# MinT – 生成顺序事件的文本转视频模型，灵活控制时间戳

- Link: https://paooo.com/aigc-news/23358/
- Published: 2026-06-09T00:07:43+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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。

阅读目录

 * [MinT是什么](https://paooo.com/aigc-news/23358/#mint%e6%98%af%e4%bb%80%e4%b9%88)
 * [MinT的主要功能](https://paooo.com/aigc-news/23358/#mint%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [MinT的技术原理](https://paooo.com/aigc-news/23358/#mint%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [MinT的项目地址](https://paooo.com/aigc-news/23358/#mint%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [MinT的应用场景](https://paooo.com/aigc-news/23358/#mint%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![MinT](https://paooo.com/wp-content/uploads/2026/06/MinT-website-1.avif)

## 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。

🔬 语宙深潜追问 · 进阶实操拆解

多事件视频生成最容易乱在哪？

最容易乱在事件顺序、镜头切换和时间对齐。需要把时间戳、事件语义和视觉状态一起约束，
否则模型容易把多个动作挤到同一段里。

做商业视频时怎么用好时间控制？

先把脚本拆成明确的时间块，再为每段定义主体、动作和镜头目标。这样更适合广告分镜、
课程演示和预演沟通，也方便后期微调。

🗳️ 读者观点微投票 · 您的实战立场是？

文本转视频可控时间戳，最值钱的是啥？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/)

 * [TimeSuite – 上海AI Lab推出的提升MLLMs在长视频理解处理的设计框架](https://paooo.com/aigc-news/25960/)
 * [MarDini – Meta联合KAUST推出的视频生成扩散模型](https://paooo.com/aigc-news/25996/)
 * [Bernini – 字节跳动开源的统一视频生成与编辑框架](https://paooo.com/aigc-news/18595/)
 * [DiTCtrl – 港中文联合腾讯等机构推出的多提示视频生成方法](https://paooo.com/aigc-news/24553/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/23358/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
