图生视频入门：用一张静态图生成AI短片

文生视频让你从零描述场景，但很多实际工作中有一个更高效的起点：一张你已经满意的图片。图生视频模式用静态画面确定场景长什么样，提示词只需专注于它如何运动。这种分工让结果更可控。这篇指南覆盖基础要点：何时使用图生视频、如何准备起始帧、如何撰写运动提示词。

文生视频还是图生视频？

选择哪种模式，取决于你在创作流程中处于哪个阶段。

文生视频适合你还在探索场景应该长什么样的时候，你愿意让模型提出视觉方案。

图生视频适合画面已经确定的情况：产品照、角色设计、营销主视觉或情绪板中的某帧。图片锚定了主体、色调和构图，你的文字可以全部投入到动作和镜头指导上。

并非所有模型都支持图片输入，所以在准备素材之前，先确认你选的模型是否提供图生视频模式。

什么是图生视频（Image-to-Video，I2V）？

图生视频是生成式视频模型的一种输入模式：模型接收一张静态图片作为起始帧（first frame），再依据文字提示词预测并生成后续若干帧，最终合成一段短视频。与纯文生视频（Text-to-Video）完全依靠文字从随机噪声中"想象"画面不同，图生视频把视觉内容的初始化条件交给了图片，模型只需在此基础上推断运动。

这一区别带来两个实际影响。其一是可控性：主体外观、构图、色调、光线都被起始帧锁定，模型没有自由发挥的空间，避免文生视频中常见的"每个片段都长得不一样"的问题。其二是提示词的职责收窄：文字不再需要描述场景长相，只需说明动作、镜头和需要保持的细节，写起来更短、更精确。代价是模型对画面本身的创造力被抑制，若起始帧质量不高，输出也难有突破。

第一步：准备一张有力的起始帧

起始图片承担了大部分工作，所以选图要仔细：

• 主体清晰。 有一个明确的焦点，运动将围绕它展开。
• 留有运动空间。 如果镜头要推进或主体要转身，周围要留出余地。
• 比例正确。 画面宽高比要匹配你计划发布的短片格式。
• 细节干净。 静态图中的小瑕疵在运动中往往会变得更明显。

如果没有合适的图片，先生成一张。把画面确定在静态阶段——比如先在图像生成器中创建起始帧——就把设计决策和运动决策分开了，不会同时处理两件事。

宽高比为什么重要？

主流视频生成模型通常在固定分辨率的画布上工作，比如竖屏 9:16、横屏 16:9 或方形 1:1。当起始帧的宽高比与模型的目标格式不一致时，系统一般会采取两种处理：裁剪掉两侧或上下内容，或者拉伸画面造成变形。前者可能切掉主体，后者会让成品看起来不对劲。

更稳妥的做法是在准备起始帧时就把比例调好。如果你打算发到短视频平台，就直接准备竖屏图；如果用于官网或横屏演示，就用横屏图。另外，多数模型对输入分辨率有上限，过大的图片会被下采样，过小的则可能被放大模糊——一般建议至少 720p 级别，并在提交前确认模型的推荐尺寸。

第二步：确定一个瞬间

短片段只能容纳一个清晰的事件。写提示词之前，先完成这句话：“在这个片段中，观众看到___。”好的答案都是单一节拍：

• 产品旋转，露出标签。
• 晨光渐亮，蒸汽从杯中升起。
• 角色从地图上抬起头，望向群山。

如果你的答案里出现了“然后”，你很可能需要两个片段。

第三步：撰写运动提示词

视觉已由图片定义，提示词应描述三件事：

1. 主体的动作： 什么在动，怎么动。
2. 镜头： 固定、缓慢推进、跟随或平移。
3. 必须保持可识别的细节： 你不希望被改变的要素。

产品照示例：

瓶子缓慢向右旋转，露出正面标签。固定镜头，居中构图。保持瓶身形状和标签颜色不变。

角色插画示例：

她放下纸质地图，转头望向远处的山峰。镜头从她肩后缓慢推进。保持绿色夹克和发型一致。

Nano Banana 3的图生视频模式指南遵循同样的逻辑：给观众一个焦点，选择一个有目的的动作，让镜头与动作相连。它还建议提及任何你希望保持可识别的视觉细节。

什么是"镜头运动"，模型真的理解吗？

在视频生成领域，镜头指令（camera motion）指的是模拟摄影机在场景中的行为，常见类型包括：固定（static / locked-off）、推进（push in / dolly in）、拉远（pull out）、平移（pan）、跟随（tracking）、环绕（orbit）。当你写下"缓慢推进"，模型并非真的移动了一台虚拟摄像机，而是在训练数据中学习过"推进"这一效果对应的像素变化模式——主体逐渐变大、背景向外扩散——并据此生成帧序列。

这意味着镜头指令需要写得直白，最好使用模型训练语料中出现过的常见词汇。模糊的表述如"有电影感地移动"通常无法触发稳定的效果。若你希望镜头保持不动，明确写"固定镜头"比省略不写更可靠，因为许多模型在缺少镜头描述时会自行添加轻微运动。

第四步：检查生成设置

提交之前，确认：

• 输入模式是图生视频，图片已附上。
• 格式匹配短片发布平台。
• 片段长度和分辨率适合用途。
• 显示的费用在本次尝试的预算内。

视频生成通常比图片贵，花十秒检查设置是值得的。

第五步：审视整个片段

带着你那一句话的意图观看完整片段：

• 动作从头到尾是否清晰可读？
• 镜头是否让注意力保持在主体上？
• 重要细节在片段中是否发生了形状或颜色变化？
• 节奏是否适合它的使用场景？

修复常见问题

动作太多。 把提示词缩减为一个主体、一个动作和一个镜头方向。去掉次要运动，比如路人经过或天气变化。

主体扭曲或漂移。 更明确地说明要保留的细节，并检查起始图是否清晰展示了这些细节。

镜头乱晃。 指定简单行为，比如固定视角或缓慢推进，并说明它应该对准什么。

几乎没动。 把动作写得更具体：“向右转”“举起杯子”“门打开”。

每次尝试只改一个元素，这样你能判断是什么解决了问题。

使用权利清晰的图片

起始帧应该是你被允许使用的内容：自己的产品摄影、生成的图片或授权素材。对真实人物的肖像要特别小心。

训练数据、肖像权与商业使用

即使起始帧本身是你合法获得的图片，也要注意最终视频的使用范围。三个需要留意的点：

第一，肖像与人格权。若图片中是可识别的真人，即使照片来自授权素材库，将其用于生成视频往往仍需额外的模特授权，特别是涉及商业宣传时。生成的动作可能与真人的实际行为不符，从而带来误导风险。

第二，模型的服务条款。不同平台对生成内容的商用权限规定不同，有的要求付费订阅才授予商业使用权，有的对生成内容主张部分权利。在使用前阅读你所用模型的服务条款。

第三，可能的训练数据污染。部分模型在训练时接触过受版权保护的素材，其输出偶尔会带有可识别的风格或元素。如果生成结果看起来"像"某位在世艺术家或某个知名 IP，最安全的做法是不要使用或重新生成。

总结

图生视频在把它当作两步流程时效果最好。先用一张有力的静态图锁定画面，然后用简单的镜头指令导演一个清晰的动作瞬间。保持提示词简短具体，提交前检查设置，对照意图审视整个片段。