Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

RAG的经典应用场景

Answer

RAG（检索增强生成）的经典应用场景主要包括以下方面：

  1. 构建智能问答客服：用户提出问题，RAG 模型从大规模的文档集合中检索相关的文档，然后生成回答。
  2. 知识问答系统：用户提出问题，RAG 可以从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到提示词中，提交给大模型，大模型的回答会充分考虑到“包含答案的内容”。
Content generated by AI large model, please carefully verify (powered by aily)

References

胎教级教程：万字长文带你理解 RAG 全流程

旁白：一路千辛万苦，终于要真正了解RAG的全貌了，好激动前面的开胃菜已经完毕，这里我们进入正餐，先上一张图注：这张图引用自：https://mp.weixin.qq.com/s/37tKVQbxenVVBAeMZ334aQ公众号：AI花果山一位RAG大佬，正在编写一系列教程《RAG高效应用指南》这张图将会是我们本章的知识地图，看到这么多的概念，不要慌，我们先整体理解下RAG。自顶向下，RAG的流程分为离线数据处理和在线检索两个过程。我们前面讲到，知识库是RAG的“活字典”，可以让AI随时进行查阅。而离线数据处理的目的就是为了构建出这本“活字典”。经过离线数据后，知识则会按照某种格式以及排列方式存储在知识库中，等待被使用。而在线检索则是我们使用利用知识库+大模型进行查询的过程。在学习一门新知识的时候，是什么与为什么同等重要是什么让你知其然为什么让你知其所以然接下来我们就以RAG最经典的应用场景《构建智能问答客服》来了解RAG所有流程中的What与Why

RAG性能提升策略和评估方法（产品视角）

作者：牛大局原文：[RAG性能提升策略和评估方法（产品视角）](https://iac2rhlh02p.feishu.cn/wiki/WL4Lwx5dyigl4zkZQojc7esQnWf)[heading1]一、前言[content]相信经过一年的知识沉淀，RAG是什么大家都不陌生了。RAG是检索增强生成（Retrieval-Augmented Generation）的缩写，它是一种结合了检索模型和生成模型的技术。其核心目的是通过某种途径把知识告诉给AI大模型，让大模型“知道”我们的私有知识，变得越来越“懂”我们。RAG的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”。RAG的最常见应用场景知识问答系统：RAG可以用于构建问答系统，用户提出问题，RAG模型从大规模的文档集合中检索相关的文档，然后生成回答。

风格提示词｜STYLE PROMPTS

●Quotable定义/描述：Quotable指的是值得引用和铭记的音乐风格，通常具有深刻和有意义的特质。典型使用：用于表现值得引用和铭记情感的音乐作品。示例：John Lennon's《Imagine》。关联流派：Rock，Pop，Classic RockR●Radiant定义/描述：Radiant指的是光芒四射和明亮的音乐风格，通常具有耀眼和充满活力的特质。典型使用：用于表现光芒四射和明亮情感的音乐作品。示例：Katy Perry的《Firework》。关联流派：Pop，Dance，Electronic●Radical定义/描述：Radical指的是激进和前卫的音乐风格，通常具有创新和突破的特质。典型使用：用于表现激进和前卫情感的音乐作品。示例：Nirvana的《Smells Like Teen Spirit》。关联流派：Grunge，Rock，Alternative●Radioactive定义/描述：Radioactive指的是强烈和充满能量的音乐风格，通常具有震撼和动感的特质。典型使用：用于表现强烈和充满能量情感的音乐作品。示例：Imagine Dragons的《Radioactive》。关联流派：Rock，Alternative，Electronic●Raging定义/描述：Raging指的是狂怒和激烈的音乐风格，通常具有强烈和狂暴的特质。典型使用：用于表现狂怒和激烈情感的音乐作品。示例：Rage Against the Machine的《Killing in the Name》。关联流派：Rock，Metal，Alternative

Others are asking
RAG工作流对话调试
RAG（检索增强生成）工作流主要包括以下几个阶段： 1. 问题解析阶段：接收并预处理问题，通过嵌入模型（如 Word2Vec、GloVe、BERT）将问题文本转化为向量，以用于后续检索。 2. 知识库检索阶段：知识库中的文档同样向量化后，比较问题向量与文档向量，选择最相关的信息片段并抽取传递给下一步骤。 3. 信息整合阶段：接收检索到的信息，与上下文构建形成融合、全面的信息文本，整合信息准备进入生成阶段。 4. 大模型生成回答：整合后的信息被转化为向量并输入到 LLM（大语言模型），模型逐词构建回答，最终输出给用户。 RAG 的基本概念： RAG 是一种结合了检索和生成的技术，能让大模型在生成文本时利用额外的数据源，提高生成的质量和准确性。其基本流程为，首先给定用户输入（如问题或话题），RAG 从数据源中检索出相关文本片段（称为上下文），然后将用户输入和检索到的上下文拼接成完整输入传递给大模型（如 GPT），输入通常包含提示指导模型生成期望输出（如答案或摘要），最后从大模型的输出中提取或格式化所需信息返回给用户。 在实际调试预览中，例如： 1. 知识库检索部分：把输入的问题通过 Embedding 做向量化，使用语言模型优化问题、添加接近的检索词，知识库向量检索时抽取条件包含相似度 0.85，通过检索抽取出多个内容块。 2. 大模型对话部分：将相关信息传递给 LLM 最终得到 AI 的回答。
2025-01-06
RAG工作流搭建
RAG（检索增强生成）工作流搭建主要包括以下步骤： 1. 文档加载：从多种不同来源加载文档，如非结构化的 PDF 数据、结构化的 SQL 数据、代码等，LangChain 提供了 100 多种不同的文档加载器。 2. 文本分割：文本分割器把文档切分为指定大小的块，称为“文档块”或者“文档片”。 3. 存储： 将切分好的文档块进行嵌入转换成向量的形式。 将 Embedding 后的向量数据存储到向量数据库。 4. 检索：通过某种检索算法从向量数据库中找到与输入问题相似的嵌入片。 5. 输出：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案。 RAG 是一种结合了检索和生成的技术，其基本流程为：首先，给定用户输入，如问题或话题，从数据源中检索出相关文本片段作为上下文。然后，将用户输入和检索到的上下文拼接成完整输入传递给大模型，并包含提示指导模型生成期望输出。最后，从大模型输出中提取或格式化所需信息返回给用户。 此外，您还可以通过以下方式学习 RAG： 1. 观看视频演示，如： 2. 利用相关 Bot 进行学习，如： Query 改写效果对比 Bot：https://www.coze.cn/store/bot/7400553639514800182?panel=1&bid=6dkplh1r43g15 RAG 全流程学习 Bot：结合大模型，模拟 RAG 的离线存储和在线检索全流程。 您还可以参考如何使用 LangChain 开发一个简单的 RAG 问答应用。
2025-01-06
RAG与Agent如何结合应用
RAG 与 Agent 的结合应用可以通过以下步骤实现： 1. 数据加载：根据数据源类型选择合适的数据加载器，如网页可使用 WebBaseLoader 加载和解析，返回文档对象。 2. 文本分割：依据文本特点选择合适的文本分割器，将文档对象分割成较小的对象，如博客文章可用 RecursiveCharacterTextSplitter 分割。 3. 嵌入与存储：使用文本嵌入器和向量存储器将文档对象转换为嵌入并存储，根据质量和速度选择合适的，如 OpenAI 的嵌入模型和 Chroma 的向量存储器。 4. 创建检索器：通过向量存储器检索器，传递向量存储器对象和文本嵌入器对象作为参数，创建用于根据用户输入检索相关文档对象的检索器。 5. 创建聊天模型：根据性能和成本选择合适的聊天模型，如使用 OpenAI 的 GPT3 模型，根据用户输入和检索到的文档对象生成输出消息。 以餐饮生活助手为例，基于结构化数据来 RAG 实战： 1. 定义餐饮数据源：将餐饮数据集转化为 Langchain 可识别和操作的数据源，如数据库、文件、API 等，并注册到 Langchain 中，提供统一接口和方法供 LLM 代理访问和查询。 2. 定义 LLM 的代理：通过 Langchain 的代理（Agent）实现，代理管理器可让开发者定义不同的 LLM 代理及其功能和逻辑，提供统一接口和方法供用户交互。 以下是使用 LangChain 构建 RAG 应用的示例代码。
2025-01-06
RAG的经典应用场景
RAG（检索增强生成）的经典应用场景主要包括以下方面： 1. 构建智能问答客服：用户提出问题，RAG 模型从大规模的文档集合中检索相关的文档，然后生成回答。 2. 知识问答系统：用户提问后，RAG 从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到提示词中，提交给大模型，大模型的回答会充分考虑到“包含答案的内容”。
2025-01-06
RAG技术基本了解
RAG（Retrieval Augmented Generation，检索增强生成）是一种结合信息检索和文本生成能力的技术，主要用于处理需要广泛知识的任务，如问答系统，能够提供详细而准确的回答。 其基本流程包括以下几个步骤： 1. 文档加载：从多种不同来源加载文档，如 PDF 在内的非结构化数据、SQL 在内的结构化数据以及 Python、Java 之类的代码等。 2. 文本分割：文本分割器把文档切分为指定大小的块，称为“文档块”或者“文档片”。 3. 存储：涉及将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库。 4. 检索：通过某种检索算法从向量数据库中找到与输入问题相似的嵌入片。 5. 输出：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案。 RAG 由两部分组成：一个“检索器”和一个“生成器”。检索器从外部知识中快速找到与问题相关的信息，生成器则利用这些信息来制作精确和连贯的答案。 在实际应用中，例如构建能够利用私有数据或实时数据进行推理的 AI 应用时，将相关信息检索并插入到模型的输入中，即检索增强生成，可以提高生成的质量和准确性。首先给定一个用户的输入，RAG 会从一个数据源中检索出与之相关的文本片段作为上下文，然后将用户的输入和检索到的上下文拼接成一个完整的输入传递给大模型，最后从大模型的输出中提取或格式化所需的信息返回给用户。
2025-01-06
RAG，Agent 与小模型
以下是关于 RAG、Agent 与小模型的相关知识： RAG（RetrievalAugmented Generation，检索增强生成）： 大语言模型存在输出结果不可预测、知识有局限性、幻觉问题和数据安全性等问题，RAG 是解决这些问题的有效方案。 它能让大模型从权威的、预先确定的知识来源中检索和组织相关信息，更好地控制文本输出，用户也能了解生成结果的过程。 RAG 类似于为模型提供教科书，适用于回答特定询问或解决特定信息检索任务，但不适合教模型理解广泛领域或学习新语言、格式或样式。 RAG 可与微调结合使用，两者不冲突。微调类似于让学生内化知识，适用于模型需要复制特定结构、样式或格式的情况。 Agent（智能体）： 是大模型的一个主要发展方向。 中间的“智能体”通常是 LLM（大语言模型）。 为 LLM 增加了工具、记忆、行动、规划四个能力。 目前行业里主要用到的是 langchain 框架，它把 LLM 和 LLM 之间以及 LLM 和工具之间通过代码或 prompt 的形式进行串接。 比如长期记忆是给大模型一个数据库工具记录重要信息，规划和行动是在大模型的 prompt 层做逻辑，让其将目标拆解并输出固定格式指令给工具。 小模型：文中未提及小模型的相关具体内容。
2025-01-06
多模态的应用场景
多模态的应用场景广泛，主要包括以下方面： 1. 娱乐领域：如与 AI 导师进行视频聊天、与 AI 合作迭代和编写电视剧剧本等，为消费者提供更加引人入胜、连贯和全面的体验。 2. 内容生成：改变娱乐、学习与发展以及跨各种消费者和企业用例的内容生成。 3. 工具使用：使大语言模型能够使用设计给人类使用但没有自定义集成的工具，例如传统的企业资源计划（ERP）系统、桌面应用程序、医疗设备或制造机械。 4. 视频处理：包括视频搜索，通过描述性语言在数小时的视频内容中快速找到用户想要的瞬间；视频文本生成，从视频生成文本摘要、关键点、标签和标题等；定制化模型，允许用户微调自己的模型以满足特定领域需求。 5. 落地场景：如广告插入与内容审核，区分视频内容的性质；流媒体内容分析，自动生成媒体分析报告；运动赛事视频分析，帮助精彩瞬间捕捉、技术动作分析、比赛策略分析等。 6. 扩展到物理现实：通过机器人、自动驾驶车辆和其他需要与物理世界实时交互的应用程序，将大语言模型扩展到我们自己的物理现实中。
2025-01-06
大模型家族、类别、应用场景
大模型主要分为以下两类： 1. 大型语言模型：专注于处理和生成文本信息，主要应用于自然语言处理任务，如文本翻译、文本生成、情感分析等。 2. 大型多模态模型：能够处理包括文本、图片、音频等多种类型的信息，可以应用于更广泛的领域，例如图像识别与描述、视频分析、语音识别与生成等。 大型多模态模型与大型语言模型的不同点包括： 1. 处理的信息类型不同：大型语言模型专注于文本信息，大型多模态模型能处理多种类型信息。 2. 应用场景不同：大型语言模型主要用于自然语言处理任务，大型多模态模型应用领域更广泛。 3. 数据需求不同：大型语言模型主要依赖大量文本数据训练，大型多模态模型需要多种类型数据训练。 对于聊天大模型的深度用户，把同一个问题让不同的大模型解答是高频操作，主要适用于以下场景： 1. 对回答的精准性、全面性要求较高的问题，因为不同大模型在解决不同问题时各有优劣。 2. 需要多方交叉验证，规避模型幻觉的客观事实类问题。 常用的模型网站有： 1. 2. 3. 4. 5. 下载模型后需要将之放置在指定的目录下，不同类型的模型放置目录不同： 1. 大模型（Ckpt）：放入 models\\Stablediffusion 2. VAE 模型：一些大模型需要配合 vae 使用，对应的 vae 同样放置在 models\\Stablediffusion 或 models\\VAE 目录，然后在 webui 的设置栏目选择。 3. Lora/LoHA/LoCon 模型：放入 extensions\\sdwebuiadditionalnetworks\\models\\lora，也可以在 models/Lora 目录 4. Embedding 模型：放入 embeddings 目录 模型的类型可以通过检测。
2025-01-06
大模型家族、类别、应用场景
大模型主要分为以下两类： 1. 大型语言模型：专注于处理和生成文本信息，主要应用于自然语言处理任务，如文本翻译、文本生成、情感分析等。其训练主要依赖大量的文本数据。 2. 大型多模态模型：能够处理包括文本、图片、音频等多种类型的信息，可以应用于更广泛的领域，例如图像识别与描述、视频分析、语音识别与生成等。其训练需要多种类型的数据，包括文本、图片、音频等。 此外，还有相对规模较小的模型，这些模型通常是为完成特定任务而设计的。 大模型的应用场景包括： 1. 对于回答的精准性、全面性要求较高的问题，不同的大模型各有优劣，可兼听获取更好的答案。 2. 需要多方交叉验证，规避模型幻觉的客观事实类问题。 常用的模型网站有： 1. 2. 3. 4. 5. 下载模型后，不同类型的模型放置位置不同： 1. 大模型（Ckpt）：放入 models\\Stablediffusion 2. VAE 模型：一些大模型需要配合 vae 使用，对应的 vae 同样放置在 models\\Stablediffusion 或 models\\VAE 目录，然后在 webui 的设置栏目选择。 3. Lora/LoHA/LoCon 模型：放入 extensions\\sdwebuiadditionalnetworks\\models\\lora，也可以在 models/Lora 目录 4. Embedding 模型：放入 embeddings 目录
2025-01-06
大模型家族、类别、应用场景
大模型主要分为以下两类： 1. 大型语言模型：专注于处理和生成文本信息，主要应用于自然语言处理任务，如文本翻译、文本生成、情感分析等。 2. 大型多模态模型：能够处理包括文本、图片、音频等多种类型的信息，可以应用于更广泛的领域，例如图像识别与描述、视频分析、语音识别与生成等。 大型多模态模型与大型语言模型的不同点包括： 1. 处理的信息类型不同：大型语言模型专注于文本，大型多模态模型能处理多种类型信息。 2. 应用场景不同：大型语言模型主要用于自然语言处理任务，大型多模态模型应用领域更广泛。 3. 数据需求不同：大型语言模型主要依赖大量文本数据训练，大型多模态模型需要多种类型数据训练。 对于聊天大模型的深度用户，常见的应用场景有： 1. 对回答的精准性、全面性要求较高的问题，因为不同大模型各有优劣。 2. 需要多方交叉验证，规避模型幻觉的客观事实类问题。 常用的模型网站有： 1. 2. 3. 4. 5. 下载模型后，不同类型的模型放置位置如下： 1. 大模型（Ckpt）：放入 models\\Stablediffusion 2. VAE 模型：一些大模型需要配合 vae 使用，对应的 vae 同样放置在 models\\Stablediffusion 或 models\\VAE 目录，然后在 webui 的设置栏目选择。 3. Lora/LoHA/LoCon 模型：放入 extensions\\sdwebuiadditionalnetworks\\models\\lora，也可以在 models/Lora 目录 4. Embedding 模型：放入 embeddings 目录
2025-01-06
请给我推荐一些AI工具配上相关的AI培训视频。同时分析一下每个AI工具的使用场景，优势和缺点以及相似的工具推荐。要求这些AI工具适用于办公环境生产环境
以下为适用于办公环境生产环境的一些 AI 工具推荐，并对其使用场景、优势、缺点及相似工具进行分析： Keep： 使用场景：提供全面的健身解决方案，适用于个人健身计划制定和跟踪。 优势：中国最大的健身平台，资源丰富，能满足多种健身需求。 缺点：可能存在广告过多，部分功能需付费。 相似工具：Fiture Fiture： 使用场景：集硬件、课程内容、教练和社区于一体，适合追求综合健身体验的用户。 优势：由核心 AI 技术打造，提供一体化服务。 缺点：硬件设备可能价格较高。 相似工具：Keep Fitness AI： 使用场景：专注于利用人工智能进行锻炼，增强力量和速度。 优势：针对性强，对力量和速度训练有特定帮助。 缺点：功能相对较单一。 相似工具：暂无明确相似工具。 Planfit： 使用场景：提供健身房家庭训练与 AI 健身计划，适合在家健身的用户。 优势：AI 教练基于大量数据和 ChatGPT 实时提供指导。 缺点：可能对网络要求较高。 相似工具：暂无明确相似工具。 腾讯文档分类功能： 使用场景：自动分类办公文件，方便文件管理。 优势：提高文件管理效率，与腾讯文档集成方便。 缺点：分类准确性可能受文件内容复杂性影响。 相似工具：暂无明确相似工具。 英语流利说纠错功能： 使用场景：帮助语言学习者纠正发音、语法等错误。 优势：针对性纠错，有助于提高语言水平。 缺点：可能对某些特定语言习惯或方言的适应性不足。 相似工具：暂无明确相似工具。 下厨房口味调整功能： 使用场景：根据用户反馈调整菜谱口味。 优势：方便用户优化烹饪效果。 缺点：口味调整的精准度可能有限。 相似工具：暂无明确相似工具。 美丽修行定制方案功能： 使用场景：根据用户肤质定制护肤方案。 优势：个性化护肤推荐。 缺点：对肤质判断的准确性依赖用户输入的信息。 相似工具：暂无明确相似工具。 以上是部分适用于办公和生产环境的 AI 工具推荐及分析，您可以根据具体需求选择使用。
2025-01-06
最经典的ai应用场景及其原理
AI 的应用场景非常广泛，以下是一些经典的 AI 应用场景及其原理： 1. 医疗保健： 医学影像分析：AI 可以用于分析医学图像，例如 X 射线、CT 扫描和 MRI，以辅助诊断疾病。 药物研发：AI 可以用于加速药物研发过程，例如识别潜在的药物候选物和设计新的治疗方法。 个性化医疗：AI 可以用于分析患者数据，为每个患者提供个性化的治疗方案。 机器人辅助手术：AI 可以用于控制手术机器人，提高手术的精度和安全性。 2. 金融服务： 风控和反欺诈：AI 可以用于识别和阻止欺诈行为，降低金融机构的风险。 信用评估：AI 可以用于评估借款人的信用风险，帮助金融机构做出更好的贷款决策。 投资分析：AI 可以用于分析市场数据，帮助投资者做出更明智的投资决策。 客户服务：AI 可以用于提供 24/7 的客户服务，并回答客户的常见问题。 3. 零售和电子商务： 产品推荐：AI 可以用于分析客户数据，向每个客户推荐他们可能感兴趣的产品。 搜索和个性化：AI 可以用于改善搜索结果并为每个客户提供个性化的购物体验。 动态定价：AI 可以用于根据市场需求动态调整产品价格。 4. 制造业： 预测性维护：AI 可以用于预测机器故障，帮助工厂避免停机。 质量控制：AI 可以用于检测产品缺陷，提高产品质量。 供应链管理：AI 可以用于优化供应链，提高效率和降低成本。 机器人自动化：AI 可以用于控制工业机器人，提高生产效率。 5. 交通运输： 自动驾驶：AI 可以用于开发自动驾驶汽车，提高交通安全性和效率。 交通管理：AI 可以用于优化交通信号灯和交通流量，缓解交通拥堵。 物流和配送：AI 可以用于优化物流路线和配送计划，降低运输成本。 无人机送货：AI 可以用于无人机送货，将货物快速送达偏远地区。 6. 其他应用场景： 教育：AI 可以用于个性化学习，为每个学生提供定制化的学习体验。 农业：AI 可以用于分析农田数据，提高农作物的产量和质量。 娱乐：AI 可以用于开发虚拟现实和增强现实体验。 能源：AI 可以用于优化能源的使用，提高能源效率。 总的来说，AI 的应用场景非常广泛，它可以帮助人们解决各种各样的问题，提高效率和生产力，改善生活质量。随着技术的不断发展，AI 的应用场景还将不断扩大和深化。
2024-05-28
如何应用提示词
以下是关于如何应用提示词的全面指导： 一、理解提示词的作用 提示词向模型提供上下文和指示，其质量直接影响模型输出的质量。 二、学习提示词的构建技巧 1. 明确任务目标，用简洁准确的语言描述。 2. 给予足够的背景信息和示例，帮助模型理解语境。 3. 使用清晰的指令，如“解释”“总结”“创作”等。 4. 对特殊要求应给予明确指示，如输出格式、字数限制等。 三、参考优秀案例 研究和学习已有的优秀提示词案例，可在领域社区、Github 等资源中获取。 四、实践、迭代、优化 多与语言模型互动，根据输出提高提示词质量。尝试各种变体，比较分析输出差异，持续优化提示词构建。 五、活用提示工程工具 目前已有一些提示工程工具可供使用，如 Anthropic 的 Constitutional AI。 六、跟上前沿研究 提示工程是当前前沿研究领域之一，持续关注最新成果和方法论。 七、在星流一站式 AI 设计工具中的应用 1. 在 prompt 输入框中输入提示词，可使用图生图功能辅助创作。 2. 了解提示词的定义：用于描绘想生成的画面，支持中英文输入。 3. 掌握写好提示词的方法： 内容准确，包含人物主体、风格、场景特点、环境光照、画面构图、画质等。 调整负面提示词，帮助 AI 理解不想生成的内容。 利用“加权重”功能，让 AI 明白重点内容。 可使用预设词组，小白用户可点击进行生图。 4. 善用辅助功能，如翻译功能、删除所有提示词、会员加速等。 精心设计的提示词能最大限度发挥语言模型的潜力，多实践、多学习、多总结，终可掌握窍门。请注意，以上内容由 AI 大模型生成，请仔细甄别。
2025-01-06
国内有什么生成视频的AI应用么
以下是国内一些生成视频的 AI 应用： 1. 可灵：在 AI 视频生成领域表现出色，具有卓越的视频生成质量，生成的视频在画面清晰度、连贯性和内容丰富性上可与国际顶级模型媲美。生成速度快，处理效率高，且对国内用户的可访问性强，提供了便捷、稳定的使用体验。 2. Pika：非常出色的文本生成视频 AI 工具，擅长动画制作，并支持视频编辑。 3. Hidreamai：有免费额度，支持文生视频、图生视频，提示词使用中文、英文都可以，文生视频支持多种控制，可生成不同时长和尺寸的视频。 4. ETNA：由七火山科技开发的文生视频 AI 模型，能根据简短文本描述生成相应视频内容，视频长度 8 15 秒，画质可达 4K，支持中文，时空理解。 更多的文生视频网站可以查看： 需注意，内容由 AI 大模型生成，请仔细甄别。
2025-01-06