Test To Ner To Image To Video：从文字生成语音、实体图像与视频

这是一款面向文本内容可视化的 AI 应用：先将输入文字转换为语音，再识别其中的实体，为各实体生成图像，最后把图像串联并与音频合成为视频。

目标网站网页截图，页面可能随时间更新。

该应用围绕“文字到视频”的连续处理流程设计，适合把包含多个具体实体的文本转化为带有语音和画面的短视频内容。使用时，输入一段文字，系统依次处理语音、实体、图像和视频，最终形成由实体图像与合成音频组成的视听结果。

核心功能

应用公开的界面说明包含一条多阶段处理链。系统首先根据输入文字生成语音，然后使用 Flair NER 模型提取文字中的实体；接着针对每个实体分别生成图像，再将这些实体图像按顺序串联成视频，最后把生成的音频与视频合并。

这意味着它处理的重点不是单独生成一张图，而是把文本中的实体转化为一组连续画面，并配合文字对应的语音。

如果文本包含人物、地点、物品或其他可识别实体，该流程可用于制作基础的内容讲解、实体概览、故事片段或主题介绍视频。它尤其适合需要把一段文字拆分为多个视觉对象的任务。

对于主要依赖抽象观点、复杂关系或连续动作的内容，使用时应先考虑文本中的实体是否足以支撑画面组织；如果实体较少，生成的视频结构可能相对简单。

输入文字时，可以优先组织为实体较明确、顺序较清晰的短段落。这样便于后续识别实体，并让实体图像按照文字中的处理顺序进入视频。

如果目标是制作主题介绍，可先安排核心实体，再补充与主题相关的其他对象；如果目标是叙事内容，则可以按事件推进顺序组织文字。最终效果取决于实体识别、图像生成以及音视频合成等多个环节的衔接。

应用先从文字生成语音，再提取文字中的实体，为每个实体生成图像，把这些图像串联成视频，最后合并音频与视频。

公开流程说明是针对每个识别出的实体分别生成图像，再把实体图像串联起来。

可以优先使用实体明确、顺序清晰的文字，以便系统识别对象并安排图像在视频中的先后顺序。

使用时需要注意，实体识别是后续图像生成和视频组织的基础。如果文字中的对象表达不清，或不同实体之间缺少明显区分，后续结果可能不容易体现原文结构。

该应用的公开说明覆盖语音生成、实体提取、图像生成、视频串联和音视频合成这些环节，但没有进一步说明输出时长、画面控制方式或编辑选项，因此不宜预先假定具备额外的调整能力。

公开流程描述的是提取实体并分别生成实体图像，再将图像串联成视频；不能据此确定它会生成完整的连续场景。

不是。公开流程还包括文字转语音、图像串联成视频，以及将生成音频与视频合并。

公开说明提到使用 facebook 的 fastspeech2-en-ljspeech 生成语音，使用 Flair NER 模型提取实体，并调用 Multimodalart Space 生成实体图像。