在科技飞速发展的当下，AI 生成视频成为了备受瞩目的新兴技术。2025 年对于视频生成领域意义非凡，OpenAI 公开 Sora，Google DeepMind 推出 Veo 3，视频初创公司 Runway 发布 Gen - 4，这些模型生成的视频片段几可乱真。就连 Netflix 也在剧集《永恒族》中首次运用了 AI 视觉特效。

东莞璞雅文化作为本地的文化企业，一直关注着这一前沿技术的发展。如今，随着 Sora 和 Veo 3 在 ChatGPT 和 Gemini 应用中向付费订阅者开放，即使是业余影视爱好者也能借助 AI 制作出出色作品。不过，这项技术也带来了一些负面影响，创作者面临大量低质量 AI 内容的竞争，社交媒体上虚假新闻片段泛滥，而且视频生成消耗的能源是文本或图像生成的数倍。

那么，AI 究竟是如何生成视频的呢？大多数普通用户会通过应用程序或网站使用这项技术，比如向 Gemini 发出“给我做一个独角兽吃意大利面的视频，然后让它的角像火箭一样发射升空”这样的指令，但结果往往参差不齐，通常需要模型重新生成多次才能得到大致符合预期的内容。

最新一波视频生成模型是“潜在扩散 Transformer”。要理解它，得先从“扩散模型”说起。扩散模型就像给图像随机散布像素点，多次操作后图像会变成随机像素混乱，而它经过训练能逆转这一过程，将随机噪点转化为图像。为了生成用户指定的图像，扩散模型会与大语言模型配对，大语言模型在包含数十亿对文本与图像或视频的大型数据集上训练，指导扩散模型生成与提示词匹配的图像。

“潜在扩散模型”则是为了降低算力消耗而采用的技术。它不在每个视频帧的数百万像素原始数据上处理，而是在“潜在空间”将视频帧和文本提示词压缩成数学代码，处理完成后再解压。这使得潜在扩散比典型的扩散模型效率高很多，但视频生成消耗的能源依然比图像或文本生成多。

为了确保扩散过程产生连贯的帧，保持元素在帧与帧之间的一致性，OpenAI 将扩散模型与 Transformer 模型结合，这已成为生成式视频的标准做法。Transformer 擅长处理长序列数据，能让视频生成在空间和时间维度上保持连贯性，还能使模型在多种格式的视频上训练，生成各种格式的视频。

在音频生成方面，Google DeepMind 的 Veo 3 取得了突破，它能同时生成音频和视频。其方法是将音频和视频压缩成扩散模型内部的一块单一数据，使扩散过程同步产生音频和视频，确保声画对齐。

目前，扩散模型主要用于生成图像、视频和音频，而大语言模型常用于生成文本，但两者的界限正在逐渐模糊。Google DeepMind 正在构建一个使用扩散模型生成文本的实验性大语言模型，未来可能会带来更多基于扩散模型的成果。东莞璞雅文化也将持续关注 AI 生成视频技术的发展，为本地文化产业的创新贡献力量。