Text to Video

• 時長: 5、10、15、20、25,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,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;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 相同的最長30秒多鏡頭長場景,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、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、10秒或15秒

• 解析度: 最高 1080p

• 最適合: 支援同步音訊生成。基於大規模標註的 NSFW 內容資料集訓練。

• 優勢: 與影片同步生成音訊、更優的時序一致性、更好的提示詞理解能力、更出色的動作品質。

• 權衡: 比更快的模型慢;最佳效果需要清晰、精確的提示詞。

• 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: 從零開始生成帶同步音訊的影片:從簡短的「氛圍」片段到包含多個鏡頭的電影感故事板。基於大規模標註的 NSFW 內容資料集訓練。

• 優勢: 與影片同步生成音訊、嚴格遵循提示詞公式(Subject → Action → Environment → Camera → Lighting → Style → Constraints)、在帶時間碼的多鏡頭場景中表現穩定、支援廣泛的長寬比(16:9、9:16、1:1、4:3、3:4、21:9 或自動)。

• 權衡: 紋理和面部細節不會自動出現,需使用「ultra-sharp detail」或「crisp texture」等具體詞語。將過長、自相矛盾的提示詞拆分為多個獨立提示詞。速度比 Seedance 2.0 Fast Spicy 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: 在速度至關重要時,從文字描述快速生成帶同步音訊的影片,從簡單的「氛圍」片段到帶時間碼的多鏡頭腳本。基於大規模標註的 NSFW 內容資料集訓練。

• 優勢: 與影片同步生成音訊、完全遵循提示詞公式(Subject → Action → Environment → Camera → Lighting → Style → Constraints)、支援廣泛的長寬比、在多鏡頭場景和時間碼下表現穩定。比 Seedance 2.0 Uncensored 更快、更便宜。

• 權衡: 若需要高解析度下的精細紋理和面部特徵,請加入「ultra-sharp detail」和「crisp texture」等具體詞語。拆分過長、矛盾的提示詞。品質低於 Seedance 2.0 Uncensored。

• 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:完全根據你的提示詞講述完整的故事,而不是拉長單一瞬間。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8秒

• 解析度: 最高 720p

• 最適合: 最便宜的選項:不生成音訊,但基於大規模標註的 NSFW 內容資料集訓練。

• 優勢: 細節衝擊力強、對提示詞的遵循度高,擅長表現戲劇性的鏡頭運動和氛圍感調色。每次生成成本最低。

• 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、6秒、8秒、10秒、12秒,或15秒

• 解析度: 480p / 720p / 1080p

• 最適合: 直接根據文字描述生成片段,內建原生音訊,無需參考圖片。

• 優勢: 直接從文字提示詞獲得一致的動作和構圖;每個片段都會自動獲得原生立體聲音軌;支援 16:9、9:16、4:3、3:4、1:1、21:9,或自適應長寬比。

• 權衡: 這裡沒有 Start/End Frame,也沒有 Reference Mode。如需這些功能,請改用 Image to Video。沒有負面提示詞;需將排除項寫在主提示詞末尾。音訊無法關閉。長提示詞會在內部被壓縮,因此簡潔精確的文字通常效果更好。

• 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: 在不需要全價模型時,快速、低成本地生成文字轉影片片段。

• 優勢: 價格約為 MiniMax H3 Max 的一半,速度更快;相同的時長和解析度選項;自動包含原生音訊。

• 權衡: 與 MiniMax H3 Max 在此處的限制相同:沒有 Start/End Frame,沒有 Reference Mode,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。

Wan 2.2 最便宜、最快,但沒有音訊。Wan 2.7 是大多數短片段(5–15 秒)的最佳全能選擇,動作品質更好,音訊始終與影片一同生成(沒有開關)。Wan 3.0 Spicy 適合最長 30 秒的長場景或多鏡頭場景。

可以。上方的 Wan 和 Seedance 模型以最低安全過濾級別運行,非常適合 NSFW 內容。在複雜場景中,Wan 2.7 通常能生成品質更高的結果。MiniMax H3 Max 和 MiniMax H3 Max Turbo 以過濾器開啟狀態運行,僅限 SFW。

在沒有起始圖片的情況下,模型完全依賴文字描述。因此,在提示詞開頭非常詳細地描述角色的外觀、光線和風格非常重要。

使用簡單的姿勢,避免過度的鏡頭運動,並生成多個版本。較小的瑕疵在後期製作中更容易修正。