一句话版本：你敲一段文字描述，模型直接给你输出一小段动态画面，不用自己去拍，也不用去剪。上课总有人问文生视频到底是啥，我基本就这么开头。
接着我会拿文生图来对比。两者的区别就在于多了时间维度。文生图只要一张画面好看就算交差；视频是一串画面连着放，前一帧和后一帧得对得上，人物的手脚、位置、光线不能突然变样，动作还得合理，不能走着走着腿换了方向。每一帧都要顾着前后文，所以它对算力和模型的要求比文生图高得多，这也是学生最容易忽略的地方。
然后得给他们泼点冷水：现在能做到的时长普遍不长，人物动作幅度一大就容易穿帮。原因跟上面是一回事，动作越大，需要保持一致的东西变化越剧烈，模型越容易顾此失彼。
我自己的理解是，它本质上是把静态生成又往前推了一步，但离“随便一句话出一部片子”还远着。给学生讲到这儿一般就够用了，说法不够严谨的地方，欢迎同行帮我改得更准确些。