Stable Diffusion大师班：AI艺术图像与视频创作31讲（中英字幕）

这套 31 讲的 Stable Diffusion 大师班，主题相对集中：不是泛讲 AI 绘画概念，而是围绕 Stable Diffusion 这条技术线，把静态图像生成、ControlNet 控制、无限缩放（Infinite Zoom）和 AI 视频生成串成一条可操作的链路。中英字幕的存在意味着原始讲解可能是英文，字幕用于降低跟练门槛，但真正的价值在于它把工作流拆成了可以对照复现的模块，而不是只给成品展示。

课程覆盖的技术栈与边界

从目录结构看，内容集中在几个方向：Stable Diffusion 基础界面与模型加载、ControlNet 的人物姿态控制、基于 SD 的 AI 视频生成、无限缩放效果，以及若干应用场景。这里没有扩散到 Midjourney 或商业闭源工具，主线就是本地或云端部署 Stable Diffusion 之后的实际操作。对已经装好 WebUI 或 ComfyUI、但不知道下一步该调什么参数的开发者来说，这个范围比较对路——它假设你已经有运行环境，重点放在「怎么用」而不是「怎么装」。

ControlNet 部分明确提到把人物姿态放进作品，这对应的是 OpenPose 一类的控制网络。实际工程里，这意味着你要理解预处理器的选择、控制权重、起止步数，以及和主模型、LoRA 之间的叠加关系。课程如果能把这几层关系讲清楚，就比单纯调 prompt 有价值得多，因为姿态控制直接决定出图的可控性和复用性。

项目结构与可复用模块

Infinite Zoom 和 AI 视频这两块值得单独看。前者本质上是图像序列的生成逻辑：通过逐帧缩放、插值或外推，把单张图扩展成连续镜头。它依赖的不只是 SD 本身，还涉及帧间一致性、潜空间插值和后期合成。后者则涉及 AnimateDiff、SVD 或类似的视频扩散方案。这两部分如果讲得细，能直接迁移到短视频素材生成、动态分镜或概念预演的工作流里。

应用场景那一讲更像是把前面模块做组合：把 ControlNet 控制的角色放进连续镜头，再叠加缩放或视频生成。对做工程的人来说，这就是一个可拆解的最小系统——输入是参考图和姿态，中间是控制网络和采样参数，输出是图像序列或视频片段。理解这个结构之后，换模型、换 LoRA、换控制方式都是在同一框架里替换组件。

适合拿来对照实践而不是空看

这类课程最容易出现的问题是「看的时候懂，上手就废」。原因通常不是讲解不清，而是缺少参数记录和失败案例。建议的用法是：每看一个模块，先在本地用固定种子跑一遍基线，再按课程调整一个变量，记录输出差异。ControlNet 部分重点记录预处理器和权重；Infinite Zoom 部分重点记录缩放步长和插值方式；视频部分重点记录帧数和运动模块的配置。这样这套资料才会变成你自己的参数手册，而不是一次性视频。

另外，31 讲的体量不算小，但真正需要反复看的是控制网络和视频生成那几节。基础部分可以快进，扩展应用可以当索引，遇到具体需求再回来查。中英字幕对术语对照有帮助，比如采样器、调度器、控制网络这些词，看英文原词更容易和官方文档、GitHub issue 对上。

自学路径建议

• 先确认环境：WebUI 或 ComfyUI 能正常出图，模型目录结构清楚。
• 再看 ControlNet 相关章节，用一个固定角色图做姿态替换实验，记录三组权重下的差异。
• 接着做 Infinite Zoom，从单张图生成短序列，重点观察边缘畸变和帧间闪烁。
• 最后进入视频生成，把前面生成的序列或新图作为输入，对比不同运动模块的输出稳定性。

整体来看，这套资料适合已经跨过安装门槛、想把 Stable Diffusion 从「抽卡出图」推进到「可控生成加视频扩展」的开发者。它的价值不在覆盖广度，而在于把 ControlNet、Infinite Zoom 和 AI 视频这几个具体方向放在同一门课里，方便对照实践和拆解复用。