image-to-video怎么用？图生视频的输入要求与运镜控制

手里有一张满意的主图，想让它动起来，结果传上去不是糊成一片就是镜头乱飞。问题多半不在模型，而在图片本身不达标、描述写成了画面复述、运镜没写清。这篇按「先看输入、再写动作、最后管镜头」的顺序讲一遍，附一份选型对照和出错后的排查步骤，也写明哪些素材不适合走这条路。

手里有一张满意的主图，想让它动起来，结果传上去不是糊成一片就是镜头乱飞。这种情况多半不是模型不行，而是图片本身没过关、描述写成了画面复述、运镜又没交代清楚。按「先看输入、再写动作、最后管镜头」的顺序走一遍，返工次数能降不少。

下面按喂什么图、怎么写动作、怎么控运镜、怎么选平台、崩了怎么查五段讲，每段都给能直接照做的判断标准和动作。需要对照各家参数和当时的数字，一律去站内页面核对，别凭印象。

一、先看输入：这张图能不能喂

图生视频的第一步不是选平台，是审图。同一句提示词，喂一张主体清晰、背景干净的主图，和喂一张糊图或元素堆满的图，出来的东西完全两回事。审图这事花两分钟，比后面重抽五轮都值。

• 主体清晰不糊：放大到实际画幅看边缘，主体轮廓发虚的先别传
• 主体占比别太小：主体在画面里占比过小，模型会去动背景而不是动你要的东西
• 边缘干净：主体周围没有杂乱元素、没有半截别人的手或腿伸进来
• 画幅比例和目标视频一致：不一致时平台多半裁切或补边，动起来的构图和你想的不一样

这几类素材别硬上

• 带水印或大段文字的主图，文字动起来会扭曲变形，很难修
• 多人挤在一起、主体分不清的合影，模型不知道该让谁动
• 商品细节密度过高的图，比如花纹密集的织物，一动就糊成一片
• 人脸占比过小却要求五官动作的图，脸太小模型给不出细节

二、动作描述怎么写才不打架

很多人写提示词像在复述画面：把图里有什么又描述了一遍，再顺手加上四五个动作。模型读到这种描述会挑一个做，或者全做乱。动作描述的原则是「一句话一个主要动作」，其余交给镜头那一段。

节奏词比形容词有用。慢、轻微、持续这类词能约束幅度，而「很自然」基本没信息量。想加时长或分辨率要求，先到 /official-api 对照目标平台当时支持的档位再写，写超了要么被截断要么直接失败。

主体动作和镜头动作分开写

一段写「谁做什么」，另一段写「机位怎么走」。混在一句里，模型很难判断这个动作是人物做还是镜头做，容易出一条主体和镜头互相打架的片子。分开写还有个好处：镜头那段可以单独替换，方便做选型实测。

三、运镜控制：推拉摇移怎么落到提示词里

运镜控制的关键是站在机位视角说话。写「镜头缓慢推近主体」，而不是「画面变大」。前者模型理解成相机在动，后者理解成图像被缩放，出来的东西不是一回事。

• 一次只指定一个镜头运动，多个运动叠在一起时只有少数平台能稳定执行
• 要多镜头效果就分段生成再剪，别指望一次出完整分镜
• 分段手法和拼接工具看 /ai-nav/category/ai-video-edit
• 同一段镜头描述换不同平台跑，差异更容易判断，适合拿来做选型实测

运镜写的是相机怎么走，不是画面怎么变。分不清这两件事，控运镜就无从谈起。

四、选型：什么情况选谁

选型按需求挑，不按名气挑。先想清楚自己最在意什么：是首尾帧一致，还是镜头时长，还是出片速度。这三件事往往不能同时占全，得排个优先级。

小团队先别包年。拿两到三个真实素材各跑一轮，比参数页更说明问题。速度和排队的基线可以用 /tools/speed-test 量一次，心里有数再决定充值档位。

五、效果不对时的排查顺序

效果崩了别乱改。按变量逐个换，每次只动一个，才能定位到底是图的问题、词的问题还是平台的问题。顺序错了，改十轮也说不清是谁的锅。

1. 第一步：换图不换提示词同一句提示词换一张构图更好的主图，看结果是否变好。变好说明问题出在输入而不是描述。
2. 第二步：换提示词不换图把动作砍到只剩一个，看是否变稳。变稳说明之前是描述过载，不是图不行。
3. 第三步：换平台不换素材同一张图、同一句词跑第二家。若只有一家崩，就不用再改自己的素材，问题在平台侧。跑测方法和口径参考 /tools/verify#probes。
4. 第四步：记录在同一行把图、提示词、平台记在同一行里。返工时能一眼看出哪个变量变过，避免重复试错。