說真的，兩年前如果有人告訴我，一張8G顯存的顯卡就能在自己家裡跑出幾秒鐘的AI影片，我大概會笑一笑。但現在這件事已經不稀奇了。像Wan 2.2這類開源視頻模型配合GGUF量化之後，顯存占用被壓到消費級硬體能承受的範圍，再加上ComfyUI這種可視化工作流介面，門檻一下子塌了一半。AI視頻生成技術的突破，其實不只發生在「畫面變漂亮」這一層。
時長與連貫性：從三秒到分鐘級
早期的文生視頻最尷尬的地方在哪？人物走兩步臉就變了，貓走到畫面外再回來變成了狗。這是時序一致性（temporal consistency）沒解決。近一年的進展主要靠兩件事：一是DiT架構（Diffusion Transformer）取代了傳統的U-Net，讓模型能處理更長的時空token序列；二是多帧續接與首尾幀插值的工程化。首尾幀功能聽起來像小功能，實際上它把「生成」變成了「可控生成」——你給定開頭和結尾，模型負責中間的運動軌跡推演，這對做廣告分鏡的人來說太重要了。
Sora發布時展示的一分鐘連續鏡頭曾讓行業震動，而開源陣營在2024到2025年間迅速追趕。Wan、HunyuanVideo、LTX-Video這些模型陸續開源權重，社群一擁而上做量化、做LoRA微調。結果就是：閉源模型定義天花板，開源生態負責把地板抬高。
效率革命比畫質革命更關鍵
我個人覺得，量化技術和蒸餾加速才是這一輪最實在的突破。FP8、INT4量化把模型體積砍掉一半以上，畫質損失肉眼幾乎難辨；步數蒸餾（step distillation）讓原本需要50步採樣的模型，4到8步就能出片。這意味著什麼？意味著推理成本從「雲端GPU按分鐘計費」變成「本地跑一晚免費出十條」。
當然也有代價。8G顯存跑高分辨率仍然吃力，很多人卡在OOM上折騰半天，最後只能降解析度、縮短時長。這不是模型的問題，是物理限制。
音畫同步與可控性成為新戰場
2025年之後，光有畫面已經不夠了。帶原生音頻生成的模型開始出現，唇形同步、環境聲、音效與畫面事件對齊，這一塊技術還很粗糙，但方向明確。另一條線是控制信號：ControlNet式的姿態控制、深度圖引導、參考人物ID保持（identity preservation），讓創作者不再只能「抽卡」，而是真的能導演。
本地部署的隱私價值被嚴重低估
很多討論聚焦在生成品質，卻忽略了本地化運行的意義。商業產品做影視素材、產品宣傳片時，素材本身往往涉及未公開的設計稿、客戶資料。上傳到雲端API，合約層面就是個麻煩事。離線推理把數據留在本機，這對企業客戶的吸引力有時候比多兩分畫質更大。
不過要提醒一句：使用整合包時務必確認模型許可證與軟體來源合法，Wan等模型多採用Apache 2.0或類似協議，但第三方打包版本的商業使用授權需要自行核實，來源不明的安裝包也存在安全風險。
還沒解決的那些事
物理真實性依然是硬傷。水的流動、布料的褶皺、玻璃碎裂——模型是在「模仿看起來對的樣子」，而非真的理解重力。長鏡頭中的邏輯錯亂、文字渲染變成鬼畫符、多主體交互時的身份混淆，這些問題仍在。
所以，AI視頻生成到了哪一步？我的判斷是：短片段、風格化內容、社交媒體素材已經能用；電影級敘事還差得遠。但技術迭代的速度確實嚇人，這篇文章半年後回頭看，可能又要重寫了。
評論（13）
首尾幀那段最有感，之前抽卡抽到想砸鍵盤
8G真的很極限，我降到480p才勉強不爆
物理那塊我也覺得還差很遠，水一動就露餡
本地跑不用擔心素材外流這點，我老闆比誰都在意
步數蒸餾是真香，以前跑一條要等到睡著
請問Wan 2.2搭GGUF大概幾步比較穩？
文字渲染變鬼畫符笑死，我試了十次沒一次對
所以現在做社群短片算能用了對吧
授權那段提醒得好，整合包來源真的要看清楚
想知道音畫同步現在大概什麼水準，唇形對得上嗎
DiT取代U-Net這件事影響比我原本以為的大
半年後重寫那句我信，這領域快得離譜
LTX那個我也裝過，速度確實猛