Ask HN：为什么 AI 视频平台在仅使用英文提示时，仍会生成外语文字
用户发现，使用 AI 视频生成平台时，即便提示词（prompts）完全是英文，生成的视频中仍会出现非英文字符或语言文本。这背后可能与训练数据中多语言内容的混杂、模型对文本生成的控制力不足有关。讨论中有人推测，这类平台在训练时并未将语言提示与画面内文字输出严格对齐，导致模型“自由发挥”出其他语言的文字。
背景速读
- 当前的 AI 视频生成工具（如 Sora、Runway、Pika、Kling 等）本质上是在海量互联网视频上训练的大型模型。这些训练数据中充斥着大量非英语的文本内容（路牌、广告牌、字幕、产品包装等），模型“记住”了这些视觉模式，即便用户用纯英文提示词，模型仍可能在画面中生成了看起来像中文、韩文、阿拉伯文等真实语言的文字。
- 更深层的原因是：这些模型并不真正“认识”文字——它们把文字当成一种视觉纹理（texture）来生成。模型没有字符级别的理解，也没有语言模型那样的拼写能力，所以结果往往是“看起来像某种文字但拼写错误或毫无意义”的符号串。这种“伪文字”现象在图像生成领域早已存在（Midjourney 早期也常有此问题），视频生成只是把同样的问题放大了。
- 目前业界没有通用的解决方案。一些平台尝试在后端加入 OCR 过滤或拼写纠正，但效果有限。这个问题短期内可能不会完全消失，因为根本矛盾在于：生成模型的训练目标和数据分布并不要求它们理解文字的语义，只要求它们模拟视觉现实。