字数 2960，阅读大约需 15 分钟

写文档就能做视频！Adobe发布Doki，用文本原生界面重构AI视频创作全流程

每个想做视频的创作者，几乎都被同样的问题困住过：
想把脑海里的故事变成视频，先要学复杂的非线性剪辑软件，在时间线、多轨道、素材库之间反复横跳；用AI视频工具，只能生成几秒的单镜头片段，想保持人物、场景、风格的一致性，要在每个Prompt里重复写大段描述；从脚本撰写、素材生成、剪辑拼接，到音频配乐，要在五六个工具之间来回切换，创意的热情全被繁琐的操作消耗殆尽。

有没有一种可能，做视频能像写文档一样简单？

Adobe Research最新发布的这项研究，给出了颠覆性的答案。团队推出了Doki——一个完全文本原生的生成式视频创作界面，把视频创作的全流程：资产定义、场景结构、镜头生成、剪辑精修、音频添加，全部浓缩到了一个文本文档里。你写的每一句话，既是故事脚本，也是可执行的视频生成指令；你定义的每一个角色、场景、风格，能在全片自动保持一致，再也不用重复写Prompt。

在为期一周的用户研究中，10位从专业电影人到零经验新手的参与者，用Doki产出了46支视频，系统可用性评分（SUS）平均高达81.2，达到了“优秀”级别。它不仅让零经验的创作者第一次做出了自己的动画故事，也让专业创作者实现了15分钟产出1分钟视频的效率飞跃。

一、行业痛点：AI视频时代，我们依然被工具困住了

论文开篇就戳破了当下AI视频创作的核心困境：尽管文生视频模型已经能生成高保真的短片，但创作工具的交互范式，依然停留在传统剪辑的框架里。

团队通过分析大量创作者的工作流，总结出了三个行业普遍存在的核心痛点：

1. 1. 工具与格式的碎片化：哪怕做一支简单的短视频，创作者也要在文本编辑器、文生图工具、视频生成模型、音频软件、剪辑软件之间反复切换，脚本、素材、工程文件散落在不同格式里，频繁的上下文切换彻底打断了创作流。
2. 2. Prompt工程优先于故事创作：为了保持多镜头的一致性，创作者要在每个镜头的Prompt里重复描述人物、场景、风格，30个镜头就要写30段冗长的Prompt，精力全放在了Prompt调优上，反而没有心力打磨叙事本身。
3. 3. 一致性与连贯性的失控：仅靠参考图无法保障长故事的视觉连贯性，随着项目规模扩大，人物形象、场景风格、叙事节奏必然会出现漂移，而现有工具没有提供结构性的解决方案。

更关键的是，现有工具几乎都采用了“便当盒”式的多面板界面，把脚本、画布、故事板、时间线拆分在不同窗格中，创作者需要不断在多个视图之间 reconcile，产生了极高的认知负荷。而Doki选择了一条完全相反的路：把所有创作环节统一到一个文本原生的单一表示中，让写故事的过程，就是做视频的过程。

图2 界面范式对比：(a)传统“便当盒”多面板界面，创作分散在多个独立视图中；(b)Doki的文本原生范式，文档本身就是核心创作界面

二、Doki的核心设计：文档即视频，文本即创作

Doki的核心设计，是一套三层层级的结构化文本表示，完美对齐了人类的写作习惯和电影制作的底层逻辑：

文档即视频，段落即序列，句子即镜头

• • 最高层：整个文档对应一个完整的视频项目，文本的排列顺序直接决定了视频的结构；
• • 中间层：每个段落对应电影中的一个场景/序列，围绕一个连续的叙事单元组织多个镜头；
• • 最底层：每个句子对应一个独立的镜头，是视频的最小创作单元。

在此基础上，Doki用**@提及（Mentions）** 和**#标签（Hashtags）** 构建了一套参数化定义系统，从根本上解决了多镜头一致性的行业难题。

表 Doki核心参数化定义体系

你只需要在文档开头用一行文本定义好角色、场景、全局风格，后续的故事里只需要用@和#引用，Doki就会自动把定义注入到每个镜头的生成中，同时自动引用前序镜头的画面作为参考，从结构上保障了全片的视觉连贯性。修改定义时，所有引用的镜头会自动标记为待更新，一键就能完成全片的风格迭代，彻底告别了逐个修改Prompt的繁琐。

除此之外，Doki的极简交互设计，让创作门槛降到了极致：

• • 斜杠菜单：输入/就能呼出全部创作工具，新建镜头、定义资产、添加音频，无需记忆任何指令；
• • 行内镜头预览：每个镜头的生成预览直接嵌入在文本中，点击就能播放、剪辑、重新生成，不用离开文档就能完成精修；
• • 双AI代理体系：侧边栏对话代理可以基于全文档上下文完成大规模修改，行内代理能选中文本直接做润色、转定义、自定义修改，AI的每一步操作都直接体现在文档里，完全透明可编辑；
• • 原生音频支持：用方括号就能在文本中插入旁白、背景音乐、音效，和视频生成深度同步。

图4 Doki镜头创建流程：在文本中插入镜头节点，后续的描述就是生成Prompt，系统先生成预览图，再生成视频片段，全程在文档内完成

三、用户研究：10位创作者，46支视频，验证文本原生的创作力

为了验证Doki的实际价值，团队开展了为期一周的日记式用户研究，招募了10位不同背景的参与者，涵盖专业电影人、动画师、设计师、软件工程师，以及零视频创作经验的新手。

表1 参与者背景与系统可用性评分，平均SUS得分81.2，达到“优秀”级别

研究结果展现出了文本原生范式的强大生命力：

1. 1. 极致的创作效率：参与者平均单次使用时长91.7分钟，每分钟能产出0.6张预览图、0.3条视频，平均15分钟就能完成1分钟的完整视频，而传统手工作业，1分钟动画往往需要数天的制作周期。
2. 2. 新手被彻底赋能：4位没有视频创作经验的参与者表示，Doki让他们第一次做出了属于自己的动画故事，原本需要专业技能的视频创作，变成了人人都能上手的写作。
3. 3. 专业创作者的新工具：专业电影人和动画师并没有把Doki当成专业工具的替代品，而是将其作为快速原型、故事板创作的互补工具。一位动画师表示，手工制作1分钟动画需要2个月，而用Doki1小时就能完成故事版动态预览，效率提升是颠覆性的。
4. 4. AI自动化与创作所有权的完美平衡：8位参与者会优先用AI生成初稿，甚至全程依赖AI代理完成大部分工作，但所有人都表示自己依然拥有强烈的创作所有权，他们把自己的角色比作“导演”，而AI是执行的团队——文档作为人机协同的共同基础，让人类始终掌握着叙事的最终决策权，AI的每一步操作都透明、可追溯、可修改。

图11 参与者用Doki创作的视频关键帧，涵盖故事叙事、教学、广告、音乐视频等多种类型

四、范式革命：文本，是人机协同创作的最佳共同基础

这篇论文的价值，远不止于推出了一款新的AI视频工具，而是重新定义了生成式AI时代的创作交互范式。

当下绝大多数AI创作工具，都遵循“Prompt输入-黑盒生成-成品输出”的模式，创作者很难在生成过程中介入和修改，AI的操作是不透明的，一旦生成结果不符合预期，只能推倒重来。而Doki提出了一个全新的思路：用文档作为人机协同的中间表示，它既是人类可读可编辑的故事脚本，也是AI可理解可执行的生成指令。

在这个范式里，人类和AI不再是“指令-执行”的单向关系，而是在同一个文档空间里协同创作。AI的所有修改都直接体现在文本中，人类可以随时打断、修改、调整，创作的主动权永远掌握在人手里，同时又能充分利用AI的生成能力。

当然，论文也坦诚了当前方案的局限性：线性的文本文档，在表达时间并发、跨镜头转场、音画精准同步等精细的时间控制上，依然存在短板。未来团队会通过轻量级的时间原语，进一步完善文档的时间表达能力。

但不可否认的是，Doki为生成式视频创作，打开了一条全新的道路。它让我们看到，AI时代的创作工具，不该是用复杂的界面复刻传统剪辑的流程，而应该回归创作的本质——让创作者专注于故事本身，把技术的繁琐交给AI。

当写文档就能做视频，当每个人都能把脑海里的故事，轻松变成可看可感的视频，创作的边界，将会被无限拓宽。

https://arxiv.org/pdf/2603.09072