BananaBanana 使用指南：13 款 AI 模型、价格与功能

BananaBanana 是一个按量付费的 AI 图像、视频和语音生成平台，用一个 USD 余额就能调用来自四家厂商的十三款模型：六款图像模型（三档 Nano Banana、两档 GPT Image 2.5 和 Qwen Image 3.0 Pro）、七款视频模型（三档 Veo 3.1、两代 Gemini Omni Flash、Wan 3.0 和 Grok Imagine Video 1.5），另有用于配音的 Gemini 3.1 Flash TTS。没有订阅，也不用绑定银行卡。用加密货币或银行卡充值，按生成结果付费。

如果你正在对比各家方案，先看简短版：

• 图片每张 $0.03 到 $0.20，取决于模型和分辨率（512px 到 4K）。
• 无声视频从 $0.10 起，即 Veo 3.1 Lite 上一段 4 秒 720p 的片段。
• 有声视频在 Veo Lite 上从 $0.18 起；Wan 3.0 上 4 秒 480p 只要 $0.20，而且配乐免费。Gemini Omni Flash 按秒计费，从 360p 的 $0.03 到 4K 的 $0.30。
• 语音每 200 个字符 $0.01，30 种声音，一位或两位说话人。
• 充值：20 多种加密货币和稳定币，$1 起；银行卡、PayPal 和 SEPA，$20 起。没有订阅，也就没有什么需要取消的。
• 可控参数：seed、negative prompt、参考图和参考片段、首帧与尾帧、片段延长。原始 API 的大部分参数都搬进了网页界面，同样的模型也能让智能体通过 MCP 调用。
• 新账号自带 $0.20 初始余额，生成失败会自动退款。

这篇文章的第一版是在上线当天发的，那时平台只有七款 Google 模型，文章也只有六个要点外加一个承诺。现在这一版是 2026 年 9 月版：十三款模型，四家厂商，下面每一个示例都是为这篇文章通过我们自己的生产管线生成的。

在 BananaBanana 上能做什么？

图片、短视频片段和语音，每一类都覆盖了绝大多数实际用得上的变体。

图片从 512px 的快速草稿到 4K 导出都行，宽高比有十种，从正方形 1:1 到电影感的 21:9。当某个产品或角色需要在一整组图里保持一致时，可以附上参考图（Nano Banana 2 和 GPT Image 2.5 最多 14 张，Qwen 最多 3 张）。便宜的模型几秒就出图，顶级模型要接近半分钟。

视频现在分成三种思路。Veo 3.1 系列讲究可控：时长精确到 4、6、7 或 8 秒，分辨率最高 4K，配乐可以关掉。Omni Flash 走对话路线：始终带声音，3 到 10 秒按秒计费，用大白话描述修改来一步步迭代。最新的两款一个管长、一个管说话：Wan 3.0 一条就能渲染最长 30 秒，Grok Imagine Video 1.5 会按你写的台词对上口型。

和大多数套壳网站相比，还有一个不那么显眼的区别：我们没有只给一个提示词输入框，而是把每个 API 几乎全部的参数都开放了出来。seed、negative prompt、提示词增强开关、十种宽高比、主体参考、首帧与尾帧、片段延长、音频开关。如果你曾经因为某个工具藏起了你唯一需要的那个设置而放弃它，我们也有过同样的经历，所以这个生成器什么都不藏。

模型之外，是那些枯燥却重要的部分：个人主页里的生成历史、服务商出错时的自动退款、翻译成 15 种语言的界面，以及一个 MCP 服务器，让 Claude、Cursor 或你自己的智能体从同一个余额调用同样的模型。

Nano Banana 图像模型：Lite、标准版和 Pro

Google 的三款图像模型同属一个家族，分工很清楚。Lite 用来跑量，Nano Banana 2 用来获得更高的分辨率余量，Pro 则留给那些人们真的会盯着看的素材。

与其描述差别，不如把同一个提示词分别交给三款模型：黄昏时分，一瓶香蕉汽水摆在被雨打湿的市场柜台上，照片级写实，纸质标签上写着“BANANA SODA”。

Lite（$0.03）氛围和大标题字母都拿捏得很准，但到了小字就悄悄放弃了：logo 下面那一行小字是装饰性的乱码。如果是没人会放大看的插图，这通常就够了。

Nano Banana 2（1K $0.06）把整张标签都渲染得清晰可读，连它自己编出来的“EST. 1974”和容量标注都有，街景也取得更宽。不过它在背景里加的那块菜单板，字是糊的。

Pro（$0.11）赢在字体和光线：带投影的锐利复古字母，下面还有一行可读的手写体。有个好笑的细节：就连 Pro 也把自己编的广告语拼成了“Small Balch”。图像模型处理文字已经进步很大，但校对仍然是你的活。

我们还把 Lite 放在生产环境里跑了一周，写了一篇 什么时候便宜模型就够用，想深入了解省钱思路可以去看看。

GPT Image 2.5 和 Qwen Image 3.0 Pro：其他图像模型

现在有三款图像模型来自 Google 之外。加入它们，是因为一直有人想让同一个提示词听听“第二种意见”。

同一个香蕉汽水提示词，再来两个版本。

Flare（$0.05）是整个阵容里唯一一个把所有文字都写对的模型，包括小字：“Real Banana Flavor, Since 1932”，外加一小串没人要求的香蕉，以及一片看起来像真照片的湿漉漉的市场虚化背景。它花了 36 秒，这就是这份精准的代价。Sunburst 是同一家族，调得更贴合提示词；我不会用它出第一版草稿，而是在版式必须严格对上需求时才用。

Qwen（$0.04）九秒就交了图，大标题是五张里最醒目的，瓶子也最干净，然后在小字上重演了 Lite 的操作：两行像模像样的胡话。它真正的强项是中文、日文、韩文等文字，这些正是 Google 模型还会磕绊的地方；它也是这里最便宜的、带 seed 和 negative prompt 的模型。不过没有 4K。

Veo 3.1 视频：Standard、Fast 和 Lite

Veo 的三档在 我们的生成器 上共用同一套控制项，多付的钱买的是输出质量，主要体现在物理效果和细微的动作上。根据 Google 的 Veo 文档，这个系列支持原生音频、图生视频以及最高 4K 的分辨率，这和我们通过 API 看到的情况一致，只有一条平台层面的说明：Veo 3.1 Lite 最高只到 1080p。

下面的价格是 4 秒到 8 秒片段的区间：

上面这段是 Veo 3.1 Fast：黄金时段里，镜头缓缓推向一张早餐桌，6 秒无声，专门为这篇文章生成，720p 花了 $0.52。注意看热气和窗帘，这种可信的动态正是 Veo 和更便宜的视频模型拉开差距的地方，而 Fast 以 Standard 三分之一的价格保留了其中大部分。

一段视频通常几分钟内就能拿到。算力紧张时，平台会自动重新发起任务，你等待时会看到重试计数。如果最终还是交不了货，钱会退回来。安全过滤器吞掉结果时也是同样的规则：全部被拦截就全额退款，部分被拦截就按比例退款。

跑了几个月之后，我的经验是：分镜和社交媒体草稿用 Lite，日常主力用 Fast，水、布料或碰撞必须看起来对劲，或者交付要求 4K 时，用 Standard。Veo 能延伸得也最远：成片可以每次延长 7 秒，在保持完整连贯的前提下最长到 148 秒。

Omni Flash：边聊边改的有声视频

Gemini Omni Flash 是个异类。Google 在 2026 年 6 月推出了第一代，8 月推出了 Omni 1.1；两代在这里都能用，默认是 1.1。它总会生成配乐，时长 3 到 10 秒，以整秒为单位由你自己设定，按秒计费：360p $0.03，720p $0.10，1080p $0.15，4K $0.30，所以一段三秒草稿是 $0.09，满十秒的 720p 是 $1.00。它接受输入图片：一张首帧、一张可选的尾帧，以及最多三段用于角色或产品的参考片段。如果你更喜欢 1.0 那一代的画面风格，它仍然可用，时长 4、6、8 或 10 秒，720p 或 1080p。

这段请打开声音看。松饼片段是 Omni Flash 的一次生成：一个文字提示词描述枫糖浆浇在一摞松饼上，加上一句明确的“single continuous shot, no scene cuts”（不说这句，Omni 很喜欢自作主张剪进额外的镜头），再加一行“Audio:”，要求在安静的厨房环境音上叠加糖浆轻轻淋下的声音。没有单独做音频。我要的是满 10 秒。

做这段视频时学到一条提示词经验：Omni 会延续首帧里已经在发生的事，而那些安排在之后才开始的动作，它会悄悄丢掉。我最初几版草稿要求“在片段中间左右”把松饼翻面，结果连续三次拿到的都是十秒钟什么也没发生。成功的那一版，把糖浆写成从第一帧起就已经在浇、并且贯穿整段。动作要用进行时来写，而不是写成时间线。

真正值回票价的是编辑功能。每个完成的视频都有编辑按钮，不只是 Omni 生成的：描述一个修改（“改成夜晚，其他一切保持不变”），再为这些秒数付一次钱，模型就会按你的修改重新渲染，同时保留原片的大部分内容。你自己上传的视频也可以，所以一段 Veo 片段或手机拍的视频都能通过 Omni 换风格；结果的时长总是和原片一样。Omni 1.1 还能延长：每一步给上一段追加 3 到 10 秒，总长最多约 40 秒。我们在另一篇 Omni Flash API 评测 里把这个模型拆开讲过，还有一个专门的页面介绍 1.1 改了什么。

Wan 3.0 和 Grok Imagine Video 1.5：长镜头与会说话的片段

这两款是 9 月加入的，补上了 Google 模型留下的空白。

Wan 3.0 是平台上唯一能一次渲染半分钟的模型，而且配乐不额外收费，这让它成了在这里获得有声视频最便宜的方式。代价在高端：30 秒 1080p 要 $6.00，是我们出售的最贵的单次生成。参考片段也计费，所以 15 秒的参考加 15 秒的输出，价格和 30 秒一样。

这艘挂着灯笼的小船是为这篇文章用 Wan 3.0 生成的：720p 十秒，$1.00，一个提示词要求沿着黄昏时萤火虫飞舞的林间小溪拍一个连续的跟拍长镜头，再加一行“Audio:”要水声和蟋蟀声。它一刀未剪地交出了整条镜头，而这恰恰是 Omni 需要你反复叮嘱才肯做到的。烛火对我来说稍微太稳了一点。记得开声音；溪水声是生成的，不是素材库里的。

Grok 是会说话的那一个。咖啡师片段是 720p 六秒（$0.84）：我在提示词里用引号写下她的台词，模型交回了一张开口说话的脸，嘴型和字词对得上。人们正是用这个功能来做 UGC 风格广告的，我们围绕它另写了一篇 AI UGC 视频指南。日志里有两条实话：参考图只在 720p 下生效（首帧在 1080p 也可用）；另外这段视频返回的是 1280×704，而不是真正的 720 行。在手机上没人会发现。较真到看像素的客户也许会。

文字转语音：30 种声音，每 200 个字符一美分

Gemini 3.1 Flash TTS 把文字转成 24 kHz 的 WAV，每开始一个 200 字符计 $0.01，所以大约 900 个字符、60 秒的朗读只要五美分。你可以从 30 种声音里挑一个，或者设置恰好两人的对话，并用普通的话指导语气：“温暖、从容、带一点笑意”，还可以在需要的地方插入 [whispers] 或 [laughs] 这样的行内标签。它和图片、视频在同一个生成器里运行，在 MCP 中则是 generate_speech。

这就是一次生成：150 个字符，Kore 的声音，一行风格说明，要求像放松的旁白而不是广告腔。花费一美分。我不会拿它做有声书，但给产品短片配个旁白，它比等自由职业者打开收件箱快多了。

付款和退款是怎么运作的？

余额以 USD 计价，只有生成成功时才会扣减。网页端的加密货币充值由 0xProcessing 处理：BTC、ETH、SOL、TON、BNB、LTC、TRX、XRP、DOGE 和 BCH，以及 ERC-20、BEP-20、Solana、TON 和 Base 网络上的 USDT、USDC、DAI 和 TUSD 稳定币。总共 20 多种选择，实际上我们大多数用户选的是 TON 或 Solana 这类便宜网络上的稳定币。如果你是第一次转账，这里有一份完整的 加密货币充值教程。银行卡、PayPal 余额和 SEPA 转账则走 PayPal Checkout，每笔 $20 起。

注册只需要一个邮箱，并附赠 $0.20 额度，够你在做任何决定之前生成六张 Lite 图片。如果有人给了你促销码，激活一次，之后每一笔充值都会额外多 +10%。充值金额本身也有奖励，仅限加密货币充值：$50 以上 5%，$100 以上 10%，而且两者可以叠加：激活了促销码再用加密货币充 $100，到账 $120。

什么都不会留存

可以用银行卡付款，但卡片从不经过我们的平台：你点下 PayPal 按钮，卡信息是在 PayPal 自己的窗口里输入的。之后什么都不会保存，也不会自动续费。如果你曾为了一个项目订阅某个 AI 工具，然后因为取消入口藏在三层菜单里而白付了四个月，你就明白这一点为什么重要。充进来的余额在你用完之前都归你；用完了，也不会有任何东西因为你“还在”就继续扣费。说清楚代价：银行卡每笔 $20 起，加密货币大约 $1 起。在 TON 上转 $10 稳定币，手续费几美分，第一次大约五分钟，之后几秒钟。

我们在其他文章里详细讲过 为什么你永远不需要绑卡 和 按张付费与订阅怎么比。退款逻辑值得在这里说清楚，因为生成式 API 失败的频率比任何宣传说的都高。以失败状态结束的生成会自动全额退款，不需要提交任何工单。完整价目表在 价格页面。

推荐计划：每笔充值的 5% 到 15%

你可以在 个人主页 创建最多三个促销码。任何激活了你的促销码的人，之后每笔充值都会多得 +10%，而你会从这些充值中获得佣金：起步 5%，你推荐的用户累计充值超过 $1,000 后升到 10%，超过 $2,000 后是 15%。促销码会一直绑定在买家的账户上，所以奖励和你的佣金会自动作用于每一笔充值，而不仅是第一笔。

两条实话。你不能激活自己的促销码；和你来自同一网络的注册不计入佣金。反作弊检查是故意设得很严的。

FAQ（常见问题）

在 BananaBanana 上生成 AI 图片要多少钱？

每张 $0.03 起（1K 的 Nano Banana 2 Lite，或 512px 的 Nano Banana 2），最高是 Nano Banana Pro 的 4K 图片 $0.20。GPT Image 2.5 是 $0.05 到 $0.18，Qwen Image 3.0 Pro 是 $0.04 到 $0.08。没有订阅，从预付余额里按张付费。

可以免费试用吗？

每个新账号都自带 $0.20 额度，够用最便宜的模型生成六张图，或者生成一段 4 秒带声音的 Wan 3.0 片段。注册不需要任何银行卡信息，只要一个邮箱。

需要信用卡或订阅吗？

开始时不需要卡：用邮箱注册就有 $0.20 余额。之后想充值时再给 USD 余额充值，加密货币约 $1 起，银行卡、PayPal 或 SEPA $20 起，按生成次数付费。没有订阅档位，没用完的余额不会过期，也没有任何东西能自动扣你的钱。

BananaBanana 支持哪些加密货币？

BTC、ETH、SOL、TON、BNB、LTC、TRX、XRP、DOGE、BCH，以及 ERC-20、BEP-20、Solana、TON 和 Base 网络上的稳定币 USDT、USDC、DAI 和 TUSD。

能生成带声音的 AI 视频吗？

能，有四种方式。Veo 3.1 系列有音频开关（带声音的 4 秒片段在 Veo Lite 上 $0.18 起），Wan 3.0 的配乐免费，$0.20 起，Gemini Omni Flash 总会生成音频，每秒 $0.03 起，Grok Imagine Video 1.5 会按你写的台词对口型，每段 $0.56 起。

生成失败会怎样？

全部费用会自动退回到你的余额。对于视频，平台会先自行重试算力类错误；如果安全过滤器拦截了部分输出，未交付的部分按比例退款。