在 AI 视频生成应用中，所需的技术包括以下方面：
生成模型：如扩散模型（Diffusion model），是当前视频生成的主流模型。 深度学习技术：如 GANs 和 Video Diffusion 等。 以生成方式划分： 文生视频：根据输入的文本生成视频。 图生视频：基于图像生成视频。 视频生视频：对已有视频进行再生成。 与语音生成结合：用于语音生成的模型可由 Transformers 提供，常用技术包括循环神经网络（RNNs）、长短时记忆网络（LSTMs）、WaveNet 等。 具有代表性的海外项目： Sora（OpenAI）：以扩散 Transformer 模型为核心，能生成长达一分钟的高保真视频，支持多种生成方式，在文本理解方面表现出色，能在单个生成的视频中创建多个镜头，保留角色和视觉风格。 Genie（Google）：采用 ST-transformer 架构，包括潜在动作模型、视频分词器与动力学模型，拥有 110 亿参数，可通过单张图像提示生成交互式环境。将小说制作成 AI 视频通常包括文本分析、角色与场景生成、视频编辑与合成等步骤，并且有一些可用的工具来辅助完成。
