youcutai

如何把照片变成视频

更新于 2026年9月2日 · 8 分钟阅读

图生视频到底做了什么

图生视频以一张静态帧为起点,根据你对运动的简短文字描述生成后续帧。与幻灯片效果(Ken Burns 平移缩放)不同,模型理解画面内容:人像可以眨眼和微微转头,水面可以泛起涟漪,云可以飘动,商品可以旋转,镜头可以像推轨一样穿过场景。

图生视频 工具封装了五个价格和质量不同的模型:

  • Wan 2.2(经济),8 积分:5 秒,480p 到 720p。性价比极高,适合社媒和草稿。
  • LTX-2(快速),6 积分:生成最快,适合在花钱用高端模型前测试提示词。
  • Seedance 1 Pro,12 积分:提示词遵循度高,擅长多镜头叙事。
  • Kling 2.5 Turbo Pro,15 积分:1080p 电影级运镜,广告的全能之选。
  • Veo 3.1,60 积分:顶级画质并自带音频,8 秒。留给最终渲染。

免费账号可用 Wan 和 LTX;Kling 和 Seedance 在 Pro 解锁,Veo 在 Business 解锁。正确的流程是便宜地迭代,最后用顶级模型渲染一次。

第一步:准备静态图片

输出质量取决于输入帧,因为视频的第一帧本质上就是你的照片。

  • 分辨率。 720p 输出至少长边 1280 像素,1080p 需要 1920 像素。照片更小的话先用 AI 图片放大 处理;2 倍只需 1 积分,比一条令人失望的 15 积分视频便宜得多。
  • 比例。 把图片裁成你要发布的比例:抖音、Reels、Shorts 用 9:16;YouTube 和网页用 16:9;信息流用 1:1。工具三种都提供。提前裁剪能避免模型在边缘编造内容来填充新比例。
  • 构图。 主体周围留一些空间。主体贴着画框边缘的话,任何运镜都会把它推出画面。
  • 干净的图。 先去掉自己图片上的文字叠加和水印,否则模型会试图让它们动起来,效果很破。
  • 一个明确的主体。 拥挤的合影比单人或单个商品更难以预测。

第二步:写一条有效的运动提示词

提示词描述的是 运动,而不是画面。模型已经看到了图片,再说"一个穿红裙的女人"是浪费。告诉它随时间发生什么变化。

可靠的结构是:主体运动 + 镜头运动 + 氛围。例如:

  • 她缓缓转头看向镜头,轻轻微笑。镜头缓慢推进。温暖的午后光线,发丝在微风中飘动。
  • 运动鞋绕自身轴旋转 90 度,影棚灯光,地面有细微反光,镜头固定。
  • 云从右向左飘,水面泛起涟漪,无人机缓慢后拉,露出海岸线。

一贯有效的规则:

  1. 一两个动作,不要五个。 塞太多会产生抖动、混乱的结果。
  2. 明确说出运镜:固定、缓慢推进、后拉、左摇、环绕、手持。"固定镜头"被低估了,它让主体运动看起来更自然。
  3. 使用速度词:缓慢、轻柔、细微。模型默认倾向于动得过头。
  4. 必要时说明什么不该动:Logo 保持清晰不变。
  5. 避免静态图做不到的物理:一张关着的门的照片无法可信地展示门后是什么。

先用 LTX-2(6 积分)或 Wan(8 积分)测试提示词。运动效果对了,再切换到 Kling 或 Veo 出最终版。

第三步:选择时长、分辨率并生成

时长 大多数社媒片段设 5 秒;只有运动确实需要时才用 8 或 10 秒,因为更长的片段更容易偏离原图。分辨率 草稿用 720p,交付用 1080p(Kling 和 Veo)。比例 选与裁剪一致的。

点击 生成。典型等待时间:LTX 约 20 到 40 秒,Wan 约一分钟,Kling 一到三分钟,Veo 两到四分钟。可以排队多个变体然后离开页面,完成的任务会出现在历史记录里。

逐帧检查片段的开头和结尾。最常见的缺陷是:

  • 人脸漂移:到第 100 帧人看起来有点不一样了。缩短时长并使用"细微"之类的措辞可以减轻。
  • 手和文字变形:手多出手指,字母移位。在提示词里让手保持不动,或者把手裁掉。
  • 循环接缝:如果打算循环播放,要求运动回到起点,例如 轻轻摇摆,回到原始姿势。

同一提示词生成两三个种子,三选一是标准做法,不是失败的表现。

第四步:导出并使用

下载 MP4(H.264,使用 Veo 时带 AAC 音频)。付费套餐不加水印。各平台上传建议:

  • 抖音 / Reels / Shorts:9:16,1080 x 1920,5 到 10 秒;在平台编辑器里加音乐和字幕。
  • 商品广告:信息流用 1:1 或 4:5,故事用 9:16。固定镜头下 5 秒旋转商品的效果稳定可靠。
  • 网站首图:16:9,导出 720p 控制文件大小,静音循环。
  • 会说话的主持人:需要语音请用 AI 说话照片,图生视频不做口型同步。

想延长一条好片段,把它的最后一帧作为新的源图,用承接的提示词再生成 5 秒。拼接两三段就能以 Wan 的价格得到 15 秒的序列。

如果完全没有照片、只想从文字开始,AI 视频生成 用同样的模型仅凭提示词生成。

常见问题

视频最长多少秒?+

根据模型每次生成 5、8 或 10 秒。用最后一帧作为下一段的源图串联,可以得到更长的序列。

应该从哪个模型开始?+

用 6 积分的 LTX-2 测试提示词,再用 15 积分的 Kling 2.5 Turbo Pro 出 1080p 成品。只有需要原生音频或极致画质时才用 Veo 3.1。

视频有声音吗?+

Veo 3.1 会生成原生音频。其他模型输出无声片段,请在编辑器里添加音乐或配音。

视频可以商用吗?+

Pro 和 Business 套餐包含生成内容的商用授权。你必须拥有源照片或享有相应权利。

← 全部教程

文中提到的工具