第零篇章 · 小白三千问

AI 生成视频为什么这么贵？

上一页说一张图两三毛。视频呢？按秒计价，一秒一块五到五块钱——生成一条 10 秒的短视频，够你和 AI 聊上万句。为什么？

一句话回答

因为视频不是「一张图」，是每秒二十几张必须连贯的图，还要配上同步的声音、合理的物理运动。生成量是图片的几十倍，难度还不止翻几十倍。

拖一拖 · 你要的视频背后是多少张「帧」

我想生成一条视频，时长：5 秒

—

要生成的帧（按 24 帧/秒）

—

同样成本能聊多少次天

—

大致费用（元）

价格按 2026 年 8 月主流视频模型 API 的量级估算（如 Google Veo 3 每秒 $0.2～0.75，带声音更贵；国内可灵、即梦按积分折算在同一量级）。上面每个小方块就是一帧——而且它们不能各画各的，必须像连环画一样严丝合缝。

贵在哪 · 不只是「图多」

🎞️

人物的衣服颜色、背景里的杯子、光线的方向，每一帧都不能变卦。模型要同时「记住」几百帧的内容互相对齐——这比独立画几百张图难得多，也是早期 AI 视频人物走着走着会「变脸」的原因。

🍎

苹果要往下掉、水要往低处流、头发要跟着风飘。模型得从海量视频里「悟」出物理规律，才能不穿帮——这部分能力最烧训练成本。

🔊

新一代模型（Veo 3、Sora 2 等）直接生成配音和音效，嘴型、脚步声、环境音都要和画面同步——等于同时在做视频和音频两份工作，所以「带声音」的价格比「无声」的贵一截。

好消息是：这个价格一直在往下走。就在两年前，同样质量的视频还要贵好几倍。顺序也值得记住：先用便宜的文字打磨脚本，再用两三毛的图片确定画面感觉，最后才动用按秒计费的视频——专业团队都是这么省钱的。