AI 影片生成怎麼做？2026 文生影片、圖生影片流程與模型選擇

AI 影片生成目前有三條主要路：文字直接生成影片（文生影片）、先有一張圖再讓它動起來（圖生影片），以及用參考素材控制角色或動作。想要穩定成品，多數指南的建議是「先出圖、再成片」，因為圖生影片的可控性比純文字高。

文生影片、圖生影片、參考生成有什麼差別？

做法	優勢	風險
文生影片	起步快，適合情緒片	主體漂移、品牌細節不穩定
圖生影片	構圖可控，能先驗收畫面	參考圖品質差，運動也會跟著偏
參考生成	兼顧角色一致與動態（Kling 3.0 Omni 被推薦用於此）	需要準備參考素材

另外還有兩種進階功能：

• 動作控制：從一段影片提取「動作骨架」，套用到靜態圖片上，人類、動漫、3D 化身、寵物都適用。效果最好的條件是基礎圖片與參考影片的相機角度一致。
• 影片編輯：做的是「語義重新渲染」，改背景或風格，同時保留原本的動作、節奏與鏡頭運動。

為什麼「先出圖再成片」更可控？

圖片生成影片能完整保留角色臉部與場景細節，而且你在花影片運算之前，就能先檢查構圖、主體與細節。推薦的做法是：

1. 先寫鏡頭目標（不要跳過寫稿直接出圖）。
2. 用出圖工具產生靜幀。素材的分工建議是：Midjourney 偏藝術感與概念視覺，適合封面與氛圍片；GPT Image 2 偏商用主圖與文字渲染，適合瓶身、包裝、UI；Nano Banana 偏極速出圖，適合多角度打樣與批量試錯。
3. 用驗收清單檢查靜幀：主體夠大、邊緣清晰、背景不雜亂、文字可讀、運動意圖明確。
4. 先用 Seedance 試片看運動效果，再依風格用 Kling 或 Veo 精修。
5. 最後加背景音樂。

常見誤區包括：拿低清截圖做圖生影片、要求複雜畫面搭配大幅運鏡、指望影片模型「碰運氣」生出正確文字，以及只收藏一個模型。

Veo、Kling、Seedance、Runway 怎麼選？

依素材整理，各模型的定位如下（以鏡頭用途區分，並非嚴格評分）：

模型	素材提到的特點	適合用途
Veo 3.1	4K、同步 48 kHz 音訊	高品質鏡頭、品牌感、光影質感
Seedance 2.0	單次最長 15 秒、唇形對齊 <120 ms、同步音訊	通用圖生、產品動態、廣告、對白鏡頭
Kling 3.0	約 $0.50／10 秒；音訊明顯低於 Veo 與 Seedance	動態表現、運鏡、人物表演、快速鋪草稿
Runway Gen-4.5	關鍵影格、Video-to-Video 控制；無同步音訊	需要精細控制的流程
Midjourney 影片	5–21 秒；無同步音訊	藝術感短片段

幾個選擇原則：

• 日常任務可用 Seedance 1.5 或 Grok Imagine Video；追求高品質再看 Kling V3 或 Veo 3.1。
• 「關鍵影格」槓桿最大：釘住起始與結束幀讓模型內插，等於把「生成祈禱」變成「指定內插」。
• 有控制的中階模型，經常勝過沒有控制的頂階模型。
• 大多數模型目前限制在 15 秒左右，更長的影片需要後期拼接。
• 混用多家廠商在 2026 年是常態。素材也舉了例子：Sora API 預定 2026 年 9 月 24 日下線，呼叫它的管線會直接停擺，不會優雅降級，所以別把整條流程綁在單一廠商。

影片提示詞怎麼寫？

影片提示詞要描述「隨時間的變化」，不只是一張畫面。一個常見公式是：主體 + 動作 + 場景 + 鏡頭語言 + 光影。

• 弱的寫法：「雨夜街頭穿紅大衣的女人」。
• 強的寫法：「穿紅大衣的女人穿過雨幕走向鏡頭，霓虹倒影在濕路面滑過，鏡頭緩慢推進」。

兩個細節：運動詞彙（緩慢、漸漸、輕輕）比「電影感」這類形容詞更能帶來可測量的效果；靜幀提示約四十個詞，影片提示約二十個詞表現更好，多出來的字數該花在運動而不是場景。

成本怎麼算才不會超支？

最便宜與最貴的模型選項，單價差約 5 倍（素材舉例為每 10 秒 $0.50 對 $2.50）。但真正該追蹤的是每條可用秒數的成本，因為廢片率的差異比標價更大。

素材的試算：30 個鏡頭、每個 10 秒，全用 Veo，廢片之前的生成費約 75 美元；先用 Kling 打草稿、只挑 5 個用 Veo 定稿，約 25 美元。注意這兩個數字都是廢片之前的生成費，不含重抽。素材的用法是再按廢片率（例如 4 倍）去看這個差額的意義，再決定預算是否可行，實際請用自己的廢片率換算。省錢的關鍵是先用 Kling 或快速模式鋪完整個序列，只把留下的鏡頭用高畫質重出。

另一份素材提到，表面 API 費用約 0.45 美元的影片，加上重做與流失風險後，實際單支成本逼近 1.2 美元。這類數字出處是單一部落格，請當作方向參考。

常見瑕疵怎麼修？

生成式影片的失敗通常是「品質對、內容錯」，不是單純畫質差。

問題	修法
運動中臉、手變形	放慢、縮短，或釘結束幀
角色身分漂移	鎖定風格與參考
材質閃爍	降低畫面複雜度
快動作物理錯亂	繞開這類鏡頭
文字扭曲	後期合成
唇形不同步	改用 Seedance 2.0

序列一致性比單條品質更難，也更容易無聲劣化：風格確定後，整個序列要鎖定種子與風格參考。若降低運動幅度後仍連續三次以同樣方式失敗，就是超出模型能力，繼續重抽是燒預算最常見的方式。

音訊也要提早規劃：Runway 與 Midjourney 沒有同步音訊，需要獨立的音訊工序，別留到剪接時才補對位，那是最貴的修正。

版權與揭露要注意什麼？

著作權

台灣智慧財產局的說法是，人類有創意投入、把 AI 當輔助工具完成的創作可受著作權保護，權利屬於投入創意的自然人；AI 獨立創作、沒有人類投入的部分則不受保護。作品仍須具備原創性與一定的創作高度。

侵權風險

AI 的訓練資料不透明，生成結果可能與既有作品相似，也可能誤觸品牌 Logo、知名角色或未授權素材。有一份素材稱約 19% 的影片曾因視覺相似於既有版權作品而被迫重做，但該數字來源為單一部落格，僅供參考。

平台揭露

• YouTube：呈現真實人物言論或動作、加工過的實際事件、生成看似真實的場景，都須揭露；AI 生成音樂、生成實際地點片段也在必須揭露之列。非寫實內容、字幕、畫質提升、聲音修復等則不必。未揭露可能被手動加標籤、移除內容，甚至暫停合作夥伴計畫資格。YouTube 也會自動偵測，例如帶有 C2PA 中繼資料的內容。
• TikTok：提供讓創作者標記 AI 生成內容的工具，並測試自動標籤。

幾個常見迷思

• 「AI 能全自動當導演」：鏡頭選擇、敘事順序與情緒詮釋仍靠人判斷，AI 比較像助理。
• 「全流程自動就不用後製」：嘴型不同步、情感斷層、渲染瑕疵仍常見，後製與人工審查少不了。
• 「AI 內容沒有版權爭議」：見上一節。
• 「AI 影片不算假訊息」：Deepfake 與仿聲仿影已是資安隱憂，企業若不審查或標註，可能面臨聲譽與法律風險。
• 「做了就能輕鬆變現」：內容量暴增，仍需要行銷敏感度與對演算法的理解。

另外，素材提到觀眾對「口音不對」特別敏感，區域口音的細微差異目前仍是語音複製的弱項；若做在地化配音，建議人工聽過。

小結

先用靜幀把構圖定下來，再用便宜或快速的模型試片，只把留下的鏡頭用高畫質模型重出；提示詞寫「變化」，並鎖定風格與種子維持一致；發布前檢查版權與平台的揭露規則。這樣做，成本與廢片率都比較容易掌握。