图生视频

图生视频从你提供的画面开始生成，而不是仅凭提示词。它是最可靠的画面控制方式——因为第一帧不再靠猜。

首帧

上传一张图，它就是片子的开场画面。这时提示词要描述接下来发生什么，而不是画面长什么样：

女子转头看向窗外并露出微笑。
镜头缓慢推近。其余部分保持静止。

再把画面重复描述一遍（「一个穿红大衣的女子在咖啡馆里」）是浪费提示词——这些模型已经看得到。把字数花在动作上。

再上传第二张图，它会成为结束画面，模型生成两者之间的过渡。想要可控的结果时用这个方式——角色从一个姿势变到指定的另一个姿势，或者场景变成一个已知的终点，而不是模型自由发挥。

两张图要像同一个镜头里的画面。互不相关的两张图只会得到硬切或者一团糊。

上传时较大的图会被压到长边 2048 px 再发送，所以传 6000 px 的母版没有意义。但要用画质最干净的源：压缩噪点、颗粒和水印会带进输出的每一帧。

一旦提供首帧，输出会跟随这张图的画幅——画面比例控件不再生效，因为模型是在延展你的画面，而不是重新构图。如果需要特定比例，先把输入图裁成那个比例再上传。

模型、时长、分辨率、音频和参考素材的用法与文生视频完全一致，积分计算方式也相同。

任何一条完成的片子都可以作为下一条的起点：取它的尾帧，作为新一次生成的首帧，再写下一段的提示词。用这种方式把 5 秒的镜头串起来，比一次性要 20 秒可控得多，花费也一样。

现象	常见原因
几乎不动	提示词在描述画面而不是动作。指定一个具体动作。
主体扭曲、融化	在太短的时间里要求了太多动作。加长时长，或者缩小动作幅度。
忽略尾帧	两帧差距太大，插不出中间过程。让两帧更接近，或拆成两次生成。
输出画幅不对	这是预期行为——输出跟随输入画面。先裁剪输入图。
人脸逐渐走样	补充同一个人的参考图，或者把镜头做短一点。

还是没解决？联系我们页面列出了需要提供哪些信息，方便我们查看具体那次生成。