你的 prompt 写了一块写着 OPEN 的牌子，或者一个显示 MESSAGE 的手机屏。结果出来的是一堆抽象字符，逐帧抖动，几乎每一帧拼出来都不一样。这是 AI 视频里最常见的毛病，而且不是你 prompt 写错了：大多数视频模型把字母当成纹理而不是语言，它们画出来一个”看着像字”的东西，但其实从来不”认识”那个词。
最快、每次都管用的修法： 生成时把要写字的位置留空，然后用 CapCut、Premiere Pro 或 DaVinci Resolve 在后期把字加上去。把真正的文字合成上去，是唯一能保证 100% 可读、且符合品牌规范的方法。
如果文字必须在画面内： 换支持画内文字的模型重渲。截至 2026 年 6 月，大致顺序是 Veo 3.1（单帧文字最清晰）和 Kling 3.0（短文字跨帧最稳定），其次是 Sora 2；其它模型都会糊。
你属于哪一类？
对照你的症状，找到对应原因和下面该走的步骤。
| 症状 | 最可能的原因 | 去看 |
|---|---|---|
字看着像字但拼出来是乱码（H3LL0） | 模型把文字当纹理，不当语言 | Step 1 或 2 |
| 第 1 帧对，后面几帧晃 / 重拼 | 逐帧重生，没有物体追踪 | Step 1（Kling/Veo）或 Step 2 |
| 大标题没问题，小标签乱码 | 文字太小（像素不够） | Step 2 或 3 |
| 一块牌子还行，满街招牌全乱 | 一次要渲太多处文字 | Step 2 |
| 普通字能行，“霓虹草书”不行 | 风格化字体超出模型能力 | Step 1 换普通字，再 Step 2 |
| 坏片已经拿到，没法重渲 | 不适用 | Step 4 |
常见原因
按”它是真凶”的频率排序。
1. 模型把文字当纹理，不当语言
大多数视频模型——Runway、Pika、Luma、Hailuo，以及较老的 Kling / Veo 版本——训练目标是渲染视觉场景，不是拼字。它们画出”像文字”的形状，但里面没有真正的词。
怎么判断： 随便让模型在牌子上写 HELLO。出来是 H3LL0、HEILO，或者每帧不一样，那这模型就做不了可靠的文字。
2. 每帧都有字，但跨帧不一致
就算第一帧拼对了，每一帧也是独立重生的。到第 30 帧，同一个词的字距、颜色、形状都变了，因为没有任何东西把它当成固定物体来追踪。截至 2026 年 6 月，Kling 3.0 和 Veo 3.1 在这点上最稳，但没有一个是完美的。
怎么判断： 拖到 frame 1 和 frame 30 对比。文字在”呼吸”或重拼，说明模型在逐帧重生，而不是追踪一个静态物体。
3. 文字在画面里太小
字越小，像素越少，能拼对的容量就越低。墙上的大标题比 UI 上的按钮小字好做太多。
怎么判断： 估一下字高的像素。低于约 40 px 几乎肯定乱；高于约 200 px，好一点的模型有时能搞定。
4. 一个 clip 里有多处文字
一条街上三块招牌、两张海报、一个车牌——同时让模型在五个地方拼字，至少会错四个。
怎么判断： 数一下有几处独立文字区域。多于一处就准备在后期做。
5. 要了风格化字体
“草书霓虹”、“涂鸦字”、“1920 年代电影片头字”——这些把文字推进风格化空间，连 Veo 3.1 和 Sora 2 都会翻车。
怎么判断： 把 prompt 降级到普通大写 sans-serif。普通能行、风格化不行，就是风格的问题。
最短修复路径
Step 1：重渲可行就换支持画内文字的模型
截至 2026 年 6 月，有三个模型对画内文字的处理足够好，可以用于短词和招牌。把文字控制在 1-3 个词、字够大、且是画面里唯一的文字。
# Veo 3.1（Google）—— 单帧文字最清晰，4K，原生音频
- 招牌、短标语最适合（"SUMMER SALE 50% OFF" 都能保持可读）
- 单段 8 秒；要更长就把多段串起来
- Prompt:
"A wooden shop sign with the text OPEN in clear black block letters,
sharp focus, no other text anywhere in the scene."
# Kling 3.0 —— 短文字跨帧最稳定
- 镜头有运动、又要 1-3 个词全程稳住时最合适
- 多镜 storyboard 模式能让文字跨剪辑点保持稳定
- Prompt:
"Close-up of a red neon DINER sign glowing steadily, no flicker,
no other text in the frame."
# Sora 2 / Sora 2 Pro（OpenAI）—— 文字贴在实体物上时较强
- 适合像招牌、屏幕这种"作为真实物体"存在的文字
- storyboard 工具可逐镜指定确切文字
- OpenAI 在 2026 年反复调整 Sora 2 的开放范围和定价，开工前先确认当前能不能用
- Prompt:
"Vintage diner sign with the word DINER in red neon, glowing steadily,
no flicker, no other text."确实有用的 prompt 技巧：词用大写、写成 the text "WORD"、加上 no other text in scene（每多一处文字区域都在抢模型的”拼字预算”），字体保持朴素。
Step 2：生成时不带字，后期再加（工业级方案）
这是可靠、可复用的方法。生成时把该写字的位置留空，然后把真正的文字合成上去。
# Prompt 让 AI 视频留出空白表面
"A wooden shop sign hanging from a chain, blank surface, no text, no markings,
clean weathered wood ready for signage."
# CapCut（免费，桌面 / 网页 / 手机）
- Text -> Add text -> 放到空白招牌上
- 用关键帧让位置追踪招牌的视觉运动
- 表面有倾斜，用 3D 旋转控制匹配透视
- 导出
# Premiere Pro
- Window -> Essential Graphics -> New Layer -> Text
- 用手动关键帧，或用 Mocha（Boris FX）做平面跟踪
- 加 Drop Shadow 让文字嵌进场景
# DaVinci Resolve（Fusion 页）
- Text+ 节点写文字
- Tracker 节点绑定到表面，连到 Text+ 的 transform
- 把 Text+ Merge 到 AI 素材之上Step 3：固定镜头直接贴静态 PNG
AI clip 没有镜头运动、文字区域静止，叠一张 PNG 就行。
# 在 Photoshop / Figma / Affinity Designer 做字
- 匹配场景隐含的光照和色温
- 加一点噪声 / 颗粒匹配素材的传感器响应
- 导出带透明通道的 PNG
# 在任意剪辑软件合成
- PNG 放在 AI 视频的上层轨道
- 对齐到目标表面
- 在两层之上覆盖一层 5-10% 透明度的颗粒，统一质感Step 4：后期 mask 掉乱码再贴正确文字（无法重渲时）
你已经拿到了带坏字的片子，又不能重渲。
# DaVinci Resolve（Fusion）
- 给乱码区域做 mask
- 用 Patch Replacer 节点采附近干净表面把它盖掉
- 上面加一个写着正确词的 Text+ 节点，追踪到表面
# Adobe After Effects
- 给乱码区域做 mask -> Edit -> Content-Aware Fill 把它去掉
- 加一个写正确文字的 Text 图层
- 用 Mocha 跟踪，匹配原始运动
# CapCut（Pro）
- Remove objects -> 涂抹乱码把它擦掉
- 加一个新的 Text 元素，写上想要的文字
- 定位到清理后的区域Step 5：兜底——接受风格化的不可读
纯装饰性的背景招牌（小巷、远处广告牌），不可读的字读起来就是”氛围感外语”，观众接受。仅当文字不承载任何信息时才这样做。
# 决策规则：
- 主体文字（logo、标题、台词卡）？用 Step 2 或 3 修。
- 背景氛围字（霓虹、远处海报）？可以保留。
- UI / 按钮字（手机屏、显示器）？永远在后期加。如何确认已修好
- 逐帧拖过整段片子（不是只看第一帧）。这个词必须每一帧都拼得一模一样、位置稳住。
- 用 100% / 全分辨率看，别看缩略图——糊化常常藏在缩小的预览里。
- 导出后播放成片。压缩会把细的笔画涂糊；如果糊了，把字调大或加粗笔画再导一次。
- 合成上去的文字，确认它在镜头或物体运动时贴着表面走，没有滑移或漂浮。
预防
- 从一开始就把视频和图形当成两个层来规划。
- 专门为后期加字而生成”留白表面”的 AI clip。
- 在剪辑软件里建一套品牌字模板，后期才快。
- 把 Veo 3.1 / Kling 3.0 / Sora 2 留给”画内文字不可避免”的镜头。
- UI / 应用演示视频，用真实录屏或 mockup 在后期合成——永远别让模型去渲一个”能用的界面”。
FAQ
2026 年 6 月哪个 AI 视频模型的文字最好？ 要单帧清晰，选 Veo 3.1。要 1-3 个词在镜头运动时保持一致，选 Kling 3.0。Sora 2 在文字贴在实体物（招牌或屏幕）上时较强。超过几个词的，一律后期加——目前没有模型在这块靠谱。
为什么文字每帧都换拼法？ 大多数模型逐帧独立重生，对”持续存在的词”这个物体毫无概念，所以字母会漂。这是逐帧重生的问题，不是种子选差了。要么换时间稳定性更好的模型（Kling 3.0 / Veo 3.1），要么在后期把文字做成一个固定图层。
不重渲整段片子，能修乱码吗？ 能。把坏区域 mask 掉，用 After Effects 的 Content-Aware Fill、DaVinci Resolve 的 Patch Replacer，或 CapCut 的 Remove objects 去掉，然后在上面放一层正确文字并追踪到表面。见 Step 4。
为什么小字乱码、大标题却没事？ 小字拿到的像素更少，低于大约 40 px 高时模型没有分辨率去拼对。把镜头里的字调大，或者在后期加——后期里像素预算根本不是问题。
prompt 里写 the text "OPEN" 真的有用吗？
在支持文字的模型上有一点用：大写、把确切的词加引号、再加 no other text in scene，能减少互相竞争的文字区域。但它救不了把文字当纹理来渲的模型——那种情况，后期是唯一的修法。