AI 图片生成视频:一张图变成带声音的短视频
更新于 2026-10-15
手里有一张好看的图,想让它动起来、再配上声音,这就是「图生视频」。和从一句话生成视频相比,图生视频把构图、人物长相、画面风格都交给了图片,模型只需要负责「接下来发生什么」,所以成片更稳定、更像你想要的样子。
这篇教程以 VGEN 上的 MiniMax H3 为例,讲清楚三件事:什么样的图适合拿来生视频,提示词应该写什么、不该写什么,以及生成失败时怎么改。
先选方式:单张图,还是首尾帧
- 单张图(图生视频):图片作为视频的第一帧,模型往后生成动作。适合让人物动起来、让风景有风有水、让产品转一圈。
- 首尾帧:再给一张结尾图,模型负责补中间的过程。适合产品变化(未开封 → 打开)、人物换装、场景转场这类「必须落在某个画面」的需求。
- 参考素材:最多 6 张参考图,锁定人物或产品的样子,但不要求第一帧就是某张图。适合同一个角色要出好几条视频的情况。
第一次用,先从单张图开始。少一个变量,就少一种翻车的可能。
什么样的图适合生视频
- 清晰:模糊、压缩严重的图,生成出来只会更糊。先放大、修清楚再用。
- 主体完整:人物的手、脸不要被裁掉一半,不然动起来容易长出奇怪的东西。
- 比例和视频一致:要竖屏视频就用竖图(9:16),要横屏就用横图(16:9),避免被裁切。
- 留出运动空间:人物想往前走,前方就要有路;镜头想推近,主体就不要已经顶满画面。
提示词:写动作、镜头和声音,不要再写长相
这是图生视频最常见的错误:把图里已经有的东西再描述一遍。「一个长发女孩,穿白裙子,站在海边」—— 这些图里都有了,再写一遍,模型反而会去「改」她的长相和衣服。
图生视频的提示词只需要回答三个问题:
- 发生什么:一个能被看见的动作。「她转过身,看向镜头笑了一下」,不要写「她很开心」。
- 镜头怎么动:「固定机位」「镜头缓慢推近」「跟随拍摄」「环绕一圈」。不写的话,镜头常常会乱晃。
- 听见什么:MiniMax H3 能画面和声音一起生成。写一句「声音:海浪声,远处有海鸥叫」,比后期再配音省事得多。
可以直接套用的模板
把每一格换成你自己的内容:
【动作】她慢慢转过身,看向镜头微笑,头发被风吹起;【镜头】固定机位,轻微推近;【氛围】傍晚逆光,暖色调;【声音】海风声,远处有海鸥叫。
更多例子
- 产品图:「瓶子在台面上缓慢旋转一圈,水珠沿瓶身滑落;镜头固定,微距;声音:轻快的电子音乐。」
- 风景照:「云层缓慢移动,湖面泛起波纹,一只鸟从右侧飞过;镜头缓慢向前推;声音:风声和鸟叫。」
- 人物照:「他抬起手里的咖啡喝了一口,放下杯子,看向窗外;镜头固定;声音:咖啡馆的嘈杂人声,他轻声说「今天下雨了」。」
- 老照片:「照片里的人轻轻眨眼,微微点头微笑;镜头固定;声音:轻柔的钢琴声。」
在 VGEN 上怎么操作
- 打开 开始创作,切到「生视频」,模型选 MiniMax H3。
- 在「首尾帧」里上传图片:只放一张就是图生视频,放两张就是首尾帧(第一张开头,第二张结尾)。
- 写提示词:动作 + 镜头 + 声音。不确定怎么写,可以先写一句简单描述,用「提示词优化」自动扩写。
- 选时长和清晰度:第一次建议 5 秒、720p,便宜也快;满意了再出 1080p 或更长的版本。
- 生成后不满意,改提示词里的一处再试,不要一次改很多地方。
按条付费:5 秒 720p 大约 9.5 积分(1 元 = 100 积分,约 1 毛钱),10 秒约 17 积分。生成失败自动退还积分,不用包月。
常见翻车怎么改
- 人脸变了:提示词里删掉对外貌的描述;动作幅度改小一点;图片换一张脸部更清晰的。
- 画面几乎不动:动作写得太虚。把「氛围感」「唯美」换成具体的动作,比如「转身」「抬手」「风吹起头发」。
- 动作乱、肢体扭曲:一条视频只放一个主要动作。5 秒里又走路又转身又挥手,很容易崩。
- 镜头乱晃:明确写「固定机位」或者只写一种镜头运动。
- 声音不对:把「听见什么」单独写成一句,写具体的声音来源,而不是「有氛围的音乐」。
- 结尾不是想要的样子:改用首尾帧,把结尾画面直接给模型。
延伸阅读
想系统学 MiniMax H3 的提示词写法,看 MiniMax H3 使用手册:六块积木写法、四种生成方式、翻车急救和练习题。
视频生成出来不够清楚,看 AI 视频超清修复:先出 720p 挑满意的,再放大到 1080p / 1440p。