文生视频与文生图的区别

很多人第一次打开生成工具，会顺手把出图那套提示词丢进视频框里，结果出来一段糊动几下就变形的东西，还以为是模型不行。问题多半在于你把两种任务的底层逻辑当成一回事了。这篇按原理、控制手段、成本与返工方式拆开对照，让你在动手前就知道该选哪条路，以及哪一步最容易白花钱。

刚接触生成式创作的人常犯一个错：把出图那套提示词原封不动丢进视频工具，结果得到一段蠕动两下就变形的画面，然后怪模型不行。问题不在模型，在于你把「拍一张照片」和「拍一段小视频」当成了同一件事。本文按原理、提示词、返工方式、成本节奏四条线拆开对照，让你在点生成之前就知道该选哪条路。

先说结论方向：图是空间问题，视频是空间加时间的问题；图可以重抽碰运气，视频的容错空间小得多。理解这一点，后面的写法、预算和排查才有依据。下面逐节讲清楚。

本质差别：一次成画 vs 一帧一帧连起来

文生图本质是单次快照，模型只要在空间上把像素摆对：主体位置、颜色、光影合理就交差。文生视频多了一个时间维度，除了每帧要像样，还得保证前后帧连贯——上一秒的脸下一秒不能崩，衣服花纹不能随机跳。这是额外的硬约束，不是把图连起来播那么简单。

• 图能靠重抽碰运气，开十次总有一张能用；视频首帧歪了后面全歪，翻车是连锁的。
• 画面元素越多、动作越复杂，视频的崩坏概率上升得比图快得多，因为时间上任何一个环节断了整段就废。
• 判断标准：如果最终交付物是静止的（海报、封面、产品图），不要为了「看起来高级」硬上视频。
• 不适用情形：需要轻微呼吸感、光斑缓动这类几乎无叙事的氛围片，视频仍有价值，但别指望它讲清动作。

提示词写法不一样：描述画 vs 描述变化

图提示词偏向名词堆叠：主体是谁、什么风格、什么光线、什么构图、什么画幅，目标是把某一帧钉死。视频提示词要多写动词和镜头语言：谁在动、往哪个方向动、镜头是推是摇、这几秒里发生了什么变化。把「一个女孩站在窗边」写成「女孩缓缓转头看向窗外，镜头从她背后慢慢推近」，才是视频该有的写法。

主体加运动的写法拆解和对比示例，可以参考站内 video-prompt-subject-camera 的讲解思路，那里把「主体词 + 动作词 + 镜头词」的拼接顺序讲得比较清楚。

可控性与返工方式：改图能局部改，改视频往往整段重来

图上改起来灵活：局部重绘、扩图、换背景，动一处不影响其余部分，相当于在已有成品上打补丁。视频目前主流做法还是整段重生成，或者退一步先出图、再让图动起来，也就是图生视频那条路。后者把不确定性压在首帧上，可控性明显好于纯文生视频。

1. 先看首帧暂停在视频开头，首帧人物、构图、光影是否成立？首帧不成立，后面不用看，直接重出。
2. 再看动作幅度动作是否写得太满导致变形？把动作词减半、时间拉长试一次，多数废片卡在这一步。
3. 最后怀疑提示词前面两项都没问题还崩，再回头改描述结构，比如把主体和镜头词拆开重写。

视频返工是按秒放大的，改一处代价约等于重做一条。

不适用情形：做多段拼接的长片时，单段返工得连同前后段一起对节奏，不能只盯这一条看，否则接回来会发现速度对不上。

成本与出片节奏：按张和按秒是两本账

出图按张或按步计费，一次失败只是损失一张；视频常按秒或按条计费，重生成一次就是几倍开销。视频还要算排队时间，热门时段出片等待明显长于出图。具体单价和时段规律，到 /official-api 和 /price-watch 核对当时的数字，别拿印象里的旧价做预算。

动手前先到 /tools/model-cost-calculator 按当时的数字算一遍：这批活预计出多少张图、出多少秒视频，各自乘上对应单价，再留三成返工余量，才是你真正要花的钱。免费额度内的试水不算成本账，但正式交付前一定换成付费口径重算。

怎么选：先问交付物是动的还是静的

选择逻辑其实很简单：先看交付物。静态成品直接走文生图；要动起来，再判断有没有必要用纯文生视频。需要人物一致、构图可控的短片，优先图生视频，把不确定性压在首帧上；要讲一段有镜头切换的故事，直接按分镜逐段生成，别指望一条提示词出完。

• 交付静帧：海报、封面、产品图 → 文生图，多抽几次挑好的。
• 交付短片但要求人物一致 → 图生视频，先出满意的首帧再驱动。
• 交付有叙事的多镜头 → 按分镜逐段生成，最后剪辑拼接。
• 纯氛围、无明确动作 → 可以试文生视频，但把动作词压到最低。
• 交付前对一遍水印、导出格式与商用范围，别等客户看完才发现不能用。