2026 年用 AI 做视频是这样运作的：你描述场景（或给它一张起始图），模型生成一条几秒的 clip，带运镜、动作，旗舰引擎还带同步音频。然后 clip 要挑选、要剪辑，和电影一样。四个主要工具是 Veo 3、Kling、Seedance 和托管它们、再往上加导演工具的平台 Higgsfield。质量已经是电视级；真正的限制是 clip 时长和 clip 之间的一致性。下面讲清楚它怎么运作、要花多少钱，以及你能用它做哪些工作。
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：我的短片 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 的完整案例研究，里面还有幕后花絮。
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：我给你讲四个主要的，各自在哪赢、在哪吃力，以及怎么按我自己的流程从零做出一条视频。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，只是多了一层复杂度：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，不必重新创造。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，不是为了改来改去。但在相反方向，对真实视频做特效，结果很有说服力：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。
然后是相比去年改变一切的那一点：音频。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。
四个主要的（以及为什么）
每周都找上我的问题是「哪个最好？」。这个问题问错了：它们是四个不同的工具，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。
Veo 3 和 Veo 3.1（Google DeepMind）是跟随提示词最精确的。它用在 Flow 和 API 里（据 Gemini 页面，在付费应用里，它的位置已由 Google 的新视频模型 Gemini Omni 接替），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）在人物动作上最真实：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。2026 年 10 月 15 日，Kling 正式发布了 4.0 版，clip 最长三十秒，带立体声音频。Kling AI 指南。
Seedance（ByteDance）是四个里跟随长提示词、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。2026 年 7 月 31 日推出的 2.5 版把时长拉到一次生成三十秒，一次最多接受五十个参考（三十张图、十段视频和十段音频）。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。我每天就泡在这里，也是我用来送项目参赛的工具。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。
那 Sora 2 呢？它关闭了：应用和网站于 2026 年 4 月 26 日下线，9 月 24 日 API 也跟着走到同一终点。它仍然是教会所有人按项目工作、storyboard 和 cameo 的那个模型，它的故事值得讲一讲，尤其是它的结局：Sora 2 已关闭：替代方案与今天用什么。
哪个用在哪
这张表总结什么时候选哪个。哪些东西免费，更新到 2026 年 8 月（Veo 一行在 2026 年 10 月 16 日重新核对过），经常变。
| 强项 | 今天的免费额度 | 什么时候选它 | |
|---|---|---|---|
| Veo 3 | 可控，严格跟随提示词 | 没有免费计划：在 Gemini 里生成视频需要 Google AI 计划 | 结果忠于提示词 |
| Kling | 写实，运动 | 免费计划不含积分 | 运动中的人 |
| Seedance | 长提示词，时长 | Dreamina（CapCut）上的免费试用 | 多动作场景 |
| Higgsfield（平台） | 导演、一致性、运镜 | 免费计划，模型很少，不含积分 | 整个项目，从 reel 到短片 |
不花钱又能正经生成 AI 视频的途径很少：上面的表格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，汇总并讲解过，在专门的指南里：免费 AI 视频生成。
实际操作中不是只选一个工具，而是搭配出一个组合。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在各条 clip 之间保持稳定。
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。完整给你看，试错也包括在内：
- 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。「一个女人夜里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。
- 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新生成，因为镜头从一开始就是按这个格式生成的。
- 生成第一条 clip。每个提示词对应五到八秒，一句话一条。第一枪几乎从不够用。
- 把撑不住的 clip 重新生成。运镜漂、物理塌、细节变。平均下来，我的三条 clip 里有一条要重做。这是这个行当的正常成本，不是失败。
- 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 都以这些图为参考出发，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。
- 剪。clip 上时间线，按节奏切，加音频。没有哪个模型会替你剪辑：视频是在这里变成你的。
- 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。
一位穿黄色雨衣的女人在夜晚沿着海边的水线行走，侧面镜头以步行的速度跟着她，细雨和彩色招牌倒映在水面上，海浪声和她的脚步声。
这是我 reel 的一条提示词。它管用，是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，都是我交过学费才学到的：
- 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「背景里没有人」是让背景里冒出人来的最稳方式，因为模型抓到的词是「人」和「背景」。永远改写成你要的：「一个女人独自走在空荡荡的城市里」。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。在生成音频的引擎上，比如 Veo 3，音频要在提示词里提出来：海浪的声音、远处的车流、人声。如果你不提，它就自己决定，而且不总是按你想要的。
- 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。
我的提示词，现在是 AI 写的
方法还是那个方法。变的是谁来执行：最终的提示词我不再自己一句一句拼，写它的是和我一起工作的那个 AI。
我像口头讲一遍那样向它描述场景：「一位穿黄色雨衣的女人夜里沿着海边的水线行走」。助手按我的风格补全其余部分，出来的提示词就和我前面那个例子一样。而如果场景里是一个我已经用过的人物，它会回去重看我之前的场景，新的和旧的保持一致。
这不是把一切交给 AI：决定还是我的，画面里看得见什么、要什么气氛。好处在别处。人总有失手的时候：忘了运镜，换了调子，今晚的 clip 就不再像昨晚的。助手什么都漏不掉，因为那些规则它不是靠记的：它每次都重新读一遍。
它能行，是因为它不是随便一个聊天助手：它连着我在电脑里存着的那个大脑，那里写着我怎么工作。这份指南的规则也全在里头，带着这几年的修正：每次有哪个提示词让我不满意，那里就多一条笔记，这个不行，这个可以。我的方法，它是靠一条条批评学来的。这对哪个助手都成立：你给的指示越多，它对你的风格学得越透。
而提示词只是开始。同一个 AI 连着 Higgsfield，再通过 Higgsfield for Blender 插件走进场景：你用描述把场景在 3D 里搭出来，把镜头和运动安排好，助手再从参考视频写出这个镜头的提示词，交给模型生成。场景、导演、提示词、视频：整条链路都在对话里指挥。我在 Higgsfield 进入 Blender 里把它完整讲了一遍。
用 AI 做视频多少钱
价格逻辑人人一样：免费试用，付费生产。下面的表格讲的是每个计划怎么构成（更新到 2026 年 8 月，Veo 一行在 2026 年 10 月 25 日重新核对过），不是它要花多少钱。价格、积分和额度经常变动：以官方页面当前显示的为准。
| 工具 | 免费 | 生产 |
|---|---|---|
| Veo 3.1 | 没有免费计划：在 Gemini 里生成视频需要 Google AI 计划 | 付费的 Google AI 计划；走 API（Google Cloud）按用量付费 |
| Kling | 免费计划不含积分 | 付费的 Standard 计划，需要更多积分时再升级 |
| Seedance | Dreamina（CapCut）免费试用 | 包含在托管它的平台计划里，Higgsfield 也在内 |
| Higgsfield（平台） | 免费计划，模型很少，不含积分 | 月度积分计划；高档位在部分模型上包含 Unlimited 窗口，时长有限，窗口内生成不用数积分 |
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；以前要靠剧组才能做出的光线和氛围；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。不久前还没有模型能连续超过十秒。Seedance 2.5 把上限推到连续三十秒，结果让我惊喜；Kling 4.0 也标明 clip 最长三十秒。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 我会做到十到十五秒，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。
- 口型同步。模型在英文和中文里口型对得好；意大利语是差距最明显的语言。这不是巧合：这些模型很多诞生在中国，而且都主要用英文训练。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 这类社交平台有能找到它的工具。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
视频要走出手机、用到工作里时，这一节最要紧。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：在欧盟，自 2026 年 8 月 2 日起，《人工智能法》（AI Act）第 50 条把它变成义务，既针对生成内容的标记（对此日期前已投放市场的系统，标记义务自 2026 年 12 月 2 日起适用），也针对深度伪造的声明，而这也是整个行业的方向。
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：勾上那个框不会贬低作品，而是保护你和观众。
我给品牌做项目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。
- 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：这是让人认出你的简单办法，关注的人在看到账号名字之前就明白那条视频是我们的。
- 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。
- 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。
- 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。字幕根据视频的颜色和个人口味来选：唯一的固定规则是在任何屏幕上都可读。
- 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。每个版本上都有，社交平台用竖版，网站用横版：如果文件自己流传出去，签名也跟着它走。
总计：一晚生成，一晚剪辑。最终三十秒，八条 clip，全都出自一张 sheet 和提示词里的五个要素。
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。其中哪样对我要紧，就由我来定，写进提示词：因为你没写的，它会按自己的方式决定。这里也有限度：细节写得越多，结果越接近你脑子里的样子，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：有一门手艺要学，而且要边做边学。今晚就可以从一条 clip 开始，免费。
如果这条视频是给你的品牌用的，而且你更希望有天天做这件事的人站在你这边：这恰好就是我的工作，从 reel 到广告活动。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。这些指南都已上线，而这一页永远是你重新出发的起点：
- Sora 2：为什么关闭了，storyboard 先驱的故事；
- 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；
- Higgsfield 进入 Blender，当 AI 也来搭建 3D 场景；
- 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 关闭说明（应用、网站与 API）：help.openai.com
- Google Cloud，Gemini Enterprise Agent Platform 价格（Veo 3.1）：cloud.google.com
- 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
- Google，Gemini 应用中的视频生成（Gemini Omni）：gemini.google
- Kling AI，Kling 4.0 发布说明：kling.ai
- 快手，关于 Kling 4.0 正式上线的新闻稿（2026 年 10 月 19 日）：bernama.com
- 欧盟委员会，《人工智能法》第 50 条的透明度义务：digital-strategy.ec.europa.eu
想第一时间看到更新和动态，可以加入我的 Telegram 频道
AI 视频工具的最新消息，我都会先发布在那里。
发表评论
评论会经过审核后才会公开显示。