2026-08-27發表2026-08-31更新AI7 分鐘讀完 (大約1032個字)

AI 影片與語音生成：Sora、Veo、LTX-Video、ElevenLabs

圖像已經夠強，更動的影片和語音這兩年也爆發性進展。這篇文章把這些工具串成一個完整的「AI 多模態創作」地圖，並在文末接上本站的 LTX-Video、ComfyUI 實作教學。

AI 生成影片：技術現況

文字或圖像生成影片（Text-to-Video / Image-to-Video）是近年來進步最快的領域。2026 年主流產品：

工具	廠商	特色
Sora	OpenAI	知名度最高、時長與物理真實感強
Veo	Google	品質高、常附帶音軌、整合 YouTube
LTX-Video	Lightricks	開源、可本地部署、速度快

兩種主要方式

Text-to-Video（文字生影片）：只給一句描述，模型直接生成。適合概念短片、靈感素材。
Image-to-Video（圖生影片）：給一張基圖 + 動機描述，讓圖片「動起來」。可控性較高，本站 LTX-Video 教學中的範例即屬此類。

接上本站的 LTX-Video 實作教學

本站先前用 Python 實際跑過開源、可本地部署的 LTX-Video，這個流程正是 AI 影片創作的標準範式：

# 文字生成影片
python inference.py --ckpt_path /path/to/ltx-video-2b \
    --prompt "A monkey dance" --height 768 --width 1024 \
    --num_frames 10 --seed 2

# 圖片生成影片
python inference.py --ckpt_path /path/to/ltx-video-2b \
    --prompt "A monkey dance" --input_image_path /path/image.png \
    --height 768 --width 1024 --num_frames 200 --frame_rate 20 --seed 3

注意版本：LTX-Video 更新很快，範例中的 v0.9.1 已是舊版，目前 2B 最新是 0.9.8 系列。實際檔名請到 HuggingFace（Lightricks/LTX-Video）下載最新的 2B checkpoint 後替換。

幾個重點參數：--prompt（描述）、--seed（固定種子重複）、--num_frames（幀數，決定長度）、--frame_rate（每秒幀數）。

本地 vs 雲端怎麼選？

LTX-Video 本地跑：免費、隱私、可批量，但吃硬體（尤其長影片、高幀數）。
Sora / Veo 雲端：品質與方便度高，按量付費，不用管硬體。

實務上很多人用雲端做高品質成品，用開源模型做快速迭代測試。

AI 語音與配音

除了畫面，聲音也是創作的關鍵：

工具	用途	特色
ElevenLabs	文字轉語音（TTS）	擬真度最高、多語言、可克隆聲音
Suno	AI 生成歌曲	填詞就出歌，含演唱
語音克隆（Voice Cloning）	複製特定聲音	用於配音、有聲書，但倫理風險高

AI 配音流程通常是：腳本 → TTS 產生語音 → 剪輯合成到影片。ElevenLabs 目前是這個領域的標竿。

倫理與版權（多模態更要小心）

動態內容的風險比圖像更高：

深度偽造（Deepfake）：用他人聲音／臉生成虛假影片，可能被用於詐騙、謠言，已有法律制裁。
聲音克隆授權：複製任何人（含自己以外）的聲音做商用，需取得同意。
內容標示：多地法規要求 AI 生成的影音必須標註，避免誤導。

這也是為什麼工具方都開始加入水印與偵測機制。創作自由與責任要平衡。

小結

AI 影片分 文字生影片 與 圖生影片，2026 主流是 Sora、Veo、開源的 LTX-Video。
本地跑 LTX-Video 用 --prompt/--seed/--num_frames/--frame_rate，雲端用 Sora/Veo 取品質（本站有完整教學）。
ElevenLabs 是 AI 配音標竿，可支援語音克隆。
深度偽造、聲音克隆授權、內容標示是必須重視的倫理法律紅線。

學會圖、聲、影片後，最後把「能讀能做」的能力整合起來——下一篇：AI Agent。

《AI 新時代》系列第 10 篇。上一篇：AI 圖像生成 · 下一篇預告：AI Agent

#AI 創作