Image to Video

• 時長: 5、10、15、20、25,或30秒

• 解析度: 480p / 720p / 1080p

• 最適合: 透過 Reference Mode 為圖片添加動畫(最多9張參考圖片,外加最多3個參考音訊片段),生成最長30秒的多鏡頭長片段,可選由模型編寫的原生音訊。基於大規模標註 NSFW 內容資料集訓練。

• 優勢: 可透過 Generate Audio 開關自行編寫配樂;支援劃分為帶時間戳鏡頭的長劇本式提示詞;參考標記([img1]、[audio1])可讓你精確指定使用哪個上傳素材;比早期 Wan 模型具有更強的多主體一致性和鏡頭控制力。

• 權衡: 最佳效果需要與時長匹配的提示詞。短提示詞配長時長會把情節和鏡頭選擇交給模型決定。沒有負面提示詞;不需要的元素必須明確描述。

• 內容說明: 過濾器:最低

• 時長: 5、10、15、20、25,或30秒

• 解析度: 480p / 720p / 1080p

• 最適合: 與 Wan 3.0 Spicy 相同的 Reference Mode 動畫(最多9張參考圖片,外加最多3個參考音訊片段),生成最長30秒的多鏡頭長片段,可選由模型編寫的原生音訊,但返回速度約快 40%。

• 優勢: 與 Wan 3.0 Spicy 完全相同的輸出品質和功能組合(Generate Audio 開關、劇本式提示詞、參考標記、多主體一致性);區別在於等待時間,這在測試想法或微調鏡頭時很重要。

• 權衡: 對於相同結果,每秒成本高於 Wan 3.0 Spicy;對提示詞長度的敏感度相同,同樣沒有負面提示詞。

• 內容說明: 過濾器:最低

• 時長: 5 秒或 10 秒

• 最適合: 在兩個明確定義的狀態之間進行更可控的動畫;流暢的敘事和逼真的角色動作。

• 優勢: 支援 Last Frame,實現更平滑的循環和更穩定的結尾。支援 480p、720p 和 1080p。

• 權衡: 比 Pro Fast 慢;在起始/結束幀乾淨且對齊良好時,過渡效果最佳。

• 內容說明: 過濾級別:最低

• 時長: 5 秒或 10 秒

• 最適合: 快速預覽和最便宜的草稿。

• 優勢: 生成速度快、成本低,支援 480p、720p 和 1080p。支援 Start Frame 提供簡單的動作引導。

• 權衡: 與 Seedance Pro 相比,控制力較弱、品質較低。

• 內容說明: 過濾級別:最低

• 時長: 5 秒、10 秒或 12 秒

• 最適合: 生成短小的電影感影片,音訊與影片在統一流程中一起生成。該模型非常適合敘事片段、對話場景、音訊驅動的動作,以及直接從提示詞或圖片生成富有表現力的敘事。

• 優勢: Seedance 1.5 Pro 是一個聯合音視訊生成模型,能在單一流程中生成同步的畫面和聲音。它提供精確的唇形同步、富有表現力的動作、強指令遵循能力,支援 720p 和 1080p,並包含 Generate Audio 和 Fix camera position 以實現增強控制。

• 權衡: 最佳效果來自清晰的提示詞和結構化的指令;複雜場景需要精心設計的提示詞,以保持動作連貫性和富有表現力的節奏。

• 內容說明: 過濾級別:最低

• 時長: 5 秒、6 秒、8 秒、10 秒、12 秒、15 秒

• 解析度: 480p / 720p

• 最適合: 將單張圖片作為字面意義上的第一幀進行動畫化,創建兩幀之間的過渡(首尾幀),或透過 Reference Mode(最多 9 張圖片 + 3 段影片 + 3 段音訊)轉移特徵(外觀、風格、動作),並基於大規模標註的 NSFW 內容資料集進行了額外訓練。

• 優勢: 影片開端的高可預測性(構圖、姿勢和鏡頭角度與源圖片完全一致),使用參考標記 [Image 1]/[Video 1]/[Audio 1] 進行生成,在重複使用同一參考時,畫面間角色一致性良好。標準模式下支援影片音訊生成。

• 權衡: 三種輸入模式的工作方式不同,容易混淆。選錯模式會產生與預期不同的結果;源圖片的品質直接影響最終效果。比 Seedance 2.0 Fast 慢。

• 內容說明: 過濾級別:最低

• 時長: 5 秒、6 秒、8 秒、10 秒、12 秒、15 秒

• 解析度: 480p / 720p

• 最適合: 將圖片作為字面意義上的第一幀進行動畫化,創建兩個指定幀之間的過渡(插值),或使用多模態參考(最多 9 張圖片、3 段影片和 3 段音訊)轉移特徵。此外還基於大規模標註的 NSFW 內容資料集進行了額外訓練。

• 優勢: 影片開端的高可預測性(構圖、姿勢和角度與源圖片完全一致);透過 [Image 1] / [Video 1] / [Audio 1] 便捷標註參考,在重複使用單一參考時角色一致性良好,生成時間快。比標準版更快、更便宜。

• 權衡: 容易混淆三種輸入模式,選錯會產生與預期不同的結果;源圖片的品質直接影響最終效果。品質低於標準版。

• 內容說明: 過濾級別:最低

• 時長: 5、10、15、20 或 30 秒

• 解析度: 480p / 720p / 1080p

• 最適合: 單次生成最長30秒的多鏡頭長場景,講述完整的故事,而不是拉長單一瞬間。可動畫化 Start Frame(或 Start + End Frame),或開啟 Reference Mode 使用最多30張參考圖片和10個參考音訊片段,在提示詞中以 [img1]、[audio1] 引用。基於大規模標註的 NSFW 內容資料集訓練。

• 優勢: 畫面更自然、更少「AI感」:鏡頭轉場、主體穩定性、光線以及皮膚和眼睛細節均有提升;帶時間戳的提示詞(「0–5s: …, 6–10s: …」)可控制何時發生什麼;可透過 Generate Audio 開關生成可選原生音訊。

• 權衡: 最貴的 Seedance 模型。1080p 的價格約為 720p 的 3.4 倍,建議先用 480p/720p 測試。不支援負面提示詞。即使開啟 Generate Audio,影片也可能沒有音訊。

• 內容說明: 過濾級別:最低

• 時長: 5 秒或 10 秒

• 最適合: 使用單個音訊檔案(WAV、MP3)實現唇形同步、呼吸、有節奏的身體動作,以及音訊反應式場景。

• 優勢: 與音訊高度同步,面部和身體動作富有表現力。支援 480p、720p 和 1080p。

• 權衡: 效果高度依賴音訊品質;設計目標是富有表現力的動作,而非複雜的鏡頭設置。

• 內容說明: 過濾級別:最低

• 時長: 5 秒、8 秒。

• 最適合: 帶有自訂 LoRA 風格控制的超快圖生影片。非常適合希望直接從單張圖片獲得電影感動作、個性化角色外觀和一致視覺風格的創作者。

• 優勢: WAN 2.2 是一個超快的圖生影片模型,能從靜態圖片生成動態的 720p 影片,並支援自訂 LoRA 來定義角色的動作和行為。LoRA 用於控制角色的移動方式、姿勢以及與鏡頭的互動方式,從而在多次生成中保持一致的動作模式。

• LoRA 風格範本:

  該平台提供了一個龐大的 LoRA 風格範本庫,可在生成過程中自動應用。這些範本讓你能快速選擇預設的動作風格和角色動態,無需手動調整提示詞,即可在多個影片中保持一致的動作和視覺表現。

• 權衡: WAN 2.2 + LoRA 專注於速度和一致性。

• 內容說明: 過濾級別:最低

• 時長: 5 秒、10 秒或 15 秒

• 最適合: 生成帶音訊的高品質圖生影片、更長的片段,以及帶同步聲音的富有表現力的動作。

• 優勢: 音訊同步效果好,面部動畫和身體動作富有表現力,支援 720p 和 1080p。

• 權衡: 效果取決於輸入品質和提示詞清晰度;最適合可控場景。

• 內容說明: 過濾級別:最低

• 時長: 5 秒、10 秒或 15 秒

• 最適合: 快速生成、快速測試、社群媒體工作流程,以及批量內容生產。

• 優勢: 渲染時間顯著更快,原生支援音訊,動作富有表現力,支援 720p 和 1080p。

• 權衡: 與 Wan 2.7 相比,視覺一致性略低;主要針對速度進行了優化。

• 內容說明: 過濾級別:最低

• 最適合: 生成帶音訊的圖生影片、更長的片段,以及帶同步聲音的富有表現力的動作、電影感的生成效果、流暢的鏡頭運動、逼真的角色,以及高品質的最終渲染。

• 優勢: 改善的時序一致性、更好的提示詞理解、增強的動作品質,支援 720p 和 1080p。

• 權衡: 比 Ultra Fast 模型慢;最佳效果需要清晰的提示詞和高品質的輸入圖片。

• 內容說明: 過濾級別:最低

• 時長: 5秒、8秒

• 最適合: 超快圖生影片生成,直接從單張圖片獲得一致的視覺風格,並基於大規模標註的 NSFW 內容資料集進行了額外訓練。

• 優勢: 細節衝擊力強,對參考圖片的遵循度高,擅長表現戲劇性的鏡頭運動和氛圍感調色。

• 權衡: 過濾較為寬鬆,意味著你需要保持提示詞精確;若追求極端效果,解剖結構和細節可能出現偏差。

• 內容說明: 過濾級別:最低

• 時長: 5 秒、10 秒、15 秒

• 最適合: 生成帶音訊的高品質圖生影片、更長的片段,以及帶同步聲音的富有表現力的動作,並基於大規模標註的 NSFW 內容資料集進行了額外訓練。

• 優勢: 改善的時序一致性、更好的提示詞理解、增強的動作品質,支援 720p 和 1080p。

• 權衡: 比 Ultra Fast 模型慢;最佳效果需要清晰的提示詞和高品質的輸入圖片。

• 內容說明: 過濾級別:最低

• 時長: 5秒 / 10秒 / 15秒

• 最適合: 在使用自訂 LoRA 控制風格的同時,快速從圖片生成影片。非常適合希望獲得電影感動作、個性化角色外觀和一致視覺風格的創作者,全部基於單張圖片。

• 優勢: WAN 2.7 是一個圖生影片轉換模型,能從靜態圖片生成帶合成音訊的動態 720p 或 1080p 影片,並支援自訂 LoRA 來定義角色的動作和行為。LoRA 用於控制角色的移動方式、姿勢以及與鏡頭的互動方式,確保多次生成中動作模式的一致性。無需提示詞。

• LoRA 風格範本: 該平台提供了一個龐大的 LoRA 風格範本庫,可在生成過程中自動應用。這些範本讓你能快速選擇預設的動作風格和角色動態,無需手動調整提示詞,即可在多個影片中保持一致的動作和視覺表現。

• 權衡: WAN 2.7 + LoRA 優先考慮品質和一致性。添加提示詞可能與預設提示詞衝突,導致生成影片出錯,或使 LoRA 失效。

• 內容說明: 過濾級別:最低

• 時長: 5 秒或 10 秒

• 最適合: 帶原生音訊支援的高品質 SFW 影片生成。非常適合說話的角色、對話場景、品牌內容、產品展示,以及需要音訊和畫面一起生成的逼真短片段。支援首幀,可控制動作的開始方式。

• 優勢: 該模型是一個原生音視訊生成模型,意味著影片和音訊在單一流程中同時創建。它能生成與畫面動作對齊的同步語音和聲音,呈現逼真的面部動畫和穩定的身份特徵,並支援 1080p 解析度。該模型內建了 Generate Audio,可為穩定、無鏡頭運動的畫面創建內建音訊。

• 權衡: 針對真實感和乾淨、符合品牌調性的效果進行了優化,而非極端風格化;最佳表現來自清晰的提示詞和可控的動作。

• 內容說明: 安全過濾:開啟

• 時長: 5秒、6秒、8秒、10秒、12秒,或15秒

• 解析度: 480p / 720p / 1080p

• 最適合: 為 Start Frame、End Frame,或兩者動畫化,並使用 Reference Mode 從你自己的圖片、影片,和音訊中引導風格、角色,或聲音:最多9張參考圖片、3個參考影片,和3個參考音訊片段(總計12個檔案)。

• 優勢: 參考標記(Image 1、Video 1、Audio 1)可讓你精確指定使用哪個上傳素材;每個片段都會自動獲得原生立體聲音軌,無需開關;靈活的長寬比(16:9、9:16、4:3、3:4、1:1、21:9,或自適應)。

• 權衡: 全價,大約是 MiniMax H3 Max Turbo 的兩倍。沒有負面提示詞,不需要的元素需寫在主提示詞末尾。音訊無法關閉。長提示詞會在內部被壓縮,因此更簡短精確的描述通常效果更好。

• 內容說明: 過濾器:開啟。僅限 SFW,不支援 NSFW 內容。

• 時長: 5秒、6秒、8秒、10秒、12秒,或15秒

• 解析度: 480p / 720p / 1080p

• 最適合: 在不需要參考圖片、影片,或音訊時,進行快速、低成本的 Start/End Frame 動畫。

• 優勢: 價格約為 MiniMax H3 Max 的一半,速度更快;同樣的 Start Frame / End Frame / 兩者兼有控制選項;自動包含原生立體聲音軌。

• 權衡: 沒有 Reference Mode。如需圖片、影片,或音訊參考,請改用 MiniMax H3 Max。沒有負面提示詞。音訊無法關閉。

• 內容說明: 過濾器:開啟。僅限 SFW,不支援 NSFW 內容。

• 時長: 6 秒或 10 秒

• 最適合: 動感動畫、快速概念片段,以及從單張圖片生成富有表現力的動作。

• 優勢: 生成速度快,適合充滿活力的場景和快速迭代。

• 權衡: 與高端電影感模型相比,穩定性和一致性較低。

• 內容說明: 安全過濾:部分

可以,但建議使用英語。

大多數模型(WAN 和 Seedance Pro)在技術上都能處理非英語語言撰寫的提示詞。但是,英語能提供最穩定、最可預測的結果,尤其是在動作、鏡頭方向和情感提示方面。

最佳實踐:

在製作和可重複的工作流程中使用英語。其他語言在簡單場景中可能有效,但結果的一致性可能較低。

大多數支援音訊的模型不需要上傳音訊檔案: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 都可以直接根據文字提示詞生成音訊。只需描述你想聽到的聲音,例如:

• “the girl is softly moaning”

• “slow breathing, sensual rhythm”

• “quiet voice, soft exhales”

模型會根據你的提示詞自動生成同步音訊。只有當你已經有需要精確匹配的特定聲音或人聲音軌時,才需要音訊檔案(WAV 或 MP3)。

使用 Wan 3.0 Spicy 時,開啟獨立的 Generate Audio 開關,模型就會自己創作配樂。開啟後如果你沒有描述聲音,模型會自行編寫對白和音樂。如果這很重要,請在提示詞中明確描述具體的音訊(或靜音)(例如 "no dialogue, no background music" 或你想要的具體聲音)。

大多數模型每個片段生成 5–15 秒,而 Wan 3.0 Spicy 和 Seedance 2.5 Spicy 可單次生成最長 30 秒,這是 ZenCreator 上最長的單次生成。如果 30 秒以內就夠了,只需選擇其中一個模型並設定時長,無需串接。

超過 30 秒的影片,可透過串接工作流程用多個片段組合而成:

1) 使用 Start Frame 和 End Frame 生成每個片段:

1. 生成第一個片段。

2. 將該片段的最後一幀用作下一次生成的 Start Frame。

3. 可選擇設定 End Frame 來引導最終狀態。

4. 重複此過程以延長序列。

這種方法可以:

• 保持畫面和動作的連貫性

• 製作幾乎任意長度的影片

• 避免突兀的動作變化

此工作流程支援 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(哪些模型支援 Start/End Frame,請查看上方的模型卡片)。

2) 片段準備好後(使用 Wan 3.0 Spicy 或 Seedance 2.5 Spicy 時每段最長 30 秒),用 Video Merger 拼接:

1. 新增 2 到 5 個影片

2. 選擇合併方式

3. 使用開關選擇是否保留影片原聲

4. 你還可以選擇如何裁剪已上傳的影片

5. 點擊 Run

這種方法可以:

• 輕鬆將 2 到 5 個影片片段合併成一個專業水準的影片

• 實現場景之間流暢的轉場和自然的銜接

• 精確裁剪片段並控制音訊(保留原聲或替換)

• 製作更長、高品質且沒有突兀剪接的影片,遠超單次生成 30 秒的上限

這裡的大多數模型以最低過濾級別運行,允許比嚴格過濾選項更露骨的內容。專為 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(過濾:開啟)限制最為嚴格,最適合 SFW 內容。

若追求最大的創意自由和大膽的動作,請使用 Wan 2.2 Spicy;若想使用預定義的動作風格來控制角色動作,請使用 Wan 2.2 + LoRA / Wan 2.7 + LoRA。

當你想要以下效果時,請使用 Wan 2.2 + LoRA 或 Wan 2.7 + LoRA:

• 一致的角色動作,

• 預定義的動作行為,

• 無需自行設計提示詞,只需從內建範本中選擇動作創意即可

在從單張圖片生成大量變體時,LoRA 尤其有用。

從 5 秒開始,先驗證動作和風格。

效果滿意後,再為最終片段切換到更長的時長:大多數模型為 10–15 秒,Wan 3.0 Spicy 和 Seedance 2.5 Spicy 最長可達 30 秒。

可以。你最多可以上傳 100 張參考圖片,每張圖片都會使用相同設置渲染為一個獨立的影片片段。

Spicy 模型專為限制較少的 NSFW 生成而訓練。常規的最低過濾模型仍然可以處理 NSFW 參考,但它們的構建和訓練方式並不相同。

大多數需要,但 Wan 2.7/Wan 2.2 + LoRA 無需提示詞即可工作。在那裡添加提示詞甚至可能與其內建風格衝突並導致錯誤。

不能。就像任何 AI 工具一樣,結果可能會有所不同,偶爾出現錯誤或瑕疵屬於正常現象。如果片段效果不理想,請重試或調整提示詞或參考圖片。