Text to Video

• 时长: 5、10、15、20、25,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,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;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 相同的最长30秒多镜头长场景,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、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、10秒或15秒

• 分辨率: 最高 1080p

• 最适合: 支持同步音频生成。基于大规模标注的 NSFW 内容数据集训练。

• 优势: 与视频同步生成音频、更优的时序一致性、更好的提示词理解能力、更出色的动作质量。

• 权衡: 比更快的模型慢;最佳效果需要清晰、精确的提示词。

• 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: 从零开始生成带同步音频的视频:从简短的"氛围"片段到包含多个镜头的电影感故事板。基于大规模标注的 NSFW 内容数据集训练。

• 优势: 与视频同步生成音频、严格遵循提示词公式(Subject → Action → Environment → Camera → Lighting → Style → Constraints)、在带时间码的多镜头场景中表现稳定、支持广泛的宽高比(16:9、9:16、1:1、4:3、3:4、21:9 或自动)。

• 权衡: 纹理和面部细节不会自动出现,需使用"ultra-sharp detail"或"crisp texture"等具体词语。将过长、自相矛盾的提示词拆分为多个独立提示词。速度比 Seedance 2.0 Fast Spicy 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: 在速度至关重要时,从文字描述快速生成带同步音频的视频,从简单的"氛围"片段到带时间码的多镜头脚本。基于大规模标注的 NSFW 内容数据集训练。

• 优势: 与视频同步生成音频、完全遵循提示词公式(Subject → Action → Environment → Camera → Lighting → Style → Constraints)、支持广泛的宽高比、在多镜头场景和时间码下表现稳定。比 Seedance 2.0 Uncensored 更快、更便宜。

• 权衡: 若需要高分辨率下的精细纹理和面部特征,请加入"ultra-sharp detail"和"crisp texture"等具体词语。拆分过长、矛盾的提示词。质量低于 Seedance 2.0 Uncensored。

• 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:完全根据你的提示词讲述完整的故事,而不是拉长单个瞬间。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8秒

• 分辨率: 最高 720p

• 最适合: 最便宜的选项:不生成音频,但基于大规模标注的 NSFW 内容数据集训练。

• 优势: 细节冲击力强、对提示词的遵循度高,擅长表现戏剧性的镜头运动和氛围感调色。每次生成成本最低。

• 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、6秒、8秒、10秒、12秒,或15秒

• 分辨率: 480p / 720p / 1080p

• 最适合: 直接根据文字描述生成片段,内建原生音频,无需参考图片。

• 优势: 直接从文字提示词获得一致的动作和构图;每个片段都会自动获得原生立体声音轨;支持 16:9、9:16、4:3、3:4、1:1、21:9,或自适应宽高比。

• 权衡: 这里没有 Start/End Frame,也没有 Reference Mode。如需这些功能,请改用 Image to Video。没有负面提示词;需将排除项写在主提示词末尾。音频无法关闭。长提示词会在内部被压缩,因此简洁精确的文字通常效果更好。

• 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: 在不需要全价模型时,快速、低成本地生成文字转视频片段。

• 优势: 价格约为 MiniMax H3 Max 的一半,速度更快;相同的时长和分辨率选项;自动包含原生音频。

• 权衡: 与 MiniMax H3 Max 在此处的限制相同:没有 Start/End Frame,没有 Reference Mode,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。

Wan 2.2 最便宜、最快,但没有音频。Wan 2.7 是大多数短片段(5–15 秒)的最佳全能选择,动作质量更好,音频始终与视频一同生成(没有开关)。Wan 3.0 Spicy 适合最长 30 秒的长场景或多镜头场景。

可以。上方的 Wan 和 Seedance 模型以最低安全过滤级别运行,非常适合 NSFW 内容。在复杂场景中,Wan 2.7 通常能生成质量更高的结果。MiniMax H3 Max 和 MiniMax H3 Max Turbo 以过滤器开启状态运行,仅限 SFW。

在没有起始图片的情况下,模型完全依赖文字描述。因此,在提示词开头非常详细地描述角色的外观、光线和风格非常重要。

使用简单的姿势,避免过度的镜头运动,并生成多个版本。较小的瑕疵在后期制作中更容易修正。