【为何AI视频的文字总是歪歪扭扭？】为什么AI生成的照片或视频上，文字的每一笔总是歪歪扭扭的？其实本质就是技术所限……在过去的三年，生图和视频的底层架构是扩散模型，它的基本原理是降噪和预测像素。

如扩散模型论文中的原图所示，在一开始图像是一些随机分布的噪点，模型会根据它训练图形中的规律，一点点去噪，从而“还原”出完整的图像。

对于扩散模型而言，它只能理解一张图片中像素的分布，不理解这些像素合起来有什么有意义。文字对它而言，只不过一些“黑白相间的像素点阵”，虽然跟背景、人物在像素的分布上有些不同，但模型仍然将它们“一视同仁”。

文字本身是非常复杂且锐利的图样，而降噪本身有带有随机性，即使做大量针对性的训练，仍然改变不了“扩散模型不会写字”的底层逻辑。

这种情况到了视频领域会更加严重，因为多了时间维度。因为扩散模型不理解画面的内容，它只能看到变化的像素，无法区分静态的文字和运动的物体，产生的文字质量会变得更加低下。（中科院物理所）中国科普博览