Image to Video

• 时长: 5、10、15、20、25,或30秒

• 分辨率: 480p / 720p / 1080p

• 最适合: 通过 Reference Mode 为图片添加动画(最多9张参考图片,外加最多3个参考音频片段),生成最长30秒的多镜头长片段,可选由模型编写的原生音频。基于大规模标注 NSFW 内容数据集训练。

• 优势: 可通过 Generate Audio 开关自行编写配乐;支持划分为带时间戳镜头的长剧本式提示词;参考标记([img1]、[audio1])可让你精确指定使用哪个上传素材;比早期 Wan 模型具有更强的多主体一致性和镜头控制力。

• 权衡: 最佳效果需要与时长匹配的提示词。短提示词配长时长会把情节和镜头选择交给模型决定。没有负面提示词;不需要的元素必须明确描述。

• 内容说明: 过滤器:最低

• 时长: 5、10、15、20、25,或30秒

• 分辨率: 480p / 720p / 1080p

• 最适合: 与 Wan 3.0 Spicy 相同的 Reference Mode 动画(最多9张参考图片,外加最多3个参考音频片段),生成最长30秒的多镜头长片段,可选由模型编写的原生音频,但返回速度约快 40%。

• 优势: 与 Wan 3.0 Spicy 完全相同的输出质量和功能组合(Generate Audio 开关、剧本式提示词、参考标记、多主体一致性);区别在于等待时间,这在测试想法或微调镜头时很重要。

• 权衡: 对于相同结果,每秒成本高于 Wan 3.0 Spicy;对提示词长度的敏感度相同,同样没有负面提示词。

• 内容说明: 过滤器:最低

• 时长: 5 秒或 10 秒

• 最适合: 在两个明确定义的状态之间进行更可控的动画;流畅的叙事和逼真的角色动作。

• 优势: 支持 Last Frame,实现更平滑的循环和更稳定的结尾。支持 480p、720p 和 1080p。

• 权衡: 比 Pro Fast 慢;在起始/结束帧干净且对齐良好时,过渡效果最佳。

• 内容说明: 过滤级别:最低

• 时长: 5 秒或 10 秒

• 最适合: 快速预览和最便宜的草稿。

• 优势: 生成速度快、成本低,支持 480p、720p 和 1080p。支持 Start Frame 提供简单的动作引导。

• 权衡: 与 Seedance Pro 相比,控制力较弱、质量较低。

• 内容说明: 过滤级别:最低

• 时长: 5 秒、10 秒或 12 秒

• 最适合: 生成短小的电影感视频,音频与视频在统一流程中一起生成。该模型非常适合叙事片段、对话场景、音频驱动的动作,以及直接从提示词或图片生成富有表现力的叙事。

• 优势: Seedance 1.5 Pro 是一个联合音视频生成模型,能在单一流程中生成同步的画面和声音。它提供精确的唇形同步、富有表现力的动作、强指令遵循能力,支持 720p 和 1080p,并包含 Generate Audio 和 Fix camera position 以实现增强控制。

• 权衡: 最佳效果来自清晰的提示词和结构化的指令;复杂场景需要精心设计的提示词,以保持动作连贯性和富有表现力的节奏。

• 内容说明: 过滤级别:最低

• 时长: 5 秒、6 秒、8 秒、10 秒、12 秒、15 秒

• 分辨率: 480p / 720p

• 最适合: 将单张图片作为字面意义上的第一帧进行动画化,创建两帧之间的过渡(首尾帧),或通过 Reference Mode(最多 9 张图片 + 3 段视频 + 3 段音频)转移特征(外观、风格、动作),并基于大规模标注的 NSFW 内容数据集进行了额外训练。

• 优势: 视频开端的高可预测性(构图、姿势和镜头角度与源图片完全一致),使用参考标记 [Image 1]/[Video 1]/[Audio 1] 进行生成,在重复使用同一参考时,画面间角色一致性良好。标准模式下支持视频音频生成。

• 权衡: 三种输入模式的工作方式不同,容易混淆。选错模式会产生与预期不同的结果;源图片的质量直接影响最终效果。比 Seedance 2.0 Fast 慢。

• 内容说明: 过滤级别:最低

• 时长: 5 秒、6 秒、8 秒、10 秒、12 秒、15 秒

• 分辨率: 480p / 720p

• 最适合: 将图片作为字面意义上的第一帧进行动画化,创建两个指定帧之间的过渡(插值),或使用多模态参考(最多 9 张图片、3 段视频和 3 段音频)转移特征。此外还基于大规模标注的 NSFW 内容数据集进行了额外训练。

• 优势: 视频开端的高可预测性(构图、姿势和角度与源图片完全一致);通过 [Image 1] / [Video 1] / [Audio 1] 便捷标注参考,在重复使用单一参考时角色一致性良好,生成时间快。比标准版更快、更便宜。

• 权衡: 容易混淆三种输入模式,选错会产生与预期不同的结果;源图片的质量直接影响最终效果。质量低于标准版。

• 内容说明: 过滤级别:最低

• 时长: 5、10、15、20 或 30 秒

• 分辨率: 480p / 720p / 1080p

• 最适合: 单次生成最长30秒的多镜头长场景,讲述完整的故事,而不是拉长单个瞬间。可动画化 Start Frame(或 Start + End Frame),或开启 Reference Mode 使用最多30张参考图片和10个参考音频片段,在提示词中以 [img1]、[audio1] 引用。基于大规模标注的 NSFW 内容数据集训练。

• 优势: 画面更自然、更少“AI感”:镜头转场、主体稳定性、光照以及皮肤和眼睛细节均有提升;带时间戳的提示词(“0–5s: …, 6–10s: …”)可控制何时发生什么;可通过 Generate Audio 开关生成可选原生音频。

• 权衡: 最贵的 Seedance 模型。1080p 的价格约为 720p 的 3.4 倍,建议先用 480p/720p 测试。不支持负面提示词。即使开启 Generate Audio,视频也可能没有音频。

• 内容说明: 过滤级别:最低

• 时长: 5 秒或 10 秒

• 最适合: 使用单个音频文件(WAV、MP3)实现唇形同步、呼吸、有节奏的身体动作,以及音频反应式场景。

• 优势: 与音频高度同步,面部和身体动作富有表现力。支持 480p、720p 和 1080p。

• 权衡: 效果高度依赖音频质量;设计目标是富有表现力的动作,而非复杂的镜头设置。

• 内容说明: 过滤级别:最低

• 时长: 5 秒、8 秒。

• 最适合: 带有自定义 LoRA 风格控制的超快图生视频。非常适合希望直接从单张图片获得电影感动作、个性化角色外观和一致视觉风格的创作者。

• 优势: WAN 2.2 是一个超快的图生视频模型,能从静态图片生成动态的 720p 视频,并支持自定义 LoRA 来定义角色的动作和行为。LoRA 用于控制角色的移动方式、姿势以及与镜头的互动方式,从而在多次生成中保持一致的动作模式。

• LoRA 风格模板:

  该平台提供了一个庞大的 LoRA 风格模板库,可在生成过程中自动应用。这些模板让你能快速选择预设的动作风格和角色动态,无需手动调整提示词,即可在多个视频中保持一致的动作和视觉表现。

• 权衡: WAN 2.2 + LoRA 专注于速度和一致性。

• 内容说明: 过滤级别:最低

• 时长: 5 秒、10 秒或 15 秒

• 最适合: 生成带音频的高质量图生视频、更长的片段,以及带同步声音的富有表现力的动作。

• 优势: 音频同步效果好,面部动画和身体动作富有表现力,支持 720p 和 1080p。

• 权衡: 效果取决于输入质量和提示词清晰度;最适合可控场景。

• 内容说明: 过滤级别:最低

• 时长: 5 秒、10 秒或 15 秒

• 最适合: 快速生成、快速测试、社交媒体工作流程,以及批量内容生产。

• 优势: 渲染时间显著更快,原生支持音频,动作富有表现力,支持 720p 和 1080p。

• 权衡: 与 Wan 2.7 相比,视觉一致性略低;主要针对速度进行了优化。

• 内容说明: 过滤级别:最低

• 最适合: 生成带音频的图生视频、更长的片段,以及带同步声音的富有表现力的动作、电影感的生成效果、流畅的镜头运动、逼真的角色,以及高质量的最终渲染。

• 优势: 改善的时序一致性、更好的提示词理解、增强的动作质量,支持 720p 和 1080p。

• 权衡: 比 Ultra Fast 模型慢;最佳效果需要清晰的提示词和高质量的输入图片。

• 内容说明: 过滤级别:最低

• 时长: 5秒、8秒

• 最适合: 超快图生视频生成,直接从单张图片获得一致的视觉风格,并基于大规模标注的 NSFW 内容数据集进行了额外训练。

• 优势: 细节冲击力强,对参考图片的遵循度高,擅长表现戏剧性的镜头运动和氛围感调色。

• 权衡: 过滤较为宽松,意味着你需要保持提示词精确;若追求极端效果,解剖结构和细节可能出现偏差。

• 内容说明: 过滤级别:最低

• 时长: 5 秒、10 秒、15 秒

• 最适合: 生成带音频的高质量图生视频、更长的片段,以及带同步声音的富有表现力的动作,并基于大规模标注的 NSFW 内容数据集进行了额外训练。

• 优势: 改善的时序一致性、更好的提示词理解、增强的动作质量,支持 720p 和 1080p。

• 权衡: 比 Ultra Fast 模型慢;最佳效果需要清晰的提示词和高质量的输入图片。

• 内容说明: 过滤级别:最低

• 时长: 5秒 / 10秒 / 15秒

• 最适合: 在使用自定义 LoRA 控制风格的同时,快速从图片生成视频。非常适合希望获得电影感动作、个性化角色外观和一致视觉风格的创作者,全部基于单张图片。

• 优势: WAN 2.7 是一个图生视频转换模型,能从静态图片生成带合成音频的动态 720p 或 1080p 视频,并支持自定义 LoRA 来定义角色的动作和行为。LoRA 用于控制角色的移动方式、姿势以及与镜头的互动方式,确保多次生成中动作模式的一致性。无需提示词。

• LoRA 风格模板: 该平台提供了一个庞大的 LoRA 风格模板库,可在生成过程中自动应用。这些模板让你能快速选择预设的动作风格和角色动态,无需手动调整提示词,即可在多个视频中保持一致的动作和视觉表现。

• 权衡: WAN 2.7 + LoRA 优先考虑质量和一致性。添加提示词可能与默认提示词冲突,导致生成视频出错,或使 LoRA 失效。

• 内容说明: 过滤级别:最低

• 时长: 5 秒或 10 秒

• 最适合: 带原生音频支持的高质量 SFW 视频生成。非常适合说话的角色、对话场景、品牌内容、产品展示,以及需要音频和画面一起生成的逼真短片段。支持首帧,可控制动作的开始方式。

• 优势: 该模型是一个原生音视频生成模型,意味着视频和音频在单一流程中同时创建。它能生成与画面动作对齐的同步语音和声音,呈现逼真的面部动画和稳定的身份特征,并支持 1080p 分辨率。该模型内置了 Generate Audio,可为稳定、无镜头运动的画面创建内置音频。

• 权衡: 针对真实感和干净、符合品牌调性的效果进行了优化,而非极端风格化;最佳表现来自清晰的提示词和可控的动作。

• 内容说明: 安全过滤:开启

• 时长: 5秒、6秒、8秒、10秒、12秒,或15秒

• 分辨率: 480p / 720p / 1080p

• 最适合: 为 Start Frame、End Frame,或两者动画化,并使用 Reference Mode 从你自己的图片、视频,和音频中引导风格、角色,或声音:最多9张参考图片、3个参考视频,和3个参考音频片段(总计12个文件)。

• 优势: 参考标记(Image 1、Video 1、Audio 1)可让你精确指定使用哪个上传素材;每个片段都会自动获得原生立体声音轨,无需开关;灵活的宽高比(16:9、9:16、4:3、3:4、1:1、21:9,或自适应)。

• 权衡: 全价,大约是 MiniMax H3 Max Turbo 的两倍。没有负面提示词,不需要的元素需写在主提示词末尾。音频无法关闭。长提示词会在内部被压缩,因此更简短精确的描述通常效果更好。

• 内容说明: 过滤器:开启。仅限 SFW,不支持 NSFW 内容。

• 时长: 5秒、6秒、8秒、10秒、12秒,或15秒

• 分辨率: 480p / 720p / 1080p

• 最适合: 在不需要参考图片、视频,或音频时,进行快速、低成本的 Start/End Frame 动画。

• 优势: 价格约为 MiniMax H3 Max 的一半,速度更快;同样的 Start Frame / End Frame / 两者兼有控制选项;自动包含原生立体声音轨。

• 权衡: 没有 Reference Mode。如需图片、视频,或音频参考,请改用 MiniMax H3 Max。没有负面提示词。音频无法关闭。

• 内容说明: 过滤器:开启。仅限 SFW,不支持 NSFW 内容。

• 时长: 6 秒或 10 秒

• 最适合: 动感动画、快速概念片段,以及从单张图片生成富有表现力的动作。

• 优势: 生成速度快,适合充满活力的场景和快速迭代。

• 权衡: 与高端电影感模型相比,稳定性和一致性较低。

• 内容说明: 安全过滤:部分

可以,但建议使用英语。

大多数模型(WAN 和 Seedance Pro)在技术上都能处理非英语语言撰写的提示词。但是,英语能提供最稳定、最可预测的结果,尤其是在动作、镜头方向和情感提示方面。

最佳实践:

在制作和可重复的工作流程中使用英语。其他语言在简单场景中可能有效,但结果的一致性可能较低。

大多数支持音频的模型不需要上传音频文件:Wan 2.5 + Audio、Wan 2.6 + Audio、Wan 2.7 + Audio、Wan 2.7 Spicy、Seedance Pro 1.5、Seedance 2.0 Spicy/Fast Spicy 和 Kling 2.6 + Audio 都可以直接根据文本提示词生成音频。只需描述你想听到的声音,例如:

• “the girl is softly moaning”

• “slow breathing, sensual rhythm”

• “quiet voice, soft exhales”

模型会根据你的提示词自动生成同步音频。只有当你已经有需要精确匹配的特定声音或人声音轨时,才需要音频文件(WAV 或 MP3)。

使用 Wan 3.0 Spicy 时,打开单独的 Generate Audio 开关,模型就会自己创作配乐。开启后如果你没有描述声音,模型会自行编写对白和音乐。如果这很重要,请在提示词中明确描述具体的音频(或静音)(例如 "no dialogue, no background music" 或你想要的具体声音)。

大多数模型每个片段生成 5–15 秒,而 Wan 3.0 Spicy 和 Seedance 2.5 Spicy 可单次生成最长 30 秒,这是 ZenCreator 上最长的单次生成。如果 30 秒以内就够了,只需选择其中一个模型并设置时长,无需串联。

超过 30 秒的视频,可通过串联工作流用多个片段拼接而成:

1) 使用 Start Frame 和 End Frame 生成每个片段:

1. 生成第一个片段。

2. 将该片段的最后一帧用作下一次生成的 Start Frame。

3. 可选择设置 End Frame 来引导最终状态。

4. 重复此过程以延长序列。

这种方法可以:

• 保持画面和动作的连贯性

• 制作几乎任意长度的视频

• 避免突兀的动作变化

此工作流支持 Seedance Pro、Seedance Pro 1.5、Seedance 2.0 Spicy、Seedance 2.0 Fast Spicy、Seedance 2.5 Spicy、Wan 3.0 Spicy、Wan 3.0 Prime Spicy、MiniMax H3 Max 和 MiniMax H3 Max Turbo(哪些模型支持 Start/End Frame,请查看上方的模型卡片)。

2) 片段准备好后(使用 Wan 3.0 Spicy 或 Seedance 2.5 Spicy 时每段最长 30 秒),用 Video Merger 拼接:

1. 添加 2 到 5 个视频

2. 选择合并方式

3. 使用开关选择是否保留视频原声

4. 你还可以选择如何裁剪已上传的视频

5. 点击 Run

这种方法可以:

• 轻松将 2 到 5 个视频片段合并成一个专业水准的视频

• 实现场景之间流畅的转场和自然的衔接

• 精确裁剪片段并控制音频(保留原声或替换)

• 制作更长、高质量且没有突兀剪切的视频,远超单次生成 30 秒的上限

这里的大多数模型以最低过滤级别运行,允许比严格过滤选项更露骨的内容。专为 NSFW 打造的模型是 Wan 2.2 Spicy、Wan 2.7 Spicy、Wan 3.0 Spicy、Seedance 2.0 Spicy、Seedance 2.0 Fast Spicy 和 Seedance 2.5 Spicy。Kling 模型(过滤:开启)限制最为严格,最适合 SFW 内容。

若追求最大的创意自由和大胆的动作,请使用 Wan 2.2 Spicy;若想使用预定义的动作风格来控制角色动作,请使用 Wan 2.2 + LoRA / Wan 2.7 + LoRA。

当你想要以下效果时,请使用 Wan 2.2 + LoRA 或 Wan 2.7 + LoRA:

• 一致的角色动作,

• 预定义的动作行为,

• 无需自行设计提示词,只需从内置模板中选择动作创意即可

在从单张图片生成大量变体时,LoRA 尤其有用。

从 5 秒开始,先验证动作和风格。

效果满意后,再为最终片段切换到更长的时长:大多数模型为 10–15 秒,Wan 3.0 Spicy 和 Seedance 2.5 Spicy 最长可达 30 秒。

可以。你最多可以上传 100 张参考图片,每张图片都会使用相同设置渲染为一个独立的视频片段。

Spicy 模型专为限制较少的 NSFW 生成而训练。常规的最低过滤模型仍然可以处理 NSFW 参考,但它们的构建和训练方式并不相同。

大多数需要,但 Wan 2.7/Wan 2.2 + LoRA 无需提示词即可工作。在那里添加提示词甚至可能与其内置风格冲突并导致错误。

不能。就像任何 AI 工具一样,结果可能会有所不同,偶尔出现错误或瑕疵属于正常现象。如果片段效果不理想,请重试或调整提示词或参考图片。