---
title: "MinT – 生成顺序事件的文本转视频模型，灵活控制时间戳"
url: "https://paooo.com/aigc-news/23358/"
author: "Prompt 语宙研究院"
published_at: "2026-06-09T00:07:43+08:00"
updated_at: "2026-06-09T00:07:43+08:00"
categories: "AIGC 资讯"
tags: "AI智能体, AI视频生成, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# MinT – 生成顺序事件的文本转视频模型，灵活控制时间戳

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/23358/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-09

## AI 30 秒核心看点 (TL;DR)

- 首个强调视频事件时间控制的文本转视频框架，支持按顺序生成多事件内容。
- ReRoPE + 双交叉注意力机制，让文本提示与具体时间段精准对齐，提升连贯性。
- 可用于广告、教育、影视预制和新闻摘要，兼顾时间精度与内容质量。

## MinT是什么

MinT（Mind the Time）是Snap Research、多伦多大学和向量研究所联合推出的多事件[视频生成](https://ai-bot.cn/ai-video-generation-tools/)框架，基于精确的时间控制，根据文本提示生成包含多个事件的视频序列。MinT的核心技术是时间基位置编码（ReRoPE），让模型能将特定的文本提示与视频中的相应时间段关联起来，确保事件按顺序发生，控制每个事件的持续时间。作为首个提供视频中事件时间控制的模型，MinT在生成连贯、动态连接的事件方面超越现有的开源模型，为视频内容创作带来新的灵活性和控制能力。

## MinT的主要功能

- **多事件视频生成**：根据文本提示生成包含多个事件的视频，事件可以是动作、表情或日常活动等。

- **时间控制**：支持用户指定每个事件的开始和结束时间，实现对视频中事件顺序和时长的精确控制。

- **连贯性保持**：在生成多事件视频时，保持视频内容的连贯性，包括一致的主题和背景。

- **高质量的视频合成**：优化模型生成高质量的视频内容，确保视频的动态度和视觉质量。

- **基于LLM的提示增强器**：提供基于大型语言模型（LLM）的提示增强器，能将简短的提示扩展为详细的全局和时间字幕，生成更丰富的视频内容。

## MinT的技术原理

- **时间基位置编码（ReRoPE）**：引入了eRoPE，一种时间基位置编码方法，指导模型如何将文本提示与视频帧相关联，确保事件在正确的时间范围内发生。

- **预训练的视频扩散变换器（DiT）**：基于预训练的潜在扩散变换器（DiT），变换器基于编码器将视频编码为视频令牌，用去噪网络生成视频。

- **全局和时间字幕的交叉注意力**：在每个DiT块中用两个交叉注意力层，分别处理全局字幕和时间字幕，实现对事件的精确控制。

- **事件时间范围的关联**：提供时间定位的字幕，模型一次关注一个事件，在生成过程中保持对事件时间范围的控制。

- **场景切换控制**：基于条件化模型识别视频中的场景切换，在生成视频中控制镜头转换的效果。

- **提示增强**：用大型语言模型（LLM）扩展简短的文本提示，生成详细的全局字幕和时间字幕，支持用户从简单的提示生成复杂的视频内容。

## MinT的项目地址

- **项目官网**：[mint-video.github.io](https://mint-video.github.io/?utm_source=ai-bot.cn)

- **arXiv技术论文**：[https://arxiv.org/pdf/2412.05263v1](https://arxiv.org/pdf/2412.05263v1)

## MinT的应用场景

- **娱乐产业**：用在电影、电视剧的预制作阶段，生成剧本的动态预览，帮助团队理解场景和事件的流程。

- **广告行业**：创建动态广告，通过精确控制广告中产品展示的时间点，增强信息传递的有效性。

- **教育领域**：制作教育视频，如历史重现、科学实验模拟，用视觉化的方式辅助学习和理解复杂概念。

- **游戏行业**：生成游戏中的剧情动画和过场动画，提升游戏的叙事体验。

- **新闻媒体**：快速制作新闻事件的动态摘要视频，提高新闻报道的吸引力和信息传递效率。

## 常见问题解答 (FAQ)

### MinT模型最核心的能力是什么？
MinT的核心能力是对视频中多个事件进行顺序生成和时间控制。用户可为不同事件指定开始与结束时间，模型再通过时间基位置编码将文本与对应片段对齐，从而生成更连贯、可控的视频序列。

### MinT和普通文本转视频模型有什么区别？
普通文本转视频模型通常更关注整体画面生成，而MinT更强调事件级时间控制。它不仅能生成视频，还能让不同事件按指定顺序、时长和时间段出现，并通过提示增强器补全更丰富的全局与时间字幕。

### MinT适合哪些实际应用场景？
MinT适合需要时间编排的视频内容制作，如电影和电视剧预制、动态广告、教育演示、游戏过场动画以及新闻事件摘要。其优势在于能把复杂流程拆成多个事件，并按时间精确呈现。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
