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：

兩種主要方式

1. 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。
2. 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：

1
2
3
4
5
6
7
8
9

# 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：

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

上一篇聊到 LLM 處理文字，這篇換個心情看 AI 畫圖。你會發現「畫圖」和「聊天」背後其實是不同類型的模型（上篇《什麼是生成式 AI》提過的 Diffusion）。這篇文章帶你理解原理、比較工具、學會寫提示詞。

原理回顧：Diffusion 是怎麼畫的？

記憶一下：Diffusion 模型從全雜訊的圖片開始，反覆「去噪」一步步清成清晰圖像，而你給的描述會引導清理的方向。所以 AI 畫圖本質上是從隨機噪音中，把你想看的東西慢慢顯現出來。

三大工具比較

怎麼寫好的圖像提示詞？

跟文字 Prompt 原相通，但更強調「視覺元素」。一個完整公式：

主題 + 細節 + 風格 + 燈光 + 構圖 + 品質修飾詞

範例對比：

• ❌ 「一隻貓」
• ✅ 「一隻橘貓坐在窗台上，油畫風格，溫暖的夕陽光，景深效果，高細節，傑作」

常用修飾詞：

• 風格：水彩 (watercolor)、像素風 (pixel art)、3D 渲染、賽博龐克 (cyberpunk)、扁平插畫 (flat illustration)
• 燈光：自然光、霓虹燈、黃金時刻 (golden hour)、影棚光
• 構圖：特寫、廣角、俯視角、對稱構圖
• 品質：高細節、4K、傑作 (masterpiece)

兩個重要觀念

負向提示詞（Negative Prompt）

告訴模型「不要什麼」，能有效減少 unwanted 的元素。例如：低品質、模糊、多手指、水印。這個設定在後續的 ComfyUI 實作教學裡會實際用到。

種子（Seed）

每次生成都是隨機的。固定 seed 就能重複出同一張圖，方便你在現有基礎上微調。這是「改一點點」而不是「重畫」的關鍵。

接上本站的 ComfyUI 實作教學

本站先前介紹過《Mac 使用 ComfyUI》，Stable Diffusion 最強大的地方就是能在本地用 ComfyUI 完成從設定到出圖的完整流程：

• Img2Img（圖生圖）：給一張基圖，調整去噪強度（denoising），讓 AI 在原有基礎上變化。這與影片生成「圖生影片」的思路雷同。
• ControlNet：用線稿或姿勢來精確控制構圖。
• 擴充/重繪（Inpainting）：只改圖片的某個區域，例如換背景、修細節。

如果還沒實際操作 ComfyUI，可以把這篇學到的提示詞技巧直接套進教學裡的 workflow 試試。

一定要知道的：授權與版權

• 商用前看清授權：Midjourney 付費方案才具商用權；Firefly 因用授權資料訓練，商業最安全。
• 別生成侵權內容：模仿特定註冊角色、商標或有版權的風格，可能有法律風險。
• 各地法規不同：AI 生成內容的版權歸屬目前仍在發展中，商用前最好確認當地規範。

小結

• AI 畫圖靠 Diffusion 模型，從噪音逐步顯影。
• Midjourney 美感強、Stable Diffusion 可本地自訂（本站另有 ComfyUI 實作教學）、Firefly 商用最安全。
• 好提示詞 = 主題 + 細節 + 風格 + 燈光 + 構圖，善用負向提示與 seed。
• 授權與版權一定要留意，尤其商用時。

下一篇看更動的：AI 影片與語音生成（Sora、Veo、LTX-Video、ElevenLabs）。

《AI 新時代》系列第 09 篇。上一篇：Local LLM · 下一篇預告：AI 影片與語音