照片生成视频 AI：让你已有的照片动起来

照片生成视频会把一张你已有的图片变成一段短的运动镜头。这张图不是缩略图，也不是背景图层，而是画面的锚点。模型从你的文件里读取主体、构图、色彩和光线，提示词只负责决定什么该动、镜头该怎么走。

这种分工正是它适用于真实素材的原因。产品、人物、房间或风景的照片本身就包含了最难用文字描述清楚的细节，而一句话非常擅长描述运动——缓慢推近、云在飘、头在转。让图片负责「长什么样」，让提示词负责「怎么动」。

流程很短，而且先做便宜的试稿，既省积分也省时间。

挑一张「有运动余地」的照片。紧凑的人像特写，除了脸几乎没有可动的东西；构图更宽、包含天空、水面、头发、布料或树叶的画面，可动的元素就多。如果是复杂场景，就说明哪一部分该动，避免运动同时扩散得到处都是。

清晰度和均匀的光线比分辨率更重要，因为偏软或有噪点的文件往往产出偏软、抖动的视频。要特别小心已经印在画面里的文字和标志：模型会重新渲染画面，原本清晰的字母可能被扭曲成看不懂的东西。必须逐像素精确的内容，请留在生成画面之外，后期再合成。

因为输入是图片而不是视频，所以它按普通生成计费：按条、按时长与分辨率。720p 与 1080p 同价，4K 每条更贵。新账号无需绑卡即得 300 积分，够做 3 条 4 秒测试，或 2 条默认 6 秒视频。

它是给已有素材加运动的最省钱方式。商品图变成产品短片，风景照变成 b-roll，人像变成一条社交短视频，概念图变成可以直接给人看的东西，而不必再靠描述。只要替代方案是约拍摄或买素材授权，先试试让这张静图动起来都值得。

但当画面必须逐字不变时，它就是错的工具——截图、文档、示意图，或者必须与文件完全一致的包装渲染图。生成模型会重塑它看到的东西，这既是它的价值，也正是它不能承担像素级精确要求的原因。

第一个错误是描述画面本身，而不是运动。模型已经能看到照片，用文字复述它的内容既浪费提示词，也可能把结果推离你的文件。把这句话花在「第一秒到最后一秒之间什么变了」上。

第二个错误是直接用最高规格测试。4 秒 1080p 试稿是最便宜的有效输出，确认运动读得懂后再上更长时长或 4K。第三个错误是画幅不匹配：为横屏构图拍的照片，在 9:16 里会被裁得很难看；先定发布渠道，再挑一张适配它的源图，而不是先产出一条发不出去的视频。