个顺序：主体、动作、运镜、光、声音。一个一个来，在同一句话里。

Una donna con l'impermeabile giallo cammina sul bagnasciuga di notte, camera laterale che la segue a passo d'uomo, pioggia fine e insegne colorate riflesse sull'acqua, il suono delle onde e dei suoi passi.

这是我 reel 的一条提示词。它管用因为每个部分决定一件事：有谁、做什么、运镜怎么看她、场景什么光、什么声音伴随。模型不用猜任何东西，错误就少。

而当场景里有情绪，规则是演出来，不是贴标签。「一个忧伤的女人」是标签：模型拿它想干什么就干什么。「她慢慢走，目光向下，肩膀收着，在熄灯的橱窗前停了一瞬」是一场看得见的戏，忧伤从看得见的东西里自己来。在我的提示词里，只要有人物，我永远写她怎么动、看向哪里、和周围是什么关系：差别就在这三件事上。

真正造成差别的规则，我付过学费的：

• 一条 clip 一个动作。同一条 clip 里两个动作是看物理崩塌最快的方式。两个动作，两条 clip，剪在一起。
• 一个运镜，或者没有。「固定镜头」是一条有效却少有人用的提示词：模型爱漂，声明镜头不动能稳住一切。否则就一个运动，声明出来：侧向轨道、缓慢推近、环绕。
• 用肯定的说法。模型不会否定：写「背景没有人群」是让背景出现人群的最稳方式，因为模型捡到的词是「人群」和「背景」。永远改写成你要的：「一个女人独自走在空城」。同一个场景，用有什么来讲，不用没什么来讲。
• 引擎生成音频时声明它。在 Sora 2 和 Veo 3 上音频写进提示词里要：海浪的声音、远处的车流、人声。不要的话它自己决定，不总是按你想要的。
• 主体必须留得住时用起始图。文字负责描述，参考负责保证。对固定人物，sheet 是最可靠的解。

用 AI 做视频多少钱

价格逻辑人人一样：免费试用，付费生产。下面的数字更新到 2026 年 8 月：这个行当每月都在变，决定前再核对官方页面。

什么能做、什么不能（局限，诚实讲）

这里收的是真实的局限，试上几周才会发现的那种，每个旁边有对策。

今天做得非常好的：五到十秒的 clip，画质是电影摄影级别；以前需要一个剧组的光线和氛围；旗舰引擎上的同步音频；用了 sheet 之后保持一致的人物；社交和广告的格式。

还吃力的地方，以及怎么办：

• 长场景。不久前没有模型能连着过十秒。Seedance 2.5 把上限推到连续三十秒，结果让我惊喜。但即使最好的三十秒也还要剪要接，因为长 clip 里总有一刻会垮。日常工作中我留在五秒的 clip 上；用 Seedance 我到十到十五秒，在那里质量和控制互相平衡。剪辑不是退而求其次：这些视频就是这么做出来的。
• 唇形。模型的嘴唇在英文和中文里动得好；意大利语是脱节最明显的语言。不是巧合：这些模型很多诞生在中国，而全部主要用英文训练。需要意大利语人声时，我生成画面，声音后期放，和配音行业从来做的一样。
• 视频里的文字。永远别向模型要：字出来是歪的或编的。文字永远在剪辑里合成。
• 手和小细节。比一年前好得多，但仍是百分之百要检查的点：一枚换手的戒指，一只自己续满的杯子。发布前逐帧看。
• 隐形水印。这个你看不见，但它在：即使一段视频显得干净，很多服务也在文件里写了一道隐形签名，声明它是 AI 生成的。TikTok 这类社交有能找到它的工具。如果你透明，这不是问题，而且你必须透明：但知道它存在能省掉意外。

版权、水印和商业使用

视频要从手机里出来、进到工作里时，要紧的是这一节。摘要，不替代官方条款，也不替代法律意见。

产出是你的，商业使用总体允许。主要工具的条款承认用户对生成内容的权利，允许商业使用，营销包括在内。例外存在，而且和某些免费计划绑定：永远核对你的计划，不是工具整体。

可见和不可见的水印。免费计划常打可见水印，付费计划里它消失。而正如局限里看到的，下面往往还有隐形签名：它叫来源（provenance），声明文件的 AI 来源，看不见也去不掉。透明不是障碍：是整个行业的方向。

责任在你。如果模型生成了像真人的脸或可辨认的品牌，使用的责任在你。而你发布的平台，从 YouTube 往下，都要求声明 AI 生成或修改的内容：勾那个框不贬低工作，保护你和大家。

我为品牌做工作时永远从许可干净的计划和组合出发：客户签字时，权利链条必须从头到尾可读。

实战案例：从提示词到发布的 reel

给你看一条真实的 reel，从头到尾，让方法落到实处。一条三十秒的竖屏 reel，我自己发的那种。

1. 故事和颜色。我用三句话定故事，选这一集的色板。我系列的每一集有自己的颜色组合：一个简单的方式让人认出你，关注的人在读到账号名字之前就明白那条视频是我们的。
2. 人物 sheet。我生成人物各视角的图：远景、脸部近景、侧面。它们用来让人物在 reel 的每条 clip 里保持一样：每次生成都从这里出发。
3. clip。需要六到八条，每条五到八秒：故事一句话一条。一条接一条生成，永远声明运镜在做什么，撑不住的重生成。
4. 剪辑。clip 上时间线，按节奏切：每个镜头留多久取决于你在做哪条视频。字幕按视频的颜色和口味选：唯一的固定规则是在任何屏幕上都可读。
5. 签名。reel 最后我放 end card：两秒，写着 erikataranto.com。这是视频的签名，对应电影里的片尾字幕。它在每个版本上都在，社交的竖版和网站的横版：如果一个文件自己跑出去转，签名跟着它走。

总计：一晚生成，一晚剪辑。最终三十秒，八条 clip，全部从一张 sheet 和提示词里的五个要素诞生。

AI 来拍，你来导

在我的视频里 AI 不是作者：它是剧组。它决定水怎么动、光怎么落、人怎么走。哪些要紧由我决定，写进提示词：你没写的事，AI 才自己发挥。这条也有边界：细节放得越多，视频越有你的样子，但一条 clip 里塞太多指令就会出错。精确靠拆分：更多短 clip，每条更少的动作，而不是一条长 clip 装下一切。

这行的其余部分是导演活，而导演活从有电影那天就存在：决定观众看什么、看多久、什么顺序、声音什么时候进、沉默什么时候来。AI 没有改变这门手艺：它改变的是试一次的成本。从前要一个组和一笔预算；现在一个想法加一个晚上就够。「按下按钮看魔法」式的教程让人失望，原因就在这里：这不是魔法，是一门要学的手艺，而且学着学着就会了。今晚就可以从一条 clip 开始，免费。

而如果你需要视频是为你的品牌，而且更希望天天做这件事的人在你这边：这恰好就是我的工作，从 reel 到广告战役。看看我们怎么合作，或者写信给我：从一个想法开始，把它带到线上。

每个工具的专门指南

这篇指南是 AI 视频这条路的起点。每个工具都有专门的指南，用同一个方法写：真实使用加核实的数字。指南一篇篇出来，而这一页永远是你重新出发的起点：

• Sora 2：是什么、怎么用，写项目；
• Veo 3：指南，控制；
• Kling AI：指南，写实；
• Seedance：指南，诠释者；
• Higgsfield：指南，导演平台；
• 免费 AI 视频生成，所有零成本起步的路。

如果你从图像的世界来：同一条路已经走过了，起点是免费 AI 图像生成。

来源

• OpenAI，Sora（应用、storyboard 与计划）：openai.com
• Google，Gemini API pricing（Veo 3.1）：ai.google.dev
• Google DeepMind，Veo：deepmind.google
• Kling AI，计划与积分：kling.ai
• Higgsfield，计划：higgsfield.ai
• ByteDance Seed，Seedance 2.5：seed.bytedance.com