文字生影片（Text-to-Video）是什麼：讓畫面在時間裡保持連貫

「桌上的陶杯緩慢轉動，讓觀眾看見側面的葉片圖案。」把這樣的文字交給生成工具，輸出一段動態影像，就是文字生影片常見的使用方式。Text-to-Video 描述的是從文字條件產生影片的任務，不代表系統真的拍過陶杯，也不表示每個影格都符合物理世界。不管是哪一家的影片生成 AI，這一點都一樣。

影片比靜態圖多了時間。陶杯在起始畫面很好看，轉到背面時卻可能突然多出把手，或圖案像貼紙一樣滑動。文字生影片最需要理解的，正是畫面品質與時間連貫性分屬不同問題。以下以假想陶藝展短片說明，不提供某工具已通過實測的結論。

生成的是一段關聯畫面

影片由依序播放的影格構成，生成模型需要處理物件在空間中的外觀，也要處理它在時間中的變化。Video Diffusion Models 原始研究將影像擴散延伸到影片，後續實作還有不同架構；方法可以改變，跨影格一致性始終是理解這項任務的核心。

這不宜想成各自畫很多張漂亮圖片再串起來。如果每張陶杯的輪廓都獨立決定，播放時就可能不停變形。系統需要利用時間相關資訊，讓位置、形狀與動作有所關聯；但學到視覺上的關聯，也不等於具有可靠的立體物理模擬器。

從文字生成影片與讓既有圖片動起來，起點也不同。圖片生影片可用參考圖約束初始外觀，文字生影片通常更需要文字交代主體與場景。某個產品可能同時提供兩種模式，是否保留特定細節，仍需查看它實際接受的條件與輸出。

陶杯案例：一段先處理一個主要動作

示意輸入可以寫成：「固定鏡頭，米色背景，木桌上的綠色陶杯緩慢轉動；把手與葉片圖案維持同一位置關係；柔和側光；沒有其他物件。」這段文字交代主體、背景、動作和鏡頭，驗收時就能逐一檢查，而不是只評價氣氛像不像廣告。

先生成一段候選，再正常播放看整體動作，接著暫停在轉動前、中、後的位置，追蹤同一個杯口、把手與圖案。期待的是物件換了朝向，身分與基本結構仍一致；若杯口逐漸變成別種形狀，問題在時間中的物件穩定性。

如果同一段又要求杯子旋轉、鏡頭繞行、光線改變和背景切換，失敗時很難知道哪個條件互相干擾。提案初稿可先維持固定鏡頭，確認物件動作可用，再增加鏡頭需求。這是降低示意任務複雜度的做法，不是保證模型一定成功的公式。

鏡頭移動與物件移動要分開寫

杯子轉動而攝影機固定，與杯子不動但攝影機繞行，在畫面上可能有相似效果，背後的空間關係卻不同。提示詞只寫「展示不同角度」，模型可以選擇任一種呈現。若用途要求能看清杯身圖案，就應把希望移動的對象寫明。

鏡頭推近會改變物件在畫面中的大小，物件真的變大則是內容變形；觀看時要配合背景與相對位置判讀。若桌面紋理與杯身一起滑動，也可能是整體畫面的不穩定，不能只截一個正常影格就忽略過渡段落。

需要完整故事時，可以先規畫多個鏡頭，再在剪輯流程裡銜接。生成器負責每段候選素材，剪輯負責順序、節奏與轉場。直接把整份故事塞成一句提示詞，並不代表工具會按分鏡、時序和角色設定完整執行。

影格與播放設定不能替代動作驗收

影格數表示序列含有多少張畫面，播放影格率表示每秒播放多少影格，兩者共同影響時間呈現。工具有時把生成長度與匯出設定分開提供，也可能用簡化介面包在一起。比較候選片之前，應先確認自己比較的是內容差異，還是播放設定不同。

把同一組影格播得更快，可能縮短片長，但不會自動補出更好的中間動作；增加輸出解析度，也不能保證把手不再漂移。某些流程能補影格或做後處理，那是另外的步驟，應檢查是否帶來新的扭曲，而不是只看播放變順。

聲音也要另行確認。文字生影片這個名稱只說明影像任務，不能由此推定一定包含對白、配樂或同步音效。若展示片需要碰杯聲，可以在支援的生成流程或後製中安排，再確認聲音發生的時點與畫面事件一致。

用在提案時，保留素材的證據界線

陶藝展概念片可以協助討論光線、節奏與情緒，但若要介紹真實陶杯，應回到實物照片或拍攝核對材質、比例和花紋。生成器可能把想像補在未見的背面；那是候選視覺內容，不能直接當作商品細節證據。

交付時除了看第一個影格，也應整段播放到結尾，確認沒有物件突然出現、消失、穿透或改變身分。挑選封面不等於影片驗收；尤其在循環播放的展示畫面，結尾接回開頭是否突兀，也會直接影響使用效果。

保存提示詞、參考素材、生成片與剪輯版本，有助於區分模型產生的內容和人工做的調整。若同事要求「保持陶杯，只改背景」，可以先查看哪些資訊需要維持，再決定重生、局部處理或重新剪輯，避免把已經合格的動作也一起打散。

若只有中段幾個影格出問題，可以先判斷是否能在剪輯中避開，或是否必須重新生成整段。保留可用區段與指出失敗位置，能讓修正有明確範圍；重新生成後仍要完整播放，不能假設其他部分自動維持原樣。

文字生影片最適合被理解為提供動態候選的工具。成片是否可用，取決於需求對外觀、時間、聲音與事實的要求。當這些要求都寫成能觀察的條件，你就能明確說出需要修哪一段，而不是只因某一幕驚豔，就把整段影片視為完成。

文字生圖（Text-to-Image）是什麼：把描述轉成可挑選的影像

擴散模型（Diffusion Model）是什麼：從雜訊逐步生成影像

深偽（Deepfake）是什麼：分清合成痕跡、來源與事件真假

AI 名詞總索引：從 Loop Engineering 到生成式 AI

• AI 工具
• 教學
• AI 名詞解釋