技术原理篇：导览

为什么开发者更需要懂原理

AI 视频工具把技术包装成了"输入提示词 → 点按钮 → 出片"，但漫剧制作的日常是：一个镜头重抽 8 次、角色在第 3 集突然变脸、积分一周烧光。这些问题的答案全在原理里：

• 理解了采样的随机性，你就会把"抽卡"当作必然成本写进预算，而不是怀疑自己的提示词。
• 理解了条件注入方式，你就知道为什么漫剧要走"图生视频"而不是"文生视频"。
• 理解了角色一致性的技术谱系，你就能在"平台参考图 / LoRA / 首尾帧"之间做出有依据的取舍。

本篇六个章节，每个原理结论都落到一个实操决策上，不做纯学术展开。

章节地图

章节	回答的问题	服务的实操决策
视频生成模型如何工作	扩散模型、DiT、潜空间是怎么回事	为什么镜头要短、为什么抽卡是必然成本
文生图模型如何工作	图像模型谱系、图生图与指令修图、图像侧参数	为什么参考图锁角色、局部重绘怎么修、参数怎么调
图生视频 vs 文生视频	两者本质差异在哪	为什么漫剧管线以图生视频为核心
角色一致性技术路线	参考图/LoRA/首尾帧各自的原理与上限	你的作品该选哪条一致性路线
提示词工程为何有效	提示词为什么能控制模型	如何写出稳定可控的提示词并迭代
音频与口型生成原理	TTS/声音克隆/对口型/音乐生成是怎么回事	配音排错、口型三路线（后期对口型/音频驱动/音画一体）的取舍

阅读建议

1. 先通读一遍（约 1 小时），建立术语地图即可，不必全懂。
2. 进入实战篇后，遇到对应环节卡壳时回来精读——带着问题读原理，效率最高。
3. 每章末尾附一手资料链接（论文、官方技术报告），想深挖可随时下潜。

信息时效

本篇内容截至 2026 年 9 月。模型架构层面的结论相对稳定（以论文为准），具体模型的能力参数变化快，请以文中链接的官方页面为准。