AI 图生视频：将静态照片转化为动态视频的完全指南

AI 图生视频是一种视频生成技术。模型将一张静态图片作为视频的首帧，然后“脑补”后续发生的一切：动作、镜头移动、光影变化，有时甚至包含声音。你只需提供一张照片和一段关于画面如何运动的文字描述，模型就能生成一段 4 到 10 s 的短视频，让你的静态画面活过来。

简短版本如下：在 BananaBanana 生成器中上传照片，描述动态效果，等待 2–5 分钟即可。使用 Veo 3.1 Lite 生成 4s 无声视频仅需 $0.10 起，带声音的版本为 $0.18，而 Gemini Omni Flash 则能以 $1.00 的固定价格生成带有完整配乐的动画视频。新账户可免费获得 $0.10 额度，刚好够进行一次无声视频的测试。

我们在生产环境中运行着四个视频模型，因此这篇指南完全基于真实的生成日志，而非营销宣传页。这其中也包含了失败的案例，因为有些失败经历反而比成功的尝试更有启发性。

AI 图生视频的原理是什么？

在底层，静态图像会作为控制帧（conditioning frame）传给模型。谷歌的 Gemini API 视频文档提到 Veo 3.1 支持“基于图像的引导”（image-based direction）和“特定帧生成”（frame-specific generation）。通俗点说，就是你的图片决定了整个视频的方向，而且你可以将特定帧固定在你想要的位置。模型会读取画面场景，推测物理规律（比如照片中的水流该如何起伏、头发在风中如何飘动），然后从起始点开始，逐帧向前渲染。

这就带来了一个实际效果：输出视频的首帧几乎像素级还原了你的原图，而之后的每一帧都是模型凭空“想象”出来的。因此，优秀的提示词应该把字数花在描述“想象的动态”上，而不是重复描述模型已经能看到的静态画面。

对于那些本就暗含动态潜能的场景，这种方法的效果好得惊人。比如人像会呼吸、眨眼；咖啡会冒出热气；停着的汽车开始启动行驶。但如果照片本身毫无动态可能性，效果就没那么理想了：比如给它一张白底的扁平产品渲染图，且提示词中没有提供任何运动线索，你通常只会得到一个缓慢、略显局促的变焦镜头。这没翻车，但确实挺无聊的。

哪款模型最适合进行照片转视频？

平台上的所有四款视频模型都支持将图像作为首帧。它们在性能上限和生成成本上存在差异。

我个人默认首选 Veo 3.1 Fast。它保留了实用的控制功能（精确的视频长度、可选的尾帧、视频延长），价格却只有旗舰模型的一半。对于社交媒体尺寸的输出，它与完整版 Veo 3.1 的画质差距很难察觉。价格为 $0.10 的 Lite 模型是我在花大钱之前，用来测试某个创意是否可行的地方。当视频涉及水流、织物、碰撞，或者交付标准要求 4K 时，完整版 Veo 3.1 就物有所值了。如果声音和画面同样重要，Omni Flash 是不二之选；我们在另一篇 Omni Flash API 测评中对其进行了详细剖析，如果你想了解细节可以去看看，其中也提到了 720p 的分辨率上限，说实话，在全屏播放时这个上限确实有点差强人意。

上面这段视频是我们在生产线中用 Veo 3.1 Fast 为本文生成的示例：桌上放着一个帆船相框，提示词要求相框里的海水开始波动，同时镜头缓慢推近。一次成功，未经修剪，且特意保持无声（Fast 的无声档正是我们制作草稿时的选择）。这种“照片复活”的效果，基本上就是模型对你上传的图片所做的事情。

如何一步步将照片生成视频

在 BananaBanana 生成器上的整个操作流程大约只需一分钟，其余就是等待渲染。

1. 将生成器切换到视频模式并选择一个模型。初次尝试的话，选择 $0.10 的 Veo 3.1 Lite 是低成本上手的最佳方式。
2. 上传你的照片作为视频首帧。支持 JPG 或 PNG 格式。图片会被裁剪为所选的视频宽高比，因此在生成前请留意边缘画面。
3. 选择 16:9 或 9:16 比例。竖屏比例非常适合 TikTok 和 Reels，模型处理肖像构图时毫无压力。
4. 编写运动提示词（见下一节），还可以选择性填写最长 1,000 字符的负向提示词，排除不想要的元素。
5. 选择视频长度以及是否需要音频。在 Veo 模型中这些是精确的设置；Omni Flash 则会自动决定长度。
6. 点击生成。视频生成大约需要 2–5 分钟。期间你可以关闭标签页，生成结果会在历史记录中保留 30 天。

我们仅在视频生成成功时扣除余额。渲染失败会自动退款，这在视频生成中尤为重要，因为你需要不断微调和迭代。

如何为图生视频撰写运动提示词？

原则一：描述运动，而非场景。场景信息已经包含在照片中了。“A woman in a red coat stands on a bridge”是把宝贵的提示词浪费在模型已经知晓的事实上。而同样长度的 “She turns toward the camera and smiles as wind lifts her hair, slow dolly-in”（她转向镜头并微笑，微风拂动她的头发，镜头缓慢推进）则全是有效信息。

镜头控制词在 Veo 中能发挥巨大作用。比如 “Dolly in”（镜头推近）、“orbit”（环绕轨道）、“handheld”（手持）、“static tripod shot”（静态三脚架拍摄）、“slow pan left”（镜头缓慢向左平移）。这些模型显然是用带有专业镜头描述的视频素材训练出来的，因此它们对电影专业词汇的响应远比“让画面动感起来”这种模糊表述更可靠。我建议完全避免使用“动感”或“充满活力”这类词。没人说得清它是什么意思，模型也一样。

我们在为本博客制作演示视频时交了昂贵的学费，得到了一个教训：这些模型会延续第一帧中已经在发生的动作，而悄悄忽略预定在后面才开始的动作。我们曾尝试让 Omni Flash 在“视频中间左右”翻转煎饼，结果得到了连续 10s 煎饼静止不动的画面。连续试了三次，相当于每次都白白花了 1 美元。后来我们将动作重写为“动作已在进行中”，结果一次就成功了。所以说，“syrup is pouring onto the stack”要好于“syrup starts pouring after two seconds”。对于图生视频而言，最好选择一张看起来动作已经处于“进行中”的初始照片。

以下是几个百试百灵的经典模式：

• 人像： “subtle breathing, a slow blink, then a small smile; camera locked”（轻微呼吸，缓慢眨眼，然后微微一笑；镜头锁定）。这样看起来很自然，不会出现大幅度运动带来的诡异扭曲（诡异谷效应）。
• 产品： “slow 180-degree orbit around the object, studio lighting stays constant”（镜头围绕物体缓慢进行 180 度环绕，影棚灯光保持恒定）。这是最常用的万能公式，记得让源照片的背景保持简洁。
• 风景： 指明运动的元素（如 “clouds drift right, grass sways, light shifts warmer”——云朵向右漂移，草地随风摇曳，光线变暖），否则模型很容易退回到单调的变焦效果。

循环视频、尾帧与 148 s 长视频

Veo 3.1 模型不仅支持首帧，还支持可选的尾帧。给它两张不同的照片，它就能渲染出两者之间的过渡动画，这就是如何将白天的场景无缝演变为夜景，或者将草图转化为成品的原理。如果首尾帧使用同一张照片，你就能得到一段首尾无缝衔接的视频：这是一个完美的循环，非常适合用作网页背景或制作微动摄影（cinemagraph）帖子。这是我在这个平台上最喜欢的、但常被低估的功能。

视频延长（Extension）是 Veo 的另一个绝活。你可以使用新的提示词将一段已完成的视频延长 7 seconds，整条视频链最长可达 148 seconds，且能保持完美的视觉连贯性（仅限 Veo 3.1 和 Fast；Lite 和 Omni Flash 不支持此功能）。从你拥有的一张照片开始，生成一条超长的视频链，这是目前 API 能提供的、最接近“无需故事板即可拍电影”的方法。当然，这也会产生叠加费用，因此在爱上这个创意之前，请先做好预算。

Omni Flash 则用“对话式编辑”取代了延长功能：你可以对已生成的视频描述一处修改（例如“改成黄昏时分，其他保持不变”），然后支付 1 美元进行修改。这是完全不同的产品理念——编辑旨在精雕细琢某一个瞬间，而延长则是不断拉长视频的时间线。

常见问题解答

我能免费将照片转化为视频吗？

几乎可以。新注册的 BananaBanana 账户附赠 $0.10 额度，且无需绑定信用卡，这刚好够你用照片生成一段 Veo 3.1 Lite 级别的 4s 无声视频。之后则按视频单支计费，起步价为 $0.10。

最便宜的图生视频 API 选项是什么？

在 BananaBanana 上是 Veo 3.1 Lite：无声 4s 720p 视频为 $0.10，带声音的为 $0.18。该价格针对每次成功生成收费，失败自动退款，无需订阅，也无需设置 Google Cloud。

生成的视频能包含声音吗？

可以。Veo 3.1 模型配有音频开关（会根据你在提示词中描述的对话、特效和氛围音来生成音频），而 Gemini Omni Flash 则是默认生成音频，已包含在 $1.00 的固定价格中。

我可以为 TikTok 或 Reels 制作竖屏照片动画吗？

可以，所有四款模型都支持 9:16 比例。上传照片，选择 9:16，但要注意源照片会被裁剪到该比例，因此在原图中请在顶部留出足够的空间。

由照片生成的 AI 视频最长可以达到多少秒？

在 Veo 模型中，单支视频长度通常为 4–8 s（Omni Flash 会自行决定 3–10 s 的长度）。不过，Veo 3.1 和 Veo 3.1 Fast 的视频可以通过 7-second 的单步延长，最长延长至 148 seconds，且能完美保持原图的视觉连贯性。