Castaly · 博客 · 使用指南
图生视频指南：各模型的首帧、尾帧与参考图用法
Castaly 视频模型如何把静图用作首帧、尾帧或参考图，哪些模型支持哪些用法、费用多少，以及三个从静图到成片的完整示例。
想得到心中那段视频，最可靠的办法是先把开场画面做出来。静态图片迭代成本低，一旦画面对了，视频模型只需要决定接下来发生什么。
本文介绍 Castaly 视频模型使用图片的三种方式、各模型分别支持哪些、费用如何，并给出从静图到成片的完整示例。
图片的三种用法
首帧。 图片就是视频的第一帧，模型从它开始往后生成。构图、光线和角色都由你的静图决定。
首尾帧。 再提供一张结尾画面，模型补出两者之间的运动。适合做转场，或让镜头准确落在某个构图上。
参考图片。 模型保留图片中的主体、产品或风格，但重新构建镜头。参考图不会原样出现，角色会出现在提示词描述的新场景里。
大多数同时支持两者的模型把它们当作不同模式：一次请求要么用首尾帧，要么用参考素材，不能兼用。
哪些模型支持什么
| 模型 | 首帧 | 首尾帧 | 参考图片 | 参考视频 | 其他输入 |
|---|---|---|---|---|---|
seedance-2.5 |
✓ | ✓ | 最多 30 张 | 最多 10 段 | 最多 10 段音频 |
seedance-2.0、-fast、-mini |
✓ | ✓ | 最多 9 张 | 最多 3 段 | 最多 3 段音频 |
wan3.0-video、-prime |
✓ | ✓ | 最多 10 张 | 最多 5 段 | 最多 5 段音频、一个文件或网页 |
MiniMax-H3 |
✓ | ✓ | 最多 9 张 | 最多 3 段 | 最多 3 段音频 |
kling-3.0-omni、kling-o1 |
✓ | ✓ | 最多 7 个，可含主体 | 1 段 | |
kling-3.0、kling-2.6 |
✓ | ✓ | 1 张，需搭配 1 段视频 | 1 段，需搭配 1 张图 | |
kling-3.0-turbo、kling-2.5-turbo |
✓ | ||||
wan2.7-i2v |
✓ | ✓ | 驱动音频，或用首段视频代替首帧 | ||
wan2.7-r2v |
✓ | 与视频合计最多 5 个 | 与图片合计最多 5 个 | ||
happyhorse-1.1-i2v |
一张图，必填 | ||||
happyhorse-1.1-r2v |
最多 9 张，必填 |
wan2.7-t2v 和 happyhorse-1.1-t2v 只接受文本。在 Kling 3.0 和 2.6 上，一张参考图加一段参考视频就是动作迁移：图中角色做出视频里的动作。
在创作台里，把图片添加为参考素材，再选择它的角色：首帧、尾帧或参考图片。生成过的作品可以在创作记录里存入素材库，之后直接作为参考素材使用。
图片要多少钱
不额外收费。首帧、尾帧或参考图片在任何模型上都不改变视频价格。一段 5 秒 720p 的 Seedance 2.5 视频，有没有首帧都是 $1.44。
参考视频则不同：Seedance 会把参考视频的时长计入 token，Kling 3.0 Omni 和 Kling O1 带参考视频时改按更高的每秒价格计费。具体数字见 AI 视频价格横评。
所以图生视频的真实成本是"静图 + 视频"。按张计费的图像模型让静图几乎免费：Wan 2.7 Image 每张 $0.0212，Seedream 5.0 Lite 每张 $0.0332。
示例：一张静图作为首帧
静图由 Wan 2.7 Image 以 1536 × 1024 生成：
随后它作为 Wan 2.7 I2V 的首帧。视频提示词没有再描述一遍画面，只写接下来发生什么：
One continuous take, no cuts. The ribbon of film keeps unwinding and speeds up until every frame is lit, tightening into a neon helix that lifts off the deck and climbs past the parapet into the dusk sky, the woman in the cobalt coat turning to follow it up. …
（大意：一镜到底。胶片带继续展开并加速，直到每一格都亮起，收紧成一道霓虹螺旋，离开地面越过护栏升入暮色，穿钴蓝外套的女性转身目送它上升。）
成片保持了静图 3:2 的比例，因为 Wan 2.7 I2V 沿用首帧的比例。想要 16:9 的视频，就先做一张 16:9 的静图。
示例：作为参考，而不是首帧
这一次，静图是要保留的主体，而不是起始画面：
Wan 2.7 R2V 把它作为参考图片，提示词把玻璃花搬到了新的地方：
One continuous take, no cuts. Keep the glass flowers from the reference exactly as they are and carry them into a new place: a wide city crossing at night in the rain. …
（大意：一镜到底。保持参考图中的玻璃花原样不变，把它们带到一个新地方：雨夜里一个宽阔的城市路口。）
玻璃花被保留下来，房间、人物和构图都没有。这就是参考图和首帧的区别。
示例：从首帧生成长镜头
为了一个 10 秒的主视觉镜头，先用 Seedream 5.0 Lite 以 2560 × 1440 生成一张静图，花费 $0.0332，定下场景：黄昏的天文台里，研究员双手按在一本合上的星图上，第一批银色光点正从穹顶彩绘上剥落。随后 Seedance 2.5 把它作为首帧：
One continuous take, no cuts. Every remaining star point tears off the dome at once and pours into a single roaring silver river that spirals around the researcher, knocks the brass instruments off the table and blasts out through the observation slit into the valley. …
（大意：一镜到底。剩下的所有星点同时从穹顶剥落，汇成一条咆哮的银色长河，绕着研究员盘旋，掀翻桌上的黄铜仪器，从观测缝冲向山谷。）
省下生成次数的技巧
- 描述变化，而不是画面。 模型已经看得到这一帧，把提示词留给运动、镜头和要发生的变化。
- 在静图里定好比例。 沿用首帧比例的模型，以及 Seedance 的跟随参考素材比例，都会按图片决定画幅。
- 在图片上迭代，而不是在视频上。 Wan 2.7 Image 生成十张静图只要 $0.21，比大多数视频模型一段 5 秒 720p 视频还便宜。
- 需要精确结尾就给尾帧。 结尾构图重要时，直接提供，而不是指望模型自己落到那里。
- 静图里别放文字。 画面运动时，文字是模型又一个需要保持稳定的细节；上面的提示词都以"no text"结尾。
常见问题
加首帧会让视频变贵吗？
不会。首尾帧和参考图片在任何 Castaly 模型上都不改变价格，只有参考视频会。
能同时使用首帧和参考图片吗？
大多数模型不能在同一请求里兼用。Seedance、Wan 3.0、MiniMax H3 以及 Kling Omni 和 O1 都把首尾帧和参考素材当作不同模式。Wan 2.7 R2V 是例外，允许在参考素材之外再加一张首帧。
哪款模型接受的参考素材最多？
Seedance 2.5：一次请求最多 30 张参考图片、10 段参考视频和 10 段音频。
为什么我的图生视频比例不对？
有些模型沿用首帧的比例。请按你想要的视频比例来制作静图。