🐉 龙哥读论文知识星球来了！
还在为复杂的视频剪辑软件头疼？想了解如何用AI一键生成大片？星球每日拆解视频生成、AI创作、大模型应用等前沿论文，让你像读故事一样轻松掌握核心技术！👇扫码加入「龙哥读论文」知识星球，解锁未来创作新姿势～
龙哥推荐理由：
这篇来自Adobe研究院的论文，提出了一种颠覆性的视频创作范式。它不再要求你学习复杂的剪辑软件，而是让你回归最熟悉的写作本身。如果你曾梦想过“我手写我心，我心映我影”，那么Doki可能就是通往那个梦想的钥匙。它不仅是一个工具，更是一种关于人机协作、创意表达的全新思考，非常值得所有对AI创作感兴趣的朋友一读。
原论文信息如下：
论文标题:
A Text-Native Interface for Generative Video Authoring
发表日期:
2026年03月
发表单位:
Adobe Research
原文链接:
https://arxiv.org/pdf/2603.09072v1.pdf
图1: Doki是一个文本原生的视频创作界面，在单个文档中创建生成式视频。 (a) 用户使用@提及和#标签定义可重用的资产和风格，(b) 查看和调整内联预览，(c) 通过斜杠菜单访问命令，(d) 编写编译成视频镜头的段落，并与 (e) 对话式AI代理和 (f) 内联代理协作。
告别时间线！用写文档的方式拍电影？
想象一下，你要创作一个短视频。现在的主流流程大概是：打开剪映或者Premiere，面对复杂的时间线轨道，导入素材，一点点拼接、调整、加特效……光是想想就头大。😫
或者，你用Runway、Pika之类的AI视频生成工具。结果往往是：写一个长长的提示词，生成一个几秒的片段，觉得不对再改，然后把这些零碎的片段导出来，再扔进另一个剪辑软件里去排列组合、配音乐……依然繁琐。
有没有一种可能，创作视频能像写作文一样简单？你只需要打开一个空白的文档，像构思故事一样写下：“一个可爱的柯基犬来到了机场，它带着行李，然后登上了飞机……” 随着你的文字流淌，旁边的预览窗口里，一个符合你描述的、画面连贯的动画短片就自动生成了。
这不是科幻。Adobe Research的研究员们真的做出了这样一个工具，名叫Doki。他们管这叫“文本原生（Text-Native）”的视频创作界面。它的目标极其清晰：干掉复杂的时间线，让写文档成为创作视频的唯一方式。
论文作者们调研了当前的AI视频创作流程，发现大家普遍面临三大痛点：
1. 工具碎片化：写剧本用一个软件（如Word），生成角色图用另一个（如Midjourney），生成视频片段再用第三个（如Veo），最后合成剪辑用第四个（如Premiere）。创作者像个不停切换工具的杂技演员，思路不断被打断。
2. 提示词凌驾于故事之上：为了生成30个镜头，你可能要写30段冗长、重复的提示词，反复微调。精力全耗在“如何让AI听懂”上，而不是“如何讲好故事”。
3. 一致性难题：让AI记住同一个角色在不同镜头里的样子，堪比让金鱼记住三秒前的事。今天生成的柯基是可爱的，下一秒可能就变成了狰狞的“地狱犬”。
所以，Doki应运而生。它的核心理念是：文本应该成为创作的中心媒介。文本既是人类最自然的表达方式，也是AI的“母语”。在同一个文档里，你定义角色、撰写故事、生成预览、调整细节、添加音频……所有操作，一气呵成。
这听起来有点像“所见即所得”的升级版——“所写即所得”。
图2：界面范式的比较。(a) “便当盒”式界面将创作分散在多个独立的表征中。(b) Doki的方法使用文本原生的规范表征，文档本身就是主要界面。
Doki核心揭秘：文本如何变成视频？
Doki的秘密，藏在一个极其优雅的三层映射结构里：
文档 (Document) → 整部视频 (Video)
你打开的这个空白文档，就是你的视频项目本身。文档的全局结构决定了视频的叙事流。
段落 (Paragraph) → 序列 (Sequence)
在电影里，一个场景（Scene）可能由多个镜头组成，这叫一个序列。在Doki里，你每开始一个新段落，就相当于开启了一个新的叙事单元或场景。段落内的所有内容在时间上是连续的。
句子/镜头标记 (Sentence/Shot) → 单个镜头 (Shot)
这是最核心的操作。你不需要去时间线上拖拽。在文档里，当你敲入一个斜杠“/”，选择“New Shot”，文档中就会插入一个特殊的镜头标记。紧接着这个标记写的所有描述性文字，就自动成为了这个镜头的“提示词”。
图4：在Doki中创建一个镜头。通过斜杠命令内联插入一个新镜头，其后的描述即为其提示词。系统首先生成预览图像，然后可将其转换为视频片段。用户可以点击展开以进行播放和获得更多控制。
这个镜头标记最初会显示为一个小的占位符。当你点击生成，它会先变成一个静态的图片预览（这步快且便宜），让你确认画面是否符合预期。满意后，你再点击生成视频，它才会变成一段真正的动态视频片段，并内嵌在文档中显示第一帧。你可以随时点击播放。
更妙的是，同一个段落内的多个镜头是连续的。比如你在一个段落里写了两个镜头：“柯基到达机场”和“柯基登上飞机”。Doki在生成第二个镜头时，会自动把第一个镜头生成的画面作为上下文参考，从而确保场景、角色风格的连贯性，你不需要在第二个镜头的描述里重复说“在同一个机场”。
图5：在单个段落内编写连续的镜头。后面的镜头继承前面镜头的上下文，从而实现序列内的连续性。我们无需在Doki文档中重复描述上下文，就能实现镜头间的高度一致性。
图3：Doki中的两个基本工作流程示例。Alice: (1) 使用斜杠命令定义资产和镜头 → (2) 编写故事并生成预览 → (3) 创建视频镜头；Bob: (a) 向侧边栏代理索要草稿 → (b) 审阅AI生成的草稿 → (c) 使用内联AI代理进行精修。
参数化魔法：一招解决AI视频“变脸”难题
前面提到AI记不住角色，Doki的解决方案堪称一绝：参数化定义。这就像是给你的故事元素创建了一个“变量”。
在文档开头（或任何地方），你可以用斜杠菜单创建各种定义，主要分两大类：
@提及 (Mentions) – 故事里的“名词”
比如：@corgi = 一只拥有金棕色和白色毛发的可爱柯基犬
#标签 (Hashtags) – 故事里的“形容词/副词”
比如：#AnimeStyle = 日式动漫风格，色彩明亮，线条清晰
图6：在Doki中创建定义。用户输入“/”打开命令菜单，选择类型，并提供名称和描述。他们还可以选择添加视觉定义以获得更好的一致性。
定义好后，你就可以在文档后文的镜头描述里，轻松地“调用”这些变量了。比如你的镜头描述可以写成：
“@corgi 兴奋地跑进 @airport， #CloseUp 它的表情。整体风格是 #AnimeStyle。”
Doki的引擎在生成这个镜头时，会自动把 @corgi、@airport 等“变量名”替换成你之前写好的详细描述，组合成一个完整、精确的提示词送给AI模型。这解决了“重复描述”的麻烦。
但光有文本描述，AI的理解还是有偏差。怎么办？“视觉定义”来了！在创建 @corgi 的时候，你可以当场为它生成一张（或多张）参考图。这张图会和它的文本描述绑定在一起。
此后，任何调用 @corgi 的镜头，在生成时，Doki不仅会传入文本描述，还会把这张参考图作为“形象模板”塞给视频生成模型（如Veo）。这样，柯基的样子就被牢牢“锁死”了！🎯
这才是真正的降维打击。它把维持一致性的责任，从用户的大脑和重复劳动中，转移到了系统的结构化设计里。你想修改整个视频的风格？只需回头把 #AnimeStyle 的定义从“日漫风”改成“粘土定格动画风”，所有引用了这个标签的镜头会自动标记为“已过期”，你一键即可批量重新生成。效率提升了不止一个数量级。
图10：Doki的镜头生成流程。首先，用户的原始提示词和文档上下文被传递给参考解析模块，以创建结构化提示词并从定义中收集相关的视觉参考图像。然后，提示词重写器将此结构化提示词进行改写和润色，用于图像和视频生成。Doki首先生成一个静态预览图像，然后使用该图像作为第一帧来生成最终的视频片段。
人机共舞：你是导演，AI是全能剧组
Doki的交互设计极其简洁，但背后的AI协作能力却很强大。它提供了两种与AI共事的模式：
模式一：亲力亲为的“编剧导演”（图3-Alice）
你享受从零开始构建的掌控感。自己敲斜杠命令定义角色、场景、风格，然后在文档里一行行写下故事，插入镜头标记，逐个生成和调整。AI在这里更像一个高效、听话的“摄影师”和“特效团队”，严格执行你的文本“分镜稿”。
你有一个模糊的想法，比如“一个柯基在机场登机的日漫风格短片”。你可以直接把这个想法丢给Doki的侧边栏AI代理（Conversational AI Agent）。
这个代理（基于大语言模型）会理解你的需求，并直接在文档里生成一个完整的草稿：包括定义好的@corgi、@airport、#AnimeStyle，以及几个镜头的段落描述。你拿到的是一个立即可执行的“初版剧本”。
接下来，你可以进行精修。这里又有一个利器：内联AI代理（Inline Agent）。你可以选中一段描述文字，对它说：“把这里改得更戏剧化一点”，或者“给这个镜头加上背景音乐描述”。AI会理解上下文，直接修改你选中的文本。
图9：三种类型的内联代理操作。(a) “增强”增加所选文本的描述性。(b) “创建定义”将所选内容转换为可重用的定义。(c) “自定义请求”根据用户指令进行上下文编辑。
最关键的是，所有的AI协作都发生在文本层面，并且结果完全透明、可编辑。你不会得到一个看不懂的“黑盒”视频。你得到的是一份被AI优化过的、更详细的“拍摄脚本”。你可以随时否决、修改AI的提议。你始终是掌握最终决定权的导演。
文本，成为了人机之间完美的“共同基础（Common Ground）”。
一周实测：新手变导演，专家加速器
为了验证Doki的效果，研究者们进行了一项为期一周的日记研究，邀请了10位背景各异的参与者，从毫无视频制作经验的新手到专业电影制作人。
一周后，成果斐然：10个人共创作了46个视频。Doki的系统可用性量表（SUS）平均得分高达81.2分，属于“优秀”级别。
图11：日记研究中参与者创作视频的示例帧。这些视频展示了Doki支持的视频类型的广度。每一行对应一个视频，从左到右显示四个代表性关键帧。
对新手：赋能 从未做过视频的人发现，他们脑子里天马行空的想法，第一次可以如此轻松地变成可视化的故事。他们不再被技术门槛吓退，而是能专注于叙事本身。“我竟然能做出这个！”是常见的兴奋反馈。
对专家：加速 专业创作者并没有把Doki当作最终的生产工具来替代Premiere，而是视为一个超级高效的故事板和预可视化（Pre-visualization）工具。他们可以用它快速验证创意、生成动态分镜，与团队沟通想法，其速度远超手绘或传统软件拼接。一位参与者说：“它就像我的创意加速器。”
共同优点： 所有人都称赞“从想法到草稿”的流程极大加快，文档视图让他们对叙事结构一目了然，参数化定义是保持故事连贯性的“脊柱”。
模型的可预测性：AI生成的结果仍有随机性，有时不如预期。
精确控制：难以实现非常精细的、帧级别的控制（比如特定的手势、口型）。
时间表达性：用文本描述复杂的时间动态（如“镜头缓缓推进，然后快速切到…”）依然比较抽象。
未来已来？文本原生创作的机遇与挑战
Doki不仅仅是一个工具原型，它更代表了一种创作范式的可能性。当视频生成变得像打字一样简单，会发生什么？
全民创作时代：任何人，只要会写字，就有可能成为视频创作者。教育、营销、个人表达的门槛将被无限拉低。
可迭代、可版本控制的故事：视频项目变成了一个文本文件，可以像代码一样进行版本管理（Git）、协作编辑、差异对比。修改历史和创作过程一目了然。
新型人机协作模式：Doki展示了AI作为“增强智力”而非“替代人力”的理想角色。人类负责高层次的创意和决策，AI负责高效执行和提供建议。
“精确度”与“创意自由度”的永恒矛盾：越是追求精准控制，文本描述可能就越像编程，失去自然语言的灵动。如何平衡是关键。
模型能力的边界：Doki的强大，一半源于其精妙设计，另一半依赖于底层视频生成模型（如Veo, Imagen）的能力。这些模型在物理模拟、复杂动作、长时序一致性上仍有很长的路要走。
从原型到产品：目前的Doki是一个研究原型。要变成真正可用的产品，需要解决性能优化、成本控制（视频生成很烧钱）、更丰富的素材库、与专业工作流的对接等一系列工程问题。
龙迷三问
Doki到底是个啥？和Runway、Pika有什么区别？Doki不是一个独立的视频生成模型，而是一个顶层的“创作界面”或“整合平台”。Runway、Pika、Veo这些是它的“发动机”，负责根据提示词生成单段视频。Doki做的事情是：1) 让你用写文档的方式，轻松管理和串联无数个提示词（镜头）；2) 通过参数化系统解决角色、风格一致性问题；3) 把所有创作环节（脚本、生成、预览、简单编辑）整合在一个文本编辑器里。你可以理解为，Doki是建立在多个AI视频模型之上的“视频版Word”。
文本“参数化”具体是怎么工作的？你可以把它想象成编程里的“变量”和“函数”。在文档开头，你定义了一个变量，比如 @hero = 一位穿着红色披风的超人。之后在写镜头描述时，你不用每次都写“一位穿着红色披风的超人”，只需写“@hero 在天空中飞翔”。Doki的系统在真正调用AI模型生成前，会自动进行“变量替换”，把 @hero 替换成其完整的描述，并结合视觉参考图，形成最终的、详细的生成指令。这保证了每次提到 @hero 时，AI收到的信息都是一致的。
文中提到的“Bento Box”风格界面是什么意思？“Bento Box”（便当盒）是论文中对当前很多AI创作工具界面的一种形象比喻。就像一个便当盒里有好几个格子分开装菜和饭，这些工具也常常把不同的功能放在不同的面板或窗口里：一个窗口写提示词，一个窗口看生成结果，一个窗口是时间线，一个窗口是资产库……创作者需要不停在几个窗口之间切换视线、同步信息，注意力是“分裂”的。Doki反其道而行之，追求“单一表征”，把所有东西都整合在“文档”这一个大窗口里，减少认知负担。
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评
论文创新性分数：★★★★☆
将视频创作完全映射到文本编辑的“文档即视频”范式，在思路上具有显著的创新性。参数化定义系统优雅地解决了生成式视频的一致性难题，是其核心亮点。
实验合理度：★★★★☆
采用为期一周的日记研究（Diary Study）进行“在野”评估，相比单纯的实验室任务更能反映真实使用情况。参与者的多样性（新手到专家）和产出的视频数量（46个）提供了有说服力的质性见解。
学术研究价值：★★★★★
价值极高。本文不仅提出了一个工具原型，更重要的是系统地阐述了“文本原生”交互范式的设计原则（如统一表征、参数化、人机共同基础），为未来AI驱动的创作工具设计提供了清晰的理论框架和方向指引，对HCI（人机交互）和创意支持社区影响深远。
稳定性：★★★☆☆
作为一个研究原型，其稳定性高度依赖于底层视频生成模型（如Veo）的稳定性。AI生成的随机性、不可预测性仍然是主要瓶颈，会导致输出质量波动。
适应性以及泛化能力：★★★★☆
得益于其文本基础和参数化设计，理论上可以适配任何支持文生图/文生视频的模型。其结构化表示方法具有较强的泛化能力，可扩展到其他模态的生成任务（如3D场景生成）。
硬件需求及成本：★★☆☆☆
主要成本来自于调用商用AI生成API（如Google的Imagen和Veo）。根据论文数据，生成一个视频片段（Veo）成本约为$3.2，频繁创作成本不菲。对最终用户端的硬件要求不高，主要是网络和界面交互。
复现难度：★★☆☆☆
难度较高。论文提供了详细的设计理念和系统架构，但并未开源完整代码。复现需要自行实现复杂的文档解析、参数替换、上下文管理引擎，并接入多个收费的AI服务API，工程门槛不低。
产品化成熟度：★★★☆☆
目前是成熟的研究原型，展示了核心可行性。要成为大众产品，需解决生成成本、输出确定性、更精细的编辑控制、音频视频同步优化以及与专业工作流（如导出工程文件到Final Cut Pro）的对接问题。
可能的问题：本文的评估偏重质性，缺少与传统方法在量化指标（如任务完成时间、错误率）上的严格对比。对于“文本原生”范式是否在所有视频创作场景下都优于“便当盒”范式，结论可能有些绝对化。长视频的宏观节奏控制，仅靠段落划分可能仍显不足。
Liu, X. B., Dontcheva, M., & Li, D. (2025). A Text-Native Interface for Generative Video Authoring. In Proceedings of the ACM Conference (To appear).
*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击左下角的“阅读原文”，查看更多原论文细节哦！
想亲手试试“用文档拍电影”的感觉吗？想和更多视频生成、大模型、AI创作的同好交流？
扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 视频生成+北京+Adobe+龙迷），根据格式备注，可更快被通过且邀请进群。
夜雨聆风
