视频生成
Text/Image-to-Video Generation
根据文字或图像生成一段时间的连续画面，并尽量保持运动、身份与镜头连贯。
先用人话理解
文生图一次出一张静帧；视频生成要在时间轴上连续出很多帧，还得让人物别“变形”、动作别跳帧。
再往技术里走一步
路线包括扩散 Transformer、时空 patch、潜空间视频扩散与自回归视频模型。难点在时序一致性、物理合理性、可控镜头与算力成本。
为什么重要
它把生成式媒体从海报推进到镜头语言，冲击广告、短视频、影视预演与训练数据合成。
常见误解
长视频已经完全解决物理一致性
视频模型只是多帧拼图
开放权重与产品体验可直接互换