ARTICLE · 984871
普通人做 AI 视频必懂基础概念
普通人做 AI 视频必懂基础概念（面向新手，去掉晦涩学术词，只记实操相关）
如果你刚开始涉及Ai视频制作，你不得不得先了解这些概念，大概明白这些名词的意思，做AI视频先分为四大块：音频、视频底层、AI 生成相关、流水线工程概念，每个概念只讲：是什么 + 普通人需要知道的重点
🔊一、 音频部分（配音、字幕）
TTS 文字转语音 把文字直接生成人声配音。
普通人重点：有云端（Edge‑TTS、ElevenLabs）、本地（Kokoro）两种；本地不用联网，云端音色更好。
ASR 语音转文字 把声音变回文字，用来做字幕。Whisper 就是 ASR 工具。
普通人重点：字幕不是拿文案直接粘贴，是 AI 听音频，对齐声音时间轴。
时间戳 / 字级时间戳 每个字、每句话对应的开始、结束时间。
普通人重点：有时间戳字幕才会跟人声同步，不会错位。
SRT 字幕文件 后缀
.srt，纯文本字幕文件，ffmpeg、剪映都能识别导入。人声分离（UVR5） 把视频里人声和背景音乐拆开。
普通人重点：二次剪辑、消原音会用到。
声音克隆 RVC 拿几段真人音频，复刻这个人的音色来配音。
普通人重点：仅限自己的声音，不要盗用他人音色。
🎞️ 二、视频底层工具（合成、画质，必学）
ffmpeg 命令行音视频工具箱，剪辑、拼接、压视频、烧字幕、转格式。
普通人重点：几乎所有 AI 视频流水线底层都靠它，没有图形界面，脚本会调用它，普通人不用手写复杂命令。
帧 / 帧序列 视频本质是一张张快速播放的图片，一张图片叫一帧；一堆图片叫帧序列。
普通人重点：HyperFrames、ComfyUI 经常输出一堆图片，再交给 ffmpeg 拼成视频。
FPS 帧率 每秒播放多少张图片，短视频一般 24/30 帧。
补帧（RIFE） AI 生成中间画面，把低帧率变流畅，解决 AI 视频卡顿、一顿一顿。
超分 AI 把模糊画面放大变清晰。代表：Real‑ESRGAN。
人脸修复 CodeFormer / GFPGAN AI 生成视频经常人脸扭曲崩坏，这个工具专门修复人脸。
编码（libx264） 视频压缩算法，我们平时 MP4 短视频绝大多数是 H.264 编码。
🤖 三、AI 生成画面核心概念
Prompt 提示词 告诉 AI 要生成什么画面的文字描述。
Seed 种子 一串数字，同一个种子 + 同样提示词，AI 生成画面几乎一模一样；换种子画面就变。
普通人重点：想要画面稳定不变，就固定种子。
LoRA 小型模型文件，用来固定人物长相、画风，避免每帧人物长得不一样。
时序一致性 AI 视频最大痛点：前后帧物体、人脸乱变、闪烁。时序一致性好 = 画面物体不漂移。
图生视频 I2V 输入一张图片，AI 把图片变成动态视频片段（Wan2.2、AnimateDiff）。
文生视频 T2V 只输入文字，AI 直接生成视频。
视频重绘 V2V Denoise 去噪强度 拿现成视频让 AI 重新改造画面；数值 0‑1，数值越大改动越剧烈。
Lip‑Sync 对口型 音频驱动图片 / 虚拟人嘴唇跟着配音动。
ControlNet 控制网 约束 AI 画面，比如固定人物动作、轮廓，不让 AI 乱改姿势。
⚙️ 四、流水线 & 工具概念（自动化做视频重点）
推理 Inference AI 模型跑起来生成图片、视频的过程。本地电脑跑推理吃显卡显存。
量化 把 AI 模型压缩变小，降低显卡要求，轻微损失画质，低配电脑常用。
ComfyUI 节点式可视化 AI 工具，拖拽节点串联：生图、生视频、补帧、超分，本地 AI 视频主流工具。
HyperFrames 用 HTML/CSS 写动画，渲染出图片帧，再 ffmpeg 合成视频；适合知识口播类文字动画。
MoviePy Python 工具，封装 ffmpeg，写脚本自动剪辑视频。
智能体（WorkBuddy / Codex） 不会写代码也能用，用自然语言描述视频流程，它帮你生成 Python 脚本，串联上面全部工具。
普通人重点：智能体只输出代码，环境、软件要自己安装；代码会有 bug，报错丢回去让它改。
流水线 一套固定顺序：文案→配音→字幕→画面生成→画质增强→合成导出。上一步输出文件作为下一步输入。
📌 新手避坑认知（非常重要，不属于名词，但要理解）
AI 视频不是点一个按钮直接出完美成片，是多个工具接力处理文件。
优先跑通最小流水线闭环，再增加补帧、超分、生视频模块，不要一次性堆全部功能。
本地运行 AI，显卡显存决定速度；显存不够就用更小的模型、开启量化。
所有工具都是读写文件：txt、mp3、srt、png、mp4，理解文件流转就懂整套逻辑。