> This is a page from the ElevenLabs documentation. For a complete page index, fetch https://elevenlabs.io/docs/llms.txt. For the full documentation in a single file, fetch https://elevenlabs.io/docs/llms-full.txt. # 图片和视频 ## 概述 Image & Video 可根据简单的文字描述或参考图片创建高质量视觉内容。生成任意风格的静态图片或动态视频，再通过补充提示词持续优化、提升分辨率，甚至添加音频口型同步。可将成品导出为独立文件，或直接导入 ElevenCreative Studio 项目。 > **Warning** > > 受监管或服务商要求限制，部分 Image & Video 模型和输入上传功能在美国不可用。请查看各模型说明，了解具体 > 可用情况。 > **Info** > > 免费版用户只能生成图片，每天最多可提交 3 次图片请求。生成视频需要付费套餐。 ## 指南 按以下步骤创建第一个视觉素材： ### 选择模式 使用提示框右上角的切换按钮，在 **图片** 和 **视频** 生成之间选择。 ### 输入提示词或添加参考素材 在提示框中使用自然语言描述想要的结果。如需更精细的控制，可将 **探索** 或 **历史记录** 标签页中的现有图片或视频拖入参考槽位，也可上传自己的参考图片，支持 JPG、PNG、WEBP 等多种文件格式。 ### 选择模型和设置 选择适合目标的生成模型（例如 Google Veo 3.1、Kling 2.5、Flux 1 Kontext Pro）。有关各模型的详细信息，请参阅 [模型](#models) 部分。调整宽高比、分辨率、时长（视频）和生成变体数量等设置。 ### 生成素材 点击 **[生成](/docs/zh/eleven-creative/playground/image-video#generate-1)** 按钮。创建的素材会显示在 **[历史记录](/docs/zh/eleven-creative/playground/image-video#history-1)** 标签页中，供你查看。 ### 增强和优化 使用增强工具完善媒体内容。可 **放大** 分辨率、使用音频应用逼真的 **口型同步**，或点击 **重新创建**，以相同设置生成新的变体。 ### 分享给他人 点击 **分享** 按钮，为作品生成专属链接。发送给团队成员和协作者以收集反馈。 ### 导出作品 将素材下载为独立文件，或直接导入 ElevenCreative Studio 项目。 ## 工作流程 创作流程分为 4 个阶段，带你从灵感到成品： ### [探索](/docs/zh/eleven-creative/playground/image-video#explore-1) 浏览社区作品以寻找灵感、学习有效的提示词，或直接将参考素材用于自己的创作。 ### [生成](/docs/zh/eleven-creative/playground/image-video#generate-1) 使用提示框描述想创作的内容，选择模型、微调设置，然后实现创意。 ### [历史记录](/docs/zh/eleven-creative/playground/image-video#history-1) 在历史记录标签页中查看生成内容，持续迭代和增强。重新创建变体、复用提示词，并应用放大和口型同步等增强功能。 ### [导出](/docs/zh/eleven-creative/playground/image-video#export-1) 以多种格式下载成品，或直接发送至 ElevenCreative Studio，用于项目中。 ## 探索 **探索** 标签页展示社区作品图库，帮助你寻找灵感和可用作参考的视觉素材。 **搜索：** 使用搜索栏按关键词查找图片和视频。 **排序：** 在 **热门** 和 **最新** 之间切换，查看热门内容或最新添加的内容。 **拖放：** 将网格中的任意结果直接拖入提示框，用作起始帧、结束帧或风格参考。 **查看详情：** 点击任意卡片，查看创建它时使用的完整提示词和设置。 ## 生成 ![视频提示词界面](/docs/_fern-img/f25b7fd594fb471980501063a9554513c4d22a2b3f8d526537054a0797780b8f.webp) 提示框固定在页面底部，提供创建视觉内容所需的全部控制项。 ### 设置模式和提示词 **选择模式：** 使用右上角的切换按钮，在 **图片** 和 **视频** 生成之间切换。 **编写提示词：** 在主输入框中使用自然语言描述想生成的内容。描述清晰具体，可获得更好的效果。 ### 选择模型和设置 ![视频模型选择](/docs/_fern-img/422c8078ccb97a8b5f98e521f1c230d3efbad34a128e5905a457e2ed0deeebce.webp) **选择模型：** 打开模型菜单，浏览 Google Veo 3.1、Kling 2.5 或 Flux 1 Kontext Pro 等可用选项。每个模型都列出了独特优势和功能，便于比较。详细信息请参阅 [模型](#models) 部分。 **调整设置：** 使用提示词下方显示的设置微调生成效果。设置因模型而异，但通常包括： * **宽高比**：控制输出尺寸 * **分辨率**：设置质量级别 * **时长**：指定视频长度（视频模式） * **生成数量**：一次最多创建 4 个变体 **使用控制项：** 对于支持的模型，可启用 **音频**、添加 **负面提示词** 以排除不需要的元素，或调整 **声音控制**。 ### 添加参考素材 ![视频参考素材 界面](/docs/_fern-img/e6591dc845bfa071c81202736d8748827ab8110f0fe76c985cab83b9adcb51ec.webp) 如需更好地控制输出，可添加视觉参考素材引导生成。是否可用取决于所选模型。支持 JPG、PNG、WEBP 等多种图片文件格式。 **起始帧（视频）：** 设置视频开头的图片。 **结束帧（视频）：** 设置最终图片，并影响过渡效果。 **图片参考（图片或视频）：** 提供一张或多张图片以引导整体风格和外观。 > **Tip** > > 将 **探索** 或 **历史记录** 标签页中的项目直接拖入参考槽位，可加快 > 工作流程。 ### 生成 生成前，费用指示器会显示所选创建素材数量的总费用。准备好后，点击 **生成**。新作品会显示在 **历史记录** 标签页中。 ## 历史记录 ![视频历史记录界面](/docs/_fern-img/c5da61f1025001d12e41e2113a43da63903ea5ae29748085624eb5422b8c2473.webp) **历史记录** 标签页按时间顺序记录所有生成内容，也是优化此前作品的工作区。 **浏览：** 查看过去生成的所有图片和视频。 **检查：** 点击任意素材，查看创建它时使用的原始提示词、模型和设置。 **复用：** 将历史记录中的项目拖回提示框，用作新生成内容的参考素材。 **迭代：** 点击 **重新创建**，以相同提示词和设置再次运行，生成新变体；也可调整设置，将生成引导至新的方向。 **分享：** 点击 **分享**，为素材生成专属链接。发送给团队成员和协作者以获取反馈。 **导出：** 将素材下载为独立文件，或点击 **在 Studio 中编辑**，直接导入 ElevenCreative Studio。 ## 导出 当你获得满意的生成结果后，可在导出前使用内置增强工具。 ### 增强作品 **放大：** 使用 **Topaz Upscale**，在保留清晰细节的同时将分辨率提升至最高 4 倍。 **口型同步：** 为视觉内容应用逼真的口型同步： * **Omnihuman 1.5**：使用音轨让静态图片动起来 * **Veed LipSync**：为现有视频配上新音频 ### 导出素材 ![视频导出界面](/docs/_fern-img/ec37123477c4568ad486fea312925a9a12e11a1bf7f252750db0b91f6d85b822.webp) 通过本地下载或直接发送至 ElevenCreative Studio 来导出成品。 **在 Studio 中编辑：** 将素材直接导入 ElevenCreative Studio 项目。 **下载：** 将素材保存到本地设备。 ## 支持的下载格式 **视频：** * **MP4**：编解码器 H.264、H.265。最高支持 4K 画质（通过超分） **图片：** * **PNG**：高分辨率、无损输出 ## 模型 图像与视频提供针对不同用例优化的专业模型。每个模型都具备独特能力，支持从快速迭代到可用于生产的质量。 后处理模型需要已有的生成结果，也可以上传自己的图片或视频文件。 > **Info** > > 企业版工作区管理员可以控制工作区成员可使用哪些图像和视频生成模型。 > 默认情况下，企业版工作区中的所有模型均处于禁用状态，必须由管理员 > 手动启用。详细了解[模型 审批](/docs/zh/overview/administration/workspaces/model-approvals)。 > **Warning** > > 对于 API 请求，ByteDance 模型默认禁用，使用前需要明确审批。 > 企业版客户可联系支持团队申请访问权限。 > **Note** > > 可切换设置以调整积分消耗。 #### 视频生成模型 #### Seedance 2.0 一款统一的多模态视频模型，可联合生成音频和视频，并能以导演级控制调节表演、光照、阴影和镜头运动，打造超写实的电影级效果。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 图片参考 * 视频参考 * 音频参考 **功能：** * 统一多模态架构，单次生成即可同步生成音频和视频 * 行业领先的多模态参考和编辑能力，可同时接收文本、图片、音频和视频输入 * 出色的运动稳定性，提供符合行业标准的电影级真实感 * 可对表演、光照、阴影和镜头运动进行导演级创意控制 * 灵活的生成时长，从 4 秒到 15 秒 * 原生声音控制，可为每次生成启用或禁用音频 * 支持批量创建，每次最多生成 4 个结果 **输出选项：** * 分辨率：480p、720p、1080p * 宽高比：21:9、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 需要同步音频和视觉效果的电影化叙事 * 需严格遵循源图片、视频或音频的参考驱动内容 * 需要精细控制光照和镜头工作的专业制作 **费用：** 因所选设置和时长而异 **API：**[`bytedance-seedance-v2`](/docs/zh/api-reference/flows/video/create#request.body.bytedance-seedance-v2) #### Seedance 2.0 Fast Seedance 2.0 更快、成本更低的版本，支持相同的多模态参考输入，输出最高为 720p。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 图片参考（最多 9 个） * 视频参考（最多 3 个，合计 15 秒） * 音频参考（最多 3 个，合计 15 秒） **功能：** * 与 Seedance 2.0 相同的参考处理方式，每次生成的参考总数上限为 12 个 * 帧和参考不可同时使用：使用起始帧或结束帧，或使用参考，不能两者兼用 * 灵活的生成时长，从 4 秒到 15 秒 * 原生声音控制，可为每次生成启用或禁用音频 * 支持批量创建，每次最多生成 4 个结果 **输出选项：** * 分辨率：480p、720p * 宽高比：21:9、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 在全分辨率渲染前迭代 Seedance 2.0 提示词 * 720p 输出已足够的参考驱动片段 **费用：** 因所选设置和时长而异 **API：**[`bytedance-seedance-v2-fast`](/docs/zh/api-reference/flows/video/create#request.body.bytedance-seedance-v2-fast) > **Warning** > > Seedance 2.0 Fast 在美国不可用。 #### Seedance 2.0 Mini 最小的 Seedance 2.0 版本：速度约为 Seedance 2.0 的 2 倍，成本约为一半，支持相同输入和 720p 输出。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 图片参考（最多 9 个） * 视频参考（最多 3 个，合计 15 秒） * 音频参考（最多 3 个，合计 15 秒） **功能：** * 与 Seedance 2.0 相同的参考处理方式，每次生成的参考总数上限为 12 个 * 帧和参考不可同时使用：使用起始帧或结束帧，或使用参考，不能两者兼用 * 灵活的生成时长，从 4 秒到 15 秒 * 原生声音控制，可为每次生成启用或禁用音频 * 支持批量创建，每次最多生成 4 个结果 **输出选项：** * 分辨率：480p、720p * 宽高比：21:9、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 大批量草稿和预览 * 仍需音频和参考输入的成本敏感型工作流程 **费用：** 因所选设置和时长而异 **API：**[`bytedance-seedance-v2-mini`](/docs/zh/api-reference/flows/video/create#request.body.bytedance-seedance-v2-mini) > **Warning** > > Seedance 2.0 Mini 在美国不可用。 #### Seedance 2.5 Seedance 2.0 的后继版本，真实感更清晰锐利，最多支持 50 个图片、视频和音频参考，生成时长最长可达 30 秒。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 图片参考（最多 30 个） * 视频参考（最多 10 个，合计 30 秒） * 音频参考（最多 10 个，合计 30 秒） **功能：** * 各类参考之间没有总数上限；无需图片或视频，也可使用仅音频的参考 * 帧和参考不可同时使用 * 灵活的生成时长，从 4 秒到 30 秒 * 提供起始帧或参考视频时，宽高比将取自该素材 * 原生声音控制，可为每次生成启用或禁用音频 * 支持批量创建，每次最多生成 4 个结果 **输出选项：** * 分辨率：480p、720p * 宽高比：21:9、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 需要根据多个参考保持一致的长片段 * 由参考音频驱动的对话和表演场景 **费用：** 因所选设置和时长而异 **API：**[`bytedance-seedance-v2.5`](/docs/zh/api-reference/flows/video/create#request.body.bytedance-seedance-v2.5) > **Note** > > Seedance 2.5 不提供随机种子控制。 #### Seedance 2.5 视频编辑 通过描述所需变更来编辑现有视频。输出时长和宽高比将遵循输入视频。 **生成输入：** * 要编辑的视频（必填，最长 30 秒） * 描述编辑内容的文本提示词 * 图片参考（最多 30 个） * 额外视频参考（最多 10 个，合计 30 秒） * 音频参考（最多 10 个，合计 30 秒） **功能：** * 无时长控制：输出与输入视频时长一致 * 宽高比取自输入视频 * 原生声音控制，可为每次生成启用或禁用音频 * 支持批量创建，每次最多生成 4 个结果 **输出选项：** * 分辨率：480p、720p **适用场景：** * 更改现有素材中的服装、道具、光照或场景 * 保留原始运动的风格迁移 **费用：** 因所选设置和时长而异 #### Seedance 2.5 视频延长 从现有视频结尾继续生成，可通过提示词和可选参考进行引导。 **生成输入：** * 要延长的视频（必填，最长 30 秒） * 描述续写内容的文本提示词 * 图片参考（最多 30 个） * 额外视频参考（最多 10 个，合计 30 秒） * 音频参考（最多 10 个，合计 30 秒） **功能：** * 延长时长从 4 秒到 30 秒 * 宽高比取自输入视频 * 原生声音控制，可为每次生成启用或禁用音频 * 支持批量创建，每次最多生成 4 个结果 **输出选项：** * 分辨率：480p、720p **适用场景：** * 延长过早结束的镜头 * 将多次生成串联成长序列 **费用：** 因所选设置和时长而异 #### Kling 3.0 一款先进的视频模型，如同 AI 导演，能在复杂镜头运动中保持角色、物品和场景的高度一致性。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 **功能：** * 使用多角度图片或视频参考，高保真保留角色和场景 * 原生视听联合生成，支持多语言口型同步和环境音 * 灵活的生成时长，从 3 秒到 15 秒 * 最多可同时生成 4 个变体 * 增强对文本、流体动力学和复杂物理交互的处理能力 **输出选项：** * 分辨率：仅 1080p * 宽高比：16:9、1:1、9:16 **适用场景：** * 需要视觉连续性的角色驱动叙事 * 有特定文本渲染需求的广告和素材 **费用：** 因所选设置和时长而异 > **Note** > > 支持负向提示词，实现精细控制。可为每次生成启用或禁用声音。 > **Warning** > > Kling 3.0 在美国不可用。 #### Kling O3 一款高一致性视频模型，如同 AI 导演，能在复杂镜头运动中保留角色、物品和场景的身份特征。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 视频参考 * 图片参考 **功能：** * 使用多角度参考，精确保留主要角色和物品的视觉身份 * 支持从 3 秒到 15 秒的无缝生成时长 * 每次最多生成 4 个变体 * 精准建模元素交互和运动连贯性 * 原生支持为每次生成启用或禁用音频 **输出选项：** * 分辨率：仅 1080p * 宽高比：16:9、1:1、9:16 **适用场景：** * 需要严格视觉连续性的角色驱动叙事 * 要求一致物品呈现的专业营销和品牌素材 **费用：** 因所选设置和时长而异 > **Warning** > > Kling O3 在美国不可用。 #### Kling O3 编辑 基于 O3 架构、由自然语言驱动的视频转视频编辑模型，无需手动蒙版或逐帧调整，即可实现角色替换、环境替换等复杂视觉变换。 **生成输入：** * 源视频 * 图片参考（最多 4 个不同元素／角度） * 文本描述（自然语言指令） **功能：** * 理解对话式提示词，在遵循原始运动结构的同时替换主体或场景 * 在整个编辑过程中保持原始镜头角度、运动模式和空间关系 * 最多组合 4 个元素（包括正面和多角度图片），确保高保真角色一致性 * 可选择保留原始源音频，或为每次生成输出静音视频 * 每次最多生成 4 个已编辑变体 **输出选项：** * 分辨率：取决于源视频 * 宽高比：与源视频一致 **适用场景：** * 在现有素材中高保真替换角色，同时保留原始运动 * 完整转换场景环境（例如将白天的城市改为未来夜景） * 应用需要严格遵循现有镜头动态的风格迁移 **费用：** 因视频时长和所选设置而异 > **Warning** > > Kling O3 编辑在美国不可用。 #### Google Veo 3.1 用于高质量电影级视频生成的专业模型。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 图片参考 **功能：** * 通过负向提示词实现出色质量和创意控制 * 完全集成且同步的音频 * 逼真的对话、口型同步和音效 * 固定时长：4 秒、6 秒和 8 秒 * 支持批量创建，每次最多生成 4 个结果 * 专用声音控制 **输出选项：** * 分辨率：720p、1080p * 宽高比：16:9、9:16 **适用场景：** * 需要全面创意控制的高质量电影级视频生成 **费用：** 因所选设置和时长而异 **API：**[`veo-3.1-generate-001`](/docs/zh/api-reference/flows/video/create#request.body.veo-3.1-generate-001) > **Note** > > 启用或禁用声音会改变生成积分消耗。 #### Google Veo 3.1 Fast 为快速预览和生成优化的高速模型，可提供更清晰的视觉效果和更低延迟。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 **功能：** * 支持负向提示词和专用声音控制的高级创意控制 * 固定时长：4 秒、6 秒和 8 秒 * 支持批量创建，每次最多生成 4 个结果 * 准确模拟现实物理规律，实现逼真的运动和交互 **输出选项：** * 分辨率：720p、1080p * 宽高比：16:9、9:16 **适用场景：** * 快速迭代和 A/B 测试视觉效果 * 快节奏社交媒体内容创作 **费用：** 因所选设置和时长而异 **API：**[`veo-3.1-fast-generate-001`](/docs/zh/api-reference/flows/video/create#request.body.veo-3.1-fast-generate-001) #### Google Veo 3.1 Lite Veo 3.1 的高性价比高速版本，针对降低计算资源消耗的快速生成进行了优化。 **生成输入：** * 文本转视频 * 起始帧 **功能：** * 支持负向提示词和专用声音控制的精细创意控制 * 固定时长：4 秒、6 秒和 8 秒 * 支持批量创建，每次最多生成 4 个结果 **输出选项：** * 分辨率：720p * 宽高比：16:9、9:16 **适用场景：** * 重视速度和成本效率的大批量内容创作 * 快速探索概念和制作预览 **费用：** 因所选设置和时长而异 #### Gemini Omni Flash 1.1 Google 的感知物理规律视频模型，支持原生音频、最高 4K 输出，以及帧插值和参考引导生成。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 图片参考（最多 10 个） * 视频参考（最多 3 个，每个最长 10 秒） **功能：** * 帧和参考不可同时使用：可在帧之间插值，或使用参考引导 * 固定时长为 3 秒至 10 秒；附加参考视频时，时长将遵循该视频 * 可出色渲染简短的屏幕文字和标签 * 支持批量创建，每次最多生成 4 个结果 **输出选项：** * 分辨率：360p、720p、1080p、4K * 宽高比：16:9、9:16 **适用场景：** * 文字清晰的讲解视频和动态排版 * 具有物理真实感的运动，以及在多个参考中保持一致的主体 **费用：** 因所选设置和时长而异 #### Gemini Omni Flash 1.1 延长 使用 Gemini Omni Flash 1.1 从现有视频结尾继续生成，总时长最长可达 40 秒。 **生成输入：** * 要延长的视频（必填，最长 30 秒） * 描述续写内容的文本提示词 **功能：** * 延长时长为 3 秒至 10 秒 * 宽高比遵循输入视频 * 支持批量创建，每次最多生成 4 个结果 **输出选项：** * 分辨率：360p、720p、1080p、4K **适用场景：** * 无明显剪切痕迹地延长 Gemini Omni Flash 生成内容 * 构建比单次生成允许时长更长的序列 **费用：** 因所选设置和时长而异 #### Gemini Omni Flash 首款 Gemini Omni 视频模型：具备感知物理规律的运动、原生音频，并以 720p 提供现有视频模型中最强的屏幕文字渲染能力。 **生成输入：** * 文本转视频 * 图片参考（最多 8 个） * 视频参考（1 个，最长 10 秒） **功能：** * 固定时长为 3 秒至 10 秒；附加参考视频时，时长将遵循该视频 * 不支持起始帧或结束帧；请改用图片参考来锚定主体 * 支持批量创建，每次最多生成 4 个结果 **输出选项：** * 分辨率：720p * 宽高比：16:9、9:16 **适用场景：** * 简短字幕、标题和带标签的讲解视频 * 720p 下的多图片一致性 **费用：** 因所选设置和时长而异 #### Seedance 1.5 Pro 专为创建动态、高保真序列升级的模型，具备更强的时间稳定性和关键帧间精准的转场控制。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 **功能：** * 无缝衔接起始帧和结束帧，生成连贯的多镜头序列 * 高保真建模复杂动作，并保持环境一致性 * 支持 4 秒至 12 秒的固定生成时长 * 每次最多生成 4 个变体 * 原生支持为每次生成启用或禁用音频 **输出选项：** * 分辨率：420p、720p * 宽高比：21:9、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 需要在特定视觉基准之间保持稳定物理效果的叙事和动作场景 * 对起始和结束要求严格的电影化转场及专业视频素材 **费用：** 取决于所选设置和时长 > **Warning** > > Seedance 1.5 Pro 已弃用。ByteDance 将于 2026 年 11 月 11 日停止该模型服务，现已 > 不再提供新的生成任务。请改用 Seedance 2.0 模型。Seedance 1.5 Pro > 在美国不可用。 #### FLUX 3 Black Forest Labs 的视频模型，支持自然运动、多镜头场景、生成音频和视频延展。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 要延展的视频（1 个，最长 15 秒） **功能：** * 视频延展不能与起始帧和结束帧同时使用 * 支持 5 秒至 20 秒的灵活生成时长 * 原生音频控制，可为每次生成启用或禁用音频 * 支持批量创建，每次最多生成 4 个内容 **输出选项：** * 分辨率：720p、1080p * 宽高比：21:9、2:1、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 根据单个提示词生成多镜头场景 * 延展现有片段，并匹配其运动和音频 **费用：** 取决于所选设置和时长 #### FLUX 3 Edit 根据文本提示词编辑现有视频。输出时长和画幅遵循源视频，最长 15 秒。 **生成输入：** * 要编辑的视频（必填，最长 15 秒） * 描述编辑内容的文本提示词 **输出选项：** * 分辨率和宽高比与源视频一致 **适用场景：** * 根据提示词修改现有素材 **费用：** 取决于所选设置和时长 #### MiniMax H3 MiniMax 的旗舰视频模型，支持多模态参考、生成音频和最高 4K 输出。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 图片参考（最多 9 个） * 视频参考（最多 3 个，每个 2 秒至 15 秒，合计 15 秒） * 音频参考（最多 3 个，每个 2 秒至 15 秒，合计 15 秒） **功能：** * 每次生成最多可使用 12 个参考；音频参考至少需要搭配 1 个图片或视频参考 * 帧和参考不能同时使用 * 支持 5 秒至 15 秒的灵活生成时长 * 生成同步音频 * 支持批量创建，每次最多生成 4 个内容 **输出选项：** * 分辨率：480p、768p、2K、4K（2K 和 4K 均由 768p 超分而来） * 宽高比：21:9、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 需要高分辨率交付的参考驱动场景 * 由参考音频驱动的对话片段 **费用：** 取决于所选设置和时长 > **Warning** > > MiniMax H3 在美国不可用。 #### MiniMax H3 Max MiniMax H3 的近乎即时版本，输入相同且美术表现出色，原生渲染分辨率最高可达 768p。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 图片参考（最多 9 个） * 视频参考（最多 3 个，每个 2 秒至 15 秒，合计 15 秒） * 音频参考（最多 3 个，每个 2 秒至 15 秒，合计 15 秒） **功能：** * 每次生成最多可使用 12 个参考；音频参考至少需要搭配 1 个图片或视频参考 * 帧和参考不能同时使用 * 支持 5 秒至 15 秒的灵活生成时长 * 生成同步音频 * 支持批量创建，每次最多生成 4 个内容 **输出选项：** * 分辨率：480p、768p * 宽高比：21:9、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 快速迭代提示词和参考素材 * 使用 MiniMax H3 渲染前预览 **费用：** 取决于所选设置和时长 > **Warning** > > MiniMax H3 Max 在美国不可用。 #### MiniMax H3 Max Recast 使用 1 至 4 张照片替换源视频中的人物。时长遵循源视频，最长 30 秒，并保留原始音频。 **生成输入：** * 源视频（最长 30 秒） * 要替换人物的照片（1 至 4 张） **功能：** * 输出时长遵循源视频 * 保留源音频 **输出选项：** * 分辨率：最高 1080p * 宽高比遵循源视频 **适用场景：** * 使用参考照片中的人物替换现有素材中的人物 **费用：** 取决于所选设置和时长 #### Kling O1 一款先进的推理视频模型，旨在提供出色的提示词遵循能力和复杂物理世界模拟，通过高级逻辑处理理解并执行复杂指令。 **生成输入：** * 文本转视频（描述） * 起始帧和结束帧 * 视频参考 * 图片参考 **功能：** * 能够出色地理解多层提示词并执行复杂的时序动作 * 利用图片和视频作为视觉锚点，保持高度一致的角色和场景 * 出色建模物理交互、因果关系和流体动力学 * 支持生成高质量的 5 秒和 10 秒片段 * 每次最多生成 4 个变体 **输出选项：** * 分辨率：取决于输入 * 宽高比：16:9、1:1、9:16 **适用场景：** * 需要严格遵循较长详细描述的高度具体创意概念 * 对物理真实感和多参考一致性要求极高的专业叙事 **费用：** 取决于所选设置和时长 > **Warning** > > Kling O1 在美国不可用。 #### Kling O1 Edit 由自然语言驱动的视频转视频编辑模型，无需手动遮罩或逐帧调整，即可实现角色替换、环境替换等复杂视觉转换。 **生成输入：** * 源视频 * 图片参考（最多 4 个不同元素/角度） * 文本描述（自然语言指令） **功能：** * 理解对话式提示词，在保留原始运动结构的同时替换主体或场景 * 在整个编辑过程中保持原始镜头角度、运动模式和空间关系 * 最多结合 4 个元素（包括正面和多角度图片），确保高保真角色一致性 * 可为每次生成选择保留原始源音频或生成静音输出 * 每次最多生成 4 个编辑变体 **输出选项：** * 分辨率：取决于源视频 * 宽高比：与源视频一致 **适用场景：** * 在保留原始动作的同时，高保真替换现有素材中的角色 * 完整转换场景环境（例如，将白天城市改为未来感夜景） * 应用需要严格遵循现有镜头动态的风格转换 **费用：** 取决于视频时长和所选设置 > **Warning** > > Kling O1 Edit 在美国不可用。 #### Kling 2.6 Motion Control 专用于精准动作迁移的模型，可使用参考视频驱动角色图片，复现特定动作、手势和镜头角度。 **生成输入：** * 角色图片（源） * 动作视频（参考） * 文本描述（可选） **功能：** * 选择“匹配视频”可精确复现动作，选择“匹配图片”可为角色添加新的创意动作 * “匹配视频”模式最长支持 30 秒，“匹配图片”模式最长支持 10 秒 * 将参考素材中的人物动作高保真映射到静态角色 * 原生支持为每次生成启用或禁用音频 * 每次最多生成 4 个变体 **输出选项：** * 分辨率：取决于源素材 * 宽高比：取决于源素材 **适用场景：** * 在自定义角色上复现复杂编舞或特定动作 * 需要高动作保真度的长篇角色动画 * 由热门视频动作驱动的社交媒体内容 **费用：** 取决于所选设置和时长 > **Warning** > > Kling 2.6 Motion Control 在美国不可用。 #### Kling 3.0 Motion Control 基于 Kling 3.0 架构构建的精准动作迁移专用模型，可使用参考视频驱动角色图片，以更高保真度复现特定动作、手势和镜头角度。 **生成输入：** * 角色图片（源） * 动作视频（参考） * 文本描述（可选） **功能：** * 选择“匹配视频”可精确复现动作，选择“匹配图片”可为角色添加新的创意动作 * “匹配视频”模式最长支持 30 秒，“匹配图片”模式最长支持 10 秒 * 将参考素材中的人物动作高保真映射到静态角色 * 原生支持为每次生成启用或禁用音频 * 每次最多生成 4 个变体 **输出选项：** * 分辨率：取决于源素材 * 宽高比：取决于源素材 **适用场景：** * 在自定义角色上复现复杂编舞或特定动作 * 需要高动作保真度的长篇角色动画 * 由热门视频动作驱动的社交媒体内容 **费用：** 取决于所选设置和时长 > **Warning** > > Kling 3.0 Motion Control 在美国不可用。 #### Kling 2.6 经过优化的生成模型，旨在提升动作保真度和转场流畅度，兼顾高速迭代与制作级视觉输出。 **生成输入：** * 文本转视频 * 起始帧（图片转视频） **功能：** * 增强动作动态：显著提升运动流畅度和真实物理交互效果 * 灵活音频控制：原生支持为每次生成启用或禁用音频 * 批量创建：可同时生成最多 4 个变体 * 精细优化：通过支持负面提示词实现高级创意控制 * 固定时长：支持生成 5 秒和 10 秒内容 **输出选项：** * 分辨率：取决于输入 * 宽高比：16:9、1:1、9:16 **适用场景：** * 需要流畅角色动作的高动作强度片段 * 提示词遵循能力出色的专业级社交媒体内容 **费用：** 取决于所选设置和时长 > **Warning** > > Kling 2.6 在美国不可用。 #### Kling 2.5 一款均衡且多用途的模型，适合生成高质量全高清视频。 **生成输入：** * 文本转视频 * 起始帧 **功能：** * 擅长模拟复杂运动和真实物理效果 * 精准建模流体动力学和表情 * 固定时长：5 秒和 10 秒 * 支持批量创建，每次最多生成 4 个内容 **输出选项：** * 分辨率：1080p * 宽高比：16:9、1:1、9:16 **适用场景：** * 真实物理模拟和复杂运动 **费用：** 取决于所选设置和时长 > **Note** > > 目前不支持结束帧。无法提供图片参考。不支持音频控制。 > **Warning** > > Kling 2.5 在美国不可用。 #### Runway Gen-4.5 提供先进的动作质量、提示词遵循能力和视觉保真度，可生成电影感十足、高度逼真的视频。 **生成输入：** * 文本转视频 * 起始帧（图片转视频） **功能：** * 卓越的动作质量，具备行业领先的真实感和物理模拟效果 * 出色的提示词遵循能力，可精准控制复杂场景的创意表现 * 高视觉保真度，输出达到电影级品质 * 可同时生成最多 4 个变体 **输出选项：** * 分辨率：720p * 宽高比：16:9、9:16 **适用场景：** * 需要最高动作质量和真实感的电影化内容 * 对提示词遵循能力要求精准的专业制作 * 高保真视觉叙事 **费用：** 取决于所选设置和时长 #### Runway Gen-4 Turbo 专为快速迭代和高性价比创作设计的高级视频模型，可生成高质量视频。 **生成输入：** * 文本转视频 * 起始帧（图片转视频） **功能：** * 针对超快速生成优化，出结果速度最高可达此前版本的 4 倍 * 可精准指导角色动作、镜头角度和场景构图 * 擅长在动态场景中保持视觉连贯性和稳定性 * 支持 2 秒至 10 秒的生成时长 * 可同时生成最多 4 个变体 **输出选项：** * 分辨率：720p * 宽高比：21:9、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 需要近乎即时反馈的快速原型设计和创意实验 * 需要快速交付高分辨率营销素材的专业项目 * 对镜头运动有特定要求的电影化内容 **费用：** 取决于所选设置和时长 #### Runway Gen-4 Aleph 一款先进的上下文视频模型，专为多任务视觉生成设计，可在保留源素材底层结构的同时进行复杂编辑。 **生成输入：** * 源视频 * 参考图片 * 文本描述 **功能：** * 在场景中无缝添加、移除或转换物体和主体，并保留自然的光照、阴影和透视效果 * 更改地点、季节和一天中的时段（例如，将阴天素材转换为戏剧性的日落），并真实更新色温 * 通过简单的自然语言提示词修改演员年龄和外观，或改变服装及主体纹理 * 将参考视频的特定运动和镜头路径应用于静态图片，实现精准动画控制 * 从单个现有视频序列生成全新的镜头角度，例如反打镜头或低角度镜头 * 支持精准绿幕处理（边缘检测抠像）、用于延续故事的下一镜头生成和美学风格转换 * 可同时生成最多 4 个变体 **输出选项：** * 分辨率：720p * 宽高比：自动 **适用场景：** * 数字减龄、重新布光和物体移除等专业视觉特效任务 * 快速制作电影化原型，并从单个镜头生成替代机位素材 * 需要大幅改变环境或风格的创意营销内容 **费用：** 取决于所选设置和时长 #### Runway Aleph 2.0 Runway 的视频编辑模型：在保留运动和一致性的同时，将现有视频转换为目标风格。 **输入：** * 源视频（必填，2 秒至 30 秒） * 目标风格图片（必填） * 描述编辑内容的文本提示词 **功能：** * 输出时长和画幅遵循源视频 * 由目标风格图片引导的风格转换 * 支持批量创建，每次最多生成 4 个内容 **适用场景：** * 对现有素材重新布光、改变风格或更换场景 * 将参考图片的风格应用到整个片段 **费用：** 取决于所选设置和时长 #### Runway Act-Two 一款专注于表演迁移的模型，可将驱动视频中的动作、语音和面部表情映射到角色图像或视频参考上，为角色赋予动画效果。 **生成输入：** * 驱动表演（视频） * 角色输入（图像或视频） **功能：** * 将源演员细腻的面部表情、口型同步和同步音频直接迁移到任意角色 * 自动为静态角色图像添加次级动作和细微镜头抖动，呈现更自然的效果 * 使用角色图像时，可精确开关身体和手部动作 * 可调整设置，在强烈情感表演与角色视觉一致性之间取得平衡 * 生成后可更改角色声音，同时与驱动表演保持精准同步 **输出选项：** * 分辨率：720p * 宽高比：自动 **适用场景：** * 通过真实的人类动作和语音，让静态角色肖像鲜活起来 * 为非人类角色或风格化虚拟形象制作高保真表情动画 * 快速制作整合肢体手势的口播内容 **费用：** 因所选设置和时长而异 #### Seedance 1 Pro 一款专为创建具有大幅运动和动作的动态多镜头序列而设计的模型。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 **功能：** * 高度稳定的物理效果和镜头间无缝过渡 * 固定时长：3s、4s、5s、6s、7s、8s、9s、10s、11s 和 12s * 批量创建，一次最多生成 4 个结果 * 提供丰富宽高比选项，实现最大的创作灵活性 **输出选项：** * 分辨率：480p、720p、1080p * 宽高比：21:9、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 需要稳定物理效果的叙事和动作场景 **费用：** 因所选设置和时长而异 > **Note** > > 宽高比和分辨率不影响生成积分，但时长会影响。 > **Warning** > > Seedance 1 Pro 在美国不可用。 #### LTX Audio-to-Video 一款基于 DiT 的基础模型，可一次性生成同步视频和音频，确保语音连贯、动作真实。 **生成输入：** * 文本转视频 * 图像转视频 * 音频转视频 * 深度图转视频 **功能：** * 同时生成对白、唇部动作和环境音频，无需外部工具即可实现精准同步 * 动态场景具备稳定动作、一致身份和出色的帧间连贯性 * 支持最长 20 秒的高保真同步生成 * 通过细粒度负面提示词支持，实现高级创意控制 * 一次最多生成 4 个变体 **输出选项：** * 分辨率：720p、1080p * 宽高比：16:9、4:3、1:1、3:4、9:16 **适用场景：** * 连贯的语音和富有表现力的角色表演 * 需要整合环境音频和一致时序的叙事内容 * 具有复杂镜头感动作逻辑的动态场景 **费用：** 因所选设置和时长而异 #### LTX 2 Pro 一款高保真生成模型，针对极致视觉细节和结构稳定性进行优化，可生成动作流畅、达到制作级标准的 4K 输出。 **生成输入：** * 文本转视频 * 起始帧（图像转视频） **功能：** * 相比速度更注重视觉质量和一致性，确保长序列也能获得稳定结果 * 支持 25 FPS 和 50 FPS，带来极其流畅、专业的动作效果 * 集成音视频生成，可开关声音 * 支持原生 1080p、2k 和 4k 输出，不损失细节 * 一次最多生成 4 个变体 **输出选项：** * 分辨率：1080p、2k、4k * 帧率：25 FPS、50 FPS * 宽高比：16:9（默认） * 时长：6s、8s、10s **适用场景：** * 需要 4K 清晰度的高分辨率电影级制作 * 需要流畅 50 FPS 动作的专业内容 * 对视觉稳定性和结构完整性要求极高的细节序列 **费用：** 因所选设置和时长而异 #### LTX 2 Retake 一款精准的 AI 导演工具，可针对现有镜头中的对白、情绪和动作进行重新指导，无需破坏连续性或重新生成整个序列。 **生成输入：** * 源视频 * 文本描述 **功能：** * 修改特定片段，同时充分保留周围帧的上下文 * 改写台词，同时保持角色声音、表演和环境一致 * 多种编辑模式：可选择“音频和视频”“仅音频”或“仅视频”，隔离并重新生成镜头中的特定元素 * 新内容会自然继承原始动作、光线和基调，实现无缝过渡 * 可立即在单个镜头内尝试不同的角色反应、情绪节点或镜头运动 * 同时生成最多 4 个变体，便于并排进行创意比较 **输出选项：** * 宽高比：仅 16:9 **适用场景：** * 调整脚本和优化对白，无需补拍或重新录制 * 在后期制作中修复情绪节点或节奏问题 * 在单个营销素材中测试多种品牌信息和行动号召 **费用：** 因所选设置和时长而异 #### LTX 2 Fast 一款为紧密反馈循环和高速内容创作打造的速度优化生成模型，可在显著缩短渲染时间的同时提供高分辨率视觉效果。 **生成输入：** * 文本转视频 * 起始帧（图像转视频） **功能：** * 专为速度和快速迭代而设计，可快速进行视觉实验并获得近乎即时的预览 * 支持原生 1080p、2k 和 4k 输出，计算开销低于 Pro 模型 * 支持 25 FPS 和 50 FPS，在高速生成下也能呈现流畅动作 * 可快速生成最长 20 秒的同步音视频内容 * 原生支持为每次生成开关音频 * 同时最多生成 4 个变体 **输出选项：** * 分辨率：1080p、2k、4k * 帧率：25 FPS、50 FPS * 宽高比：16:9（默认） * 时长：6s、8s、10s、12s、14s、16s、18s、20s **适用场景：** * 重视速度而非极致细节的快速原型制作和创意探索 * 需要快速交付的高量社交媒体内容 * 针对不同视觉概念和动作风格进行 A/B 测试 **费用：** 因所选设置和时长而异 #### Wan 3.0 一款电影级视频模型，支持图像、视频和音频参考，可生成音频，生成时长最长可达 30 秒。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 图像参考（最多 10 个） * 视频参考（最多 5 个，合计 15s） * 音频参考（最多 5 个，合计 15s） **功能：** * 帧和参考不可同时使用 * 固定时长：5s、10s、15s、20s 和 30s * 原生声音控制，可为每次生成启用或禁用音频 * 可选提示词增强 * 批量创建，一次最多生成 4 个结果 **输出选项：** * 分辨率：480p、720p、1080p * 宽高比：自动、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 提示词遵循度高的长篇电影级镜头 * 带音频的参考驱动场景 **费用：** 因所选设置和时长而异 > **Warning** > > Wan 3.0 在美国不可用。 #### Wan 3.0 Prime Wan 3.0 的更快版本，具有相同的输入和输出选项，适合构思创意。 **生成输入：** * 文本转视频 * 起始帧 * 结束帧 * 图像参考（最多 10 个） * 视频参考（最多 5 个，合计 15s） * 音频参考（最多 5 个，合计 15s） **功能：** * 生成时间约为 Wan 3.0 的一半 * 固定时长：5s、10s、15s、20s 和 30s * 原生声音控制，可为每次生成启用或禁用音频 * 批量创建，一次最多生成 4 个结果 **输出选项：** * 分辨率：480p、720p、1080p * 宽高比：自动、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 最终渲染 Wan 3.0 前探索创意 * 对交付速度敏感的工作流程 **费用：** 因所选设置和时长而异 > **Warning** > > Wan 3.0 Prime 在美国不可用。 #### Wan 2.6 下一代电影级视频平台，采用统一多模态架构，提供制作就绪的 1080p 内容、原生音频同步和智能多镜头排序。 **生成输入：** * 文本转视频 * 起始帧（图像转视频） * 视频参考（视频转视频） * 音频参考（可选背景音频或对白） **功能：** * 统一多模态系统：通过单一集成框架处理文本、图像、视频和音频，确保输出质量一致 * 原生音频同步：自动生成并对齐对白、旁白和环境音效与画面动作 * 智能多镜头排序：自动将关联视频序列组织成连贯故事线，同时保持角色一致性 * 延长时长：支持以固定 5s、10s 和 15s 时长进行稳定、高质量生成 * 高级创意控制：支持负面提示词以精细管理细节，并可批量创建最多 4 个变体 **输出选项：** * 分辨率：720p、1080p * 宽高比：16:9、4:3、1:1、3:4、9:16 **适用场景：** * 专业叙事内容和复杂多镜头电影级序列 * 需要整合高保真音频的社交媒体广告和营销内容 * 通过视频参考严格保持视觉和动作一致性的角色驱动内容 **费用：** 因所选设置和时长而异 > **Warning** > > Wan 2.6 在美国不可用。 #### Wan 2.5 Video 一款多功能模型，可根据文本或起始图像生成电影级动作和高提示词遵循度效果。 **生成输入：** * 文本转视频 * 起始帧（图像转视频） **功能：** * 通过负面提示词和专属声音控制实现细粒度创意控制 * 固定时长：5s 和 10s * 批量创建，一次最多生成 4 个结果 **输出选项：** * 分辨率：480p、720p、1080p * 宽高比：16:9、1:1、9:16 **适用场景：** * 提示词遵循度高的电影级内容 **费用：** 因所选设置和时长而异 > **Note** > > 生成费用因所选设置而异。 > **Warning** > > Wan 2.5 Video 在美国不可用。 #### 图像生成模型 #### GPT Image 2.5 Sunburst OpenAI 的制作级图像模型，适用于高细节输出和精准编辑。 **生成输入：** * 文本转图像 * 图像参考（最多 10 个） **功能：** * 从低到最高共 5 个质量级别 * 自定义分辨率，单边最高 3840px，宽高比最高 3:1 * 批量创建，一次最多生成 4 个结果 **输出选项：** * 分辨率：1K、2K、4K 或自定义 * 宽高比：3:1、21:9、2:1、16:9、3:2、4:3、5:4、1:1、4:5、3:4、2:3、9:16、1:2、1:3 **适用场景：** * 最重视细节和保真度的最终素材 * 对现有图像进行精准编辑 **费用：** 因所选设置和变体数量而异 **API：**[`gpt-image-2.5-sunburst`](/docs/zh/api-reference/flows/image/create#request.body.gpt-image-2.5-sunburst) #### GPT Image 2.5 Flare GPT Image 2.5 的快速版本，控制项与 Sunburst 相同，针对日常高量生成进行了优化。 **生成输入：** * 文本转图像 * 图像参考（最多 10 个） **功能：** * 从低到最高共 5 个质量级别 * 自定义分辨率，单边最高 3840px，宽高比最高 3:1 * 批量创建，一次最多生成 4 个结果 **输出选项：** * 分辨率：1K、2K、4K 或自定义 * 宽高比：3:1、21:9、2:1、16:9、3:2、4:3、5:4、1:1、4:5、3:4、2:3、9:16、1:2、1:3 **适用场景：** * 高量图像生成 * 仍需要 4K 和自定义尺寸的快速迭代 **费用：** 因所选设置和变体数量而异 **API：**[`gpt-image-2.5-flare`](/docs/zh/api-reference/flows/image/create#request.body.gpt-image-2.5-flare) #### GPT Image 2 一款先进的 AI 模型，专为精准图像生成而设计，具备增强文本渲染和高分辨率输出能力。 **功能：** * 精准文本控制，可创建排版准确清晰的图像 * 适用于专业和商业用途的高分辨率 PNG 输出 * 支持多个图像参考，以指导风格和构图 * 一次最多生成 4 张图像 **输出选项：** * 宽高比：3:2、1:1、2:3 * 质量选项：低、中、高 **适用场景：** * 需要精准文本定位的营销视觉素材和设计资产 * 对高分辨率有要求的专业内容 * 需要准确文字图像控制的创意项目 **费用：** 因所选设置和变体数量而异 **API：**[`gpt-image-2`](/docs/zh/api-reference/flows/image/create#request.body.gpt-image-2) #### Nano Banana 2.1 一款支持原生 4K 输出并最多支持 14 个图像参考的图像模型。 **生成输入：** * 文本转图像 * 图像参考（最多 14 个） **输出选项：** * 分辨率：4K * 宽高比：8:1 至 1:8，以及自动 **适用场景：** * 需要原生 4K 的参考引导图像 **费用：** 因所选设置和变体数量而异 #### Nano Banana 2 一款先进的 AI 图像生成模型，兼具制作级质量和超高速处理能力，并提升了世界知识和主体一致性。 **功能：** * 无需超分即可输出原生 4K 分辨率，呈现清晰细节 * 图像生成最快仅需 1-2 秒 * 通过先进推理和指令遵循能力，出色遵循提示词 * 支持多种语言的清晰准确文本渲染，适用于模型图、标牌和信息图 * 一致的多主体风格，可在多个角色和对象之间保持身份特征 * 提升世界知识，实现更准确的场景生成 * 支持多个图像参考来引导生成 * 一次最多生成 4 张图像 **输出选项：** * 宽高比：21:9、16:9、5:4、4:3、3:2、1:1、2:3、3:4、4:5、9:16 * 分辨率：最高 4K **适用场景：** * 需要实时迭代的快速创意工作流程 * 保持角色身份一致性的品牌内容和故事叙述 * 需要准确文字和排版的专业视觉素材 **费用：** 因所选设置和变体数量而异 **API：**[`gemini-3.1-flash-image`](/docs/zh/api-reference/flows/image/create#request.body.gemini-3.1-flash-image) #### Nano Banana 2 Lite Nano Banana 2 的快速低成本版本，适用于以 1K 分辨率快速生成和编辑。 **生成输入：** * 文本转图像 * 图像参考（最多 14 个） **功能：** * 固定 1K 输出，确保速度和成本稳定 * 与 Nano Banana 2 相同，支持 14 个图像参考 * 批量创建，一次最多生成 4 个结果 **输出选项：** * 分辨率：1K * 宽高比：21:9、16:9、5:4、4:3、3:2、1:1、2:3、3:4、4:5、9:16 **适用场景：** * 快速迭代和草稿 * 1K 已足够的批量编辑 **费用：** 因所选设置和变体数量而异 **API：**[`gemini-3.1-flash-lite-image`](/docs/zh/api-reference/flows/image/create#request.body.gemini-3.1-flash-lite-image) #### Krea 2 Medium 来自 Krea AI 的多功能制作级图像生成模型，在质量和速度之间取得平衡，适用于广泛的创意工作流程。 **功能：** * 高保真图像生成，出色遵循提示词 * 支持多个图像参考来引导生成 * 一次最多生成 4 张图像 **输出选项：** * 宽高比：16:9、4:3、1:1、3:4、9:16 **适用场景：** * 需要稳定质量的专业内容创作 * 围绕多样创意概念进行快速迭代 **费用：** 因所选设置和变体数量而异 #### Krea 2 Large Krea AI 的旗舰图像生成模型，为专业制作工作流程提供出色的视觉保真度和高级创意控制。 **功能：** * 为专业级输出提供卓越的细节和真实感 * 支持多个图像参考，实现高级风格控制 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：16:9、4:3、1:1、3:4、9:16 **适用场景：** * 高端商业和编辑图像制作 * 需要极高保真度的复杂创意构图 **费用：** 取决于所选设置和变体数量 #### Recraft V4.1 专注设计的文本生成图像模型，具备出色的提示词控制和简洁构图能力。 **生成输入：** * 文本生成图像 **功能：** * 2K 输出使用 Pro 模型变体 * 每批最多创建 4 个生成结果 **输出选项：** * 分辨率：1K、2K * 宽高比：2:1、16:9、3:2、14:10、4:3、5:4、1:1、4:5、3:4、10:14、2:3、6:10、9:16、1:2 **适用场景：** * 注重版式的图形、图标和海报 * 仅根据文本创建简洁构图 **费用：** 取决于所选设置和变体数量 #### Recraft V4.1 Flash 快速、专注设计的文本生成图像模型。 **生成输入：** * 文本生成图像 **输出选项：** * 宽高比：16 种 **适用场景：** * 仅根据文本创建注重版式的图形 **费用：** 取决于所选设置和变体数量 #### Recraft V4 专注设计的图像模型，可匹配参考图像的风格。 **生成输入：** * 文本生成图像 * 风格参考（最多 10 个） **功能：** * 风格匹配控制：Precise 会精确遵循参考风格，Flexible 则匹配整体视觉效果 * 2K 输出使用 Pro 模型变体 * 每批最多创建 4 个生成结果 **输出选项：** * 分辨率：1K、2K * 宽高比：2:1、16:9、3:2、14:10、4:3、5:4、1:1、4:5、3:4、10:14、2:3、6:10、9:16、1:2 **适用场景：** * 基于一组风格参考创建保持品牌一致的图形 * 插画和设计工作 **费用：** 取决于所选设置和变体数量 #### Seedream 5 Lite 字节跳动推出的轻量级快速图像生成模型，以更低的计算需求提供高质量结果。 **功能：** * 快速生成，支持迅速进行创意迭代 * 支持使用多个图像参考引导生成 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：16:9、4:3、1:1、3:4、9:16 **适用场景：** * 需要速度的大批量图像创建工作流程 * 快速探索概念和创建预览 **费用：** 取决于所选设置和变体数量 **API：**[`bytedance-seedream-5-lite`](/docs/zh/api-reference/flows/image/create#request.body.bytedance-seedream-5-lite) > **Warning** > > Seedream 5 Lite 在美国不可用。 #### Seedream 5 Pro 保真度更高的 Seedream 5 变体，适合精准编辑、多语言文本和高密度信息图。 **生成输入：** * 文本生成图像 * 图像参考（最多 10 个） **功能：** * 精确渲染多语言文本 * 可处理信息图和海报等高密度版式 * 每批最多创建 4 个生成结果 **输出选项：** * 分辨率：1K、2K * 宽高比：16:9、4:3、1:1、3:4、9:16 **适用场景：** * 多语言文字密集型设计 * 严格遵循参考图像的多图编辑 **费用：** 取决于所选设置和变体数量 **API：**[`bytedance-seedream-5-pro`](/docs/zh/api-reference/flows/image/create#request.body.bytedance-seedream-5-pro) > **Warning** > > Seedream 5 Pro 在美国不可用。 #### GPT Image 1.5 高速旗舰模型，专为精准的文本图像生成和复杂的非破坏性照片编辑而设计，可保留原始细节。 **功能：** * 在保持源图像光照、构图和主体外观完整性的同时，可靠执行所需更改 * 支持添加、删除、组合和融合元素等复杂编辑任务 * 输出速度比上一代快最多 4 倍 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：3:2、1:1、2:3 * 质量选项：低、中、高 **适用场景：** * 实用照片调整，以及服装或发型的逼真虚拟试穿 * 保留输入图像精髓的概念转换和风格滤镜 * 快速迭代文本生成图像概念 **费用：** 取决于所选设置和变体数量 **API：**[`gpt-image-1.5`](/docs/zh/api-reference/flows/image/create#request.body.gpt-image-1.5) #### GPT Image 1 OpenAI 的第一代图像模型，具有良好的提示词遵循能力、清晰易读的文本和细致的编辑效果。 **生成输入：** * 文本生成图像 * 图像参考（最多 5 个） **功能：** * 3 个质量级别：低、中、高 * 每批最多创建 4 个生成结果 **输出选项：** * 宽高比：3:2、1:1、2:3 **适用场景：** * 已围绕 GPT Image 1 输出构建的工作流程 * 标准分辨率下的简单编辑和图中文字任务 **费用：** 取决于所选设置和变体数量 **API：**[`gpt-image-1`](/docs/zh/api-reference/flows/image/create#request.body.gpt-image-1) #### Seedream 4.5 高性能多模态基础模型，将文本生成图像、精准图像编辑和复杂多图合成整合到单一高效框架中。 **功能：** * 原生支持快速生成最高 4K 分辨率的高保真图像 * 在基于参考输入的编辑任务中，出色保留面部特征、光照、色调和细节 * 能够准确识别并融合多张输入图像中的目标元素，实现可控且一致的结果 * 提供设计师级构图能力，可为海报和品牌视觉清晰准确地渲染小号文字 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：16:9、4:3、1:1、3:4、9:16 * 分辨率：2K、4K **适用场景：** * 需要精准版式和字体排印的专业平面设计工作流程 * 需严格遵循参考身份和光照的复杂照片编辑 * 利用多个视觉来源进行高分辨率创意合成 **费用：** 取决于所选设置和变体数量 > **Warning** > > Seedream 4.5 在美国不可用。 #### Kling O1 Image 具备高级推理能力的高保真图像生成模型，专为出色的提示词遵循能力和复杂构图中的精准视觉一致性而设计。 **功能：** * 可高精度理解并执行复杂、多层次的文本描述 * 利用图像参考，在多次生成中保持主体身份、光照和美学风格 * 针对逼真纹理、复杂空间关系和专业级光影效果进行优化 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：自动、16:9、9:16、1:1、4:3、3:4、3:2、2:3、21:9 * 分辨率：1K、2K **适用场景：** * 需要严格遵循详细技术性文本提示词的专业创意素材 * 使用视觉参考进行高一致性图像编辑和角色设计 **费用：** 取决于所选设置和变体数量 > **Warning** > > Kling O1 Image 在美国不可用。 #### FLUX.2 \[Pro] 面向专业工作流程的生产级图像生成与编辑模型，提供先进视觉质量，专注于速度、精确度和一致性。 **功能：** * 可同时参考多张图像，在数百项素材中实现行业领先的角色和身份一致性 * 在从织物纹理到建筑元素的各种场景中，显著提升细节质量，缩小与真实摄影的差距 * 为复杂字体排印、UI 模拟图和信息图提供可直接用于生产的文本渲染 * 通过十六进制代码精准指定品牌颜色，无需近似处理 * 在复杂场景中确保物体定位准确、物理效果逼真、光照协调且透视正确 * 针对结构化复杂指令优化，提供更高准确度和响应性 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：16:9、4:3、1:1、3:4、9:16 * 分辨率：720p、1080p、2K **适用场景：** * 开展角色一致的营销活动，并将产品准确放置在任意场景中 * 创建具有可读文本和一致视觉设计系统的界面模拟图 * 大规模生成产品摄影图和情境生活方式图片 **费用：** 取决于所选设置和变体数量 #### Nano Banana Pro 专业级、基于推理的图像生成与编辑模型，专为高保真素材制作、高级创意控制和精准指令遵循而设计。 **输入：** * 图像参考 * 文本描述（支持复杂的多层提示词） **功能：** * 在渲染前规划场景，提供符合物理规律的光照、准确的物体关系和出色的提示词遵循能力 * 以各种字体和手写风格生成清晰易读的多语言文本，适合引人注目的海报和产品模拟图 * 在多样化创意输出中，为最多 5 人和多个物体保持高保真度和相似度 * 集成 Google Search，通过实际数据、现实知识以及天气或体育等实时信息增强视觉效果 * 使用高级局部编辑工具调整相机角度、焦点和场景光照（例如将白天转为夜晚） * 出色的空间理解能力，可生成准确的信息图、技术图表和演示幻灯片 * 每次最多生成 4 个变体 **输出选项：** * 分辨率：1K、2K、4K * 宽高比：自动、21:9、16:9、5:4、4:3、3:2、1:1、2:3、3:4、4:5、9:16 **适用场景：** * 专业广告、品牌素材和高端电商产品摄影 * 教育讲解、数据驱动的信息图和复杂技术文档 * 快速制作高分辨率视觉设计原型，并保持角色或品牌身份一致 **费用：** 取决于所选设置和变体数量 **API：**[`gemini-3-pro-image`](/docs/zh/api-reference/flows/image/create#request.body.gemini-3-pro-image) #### Nano Banana 高速模型，可直接根据文本提示词快速生成和编辑高质量图像。 **功能：** * 支持使用多个图像参考引导生成 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：21:9、16:9、5:4、4:3、3:2、1:1、2:3、3:4、4:5、9:16 **适用场景：** * 快速创建和迭代图像 **费用：** 取决于所选设置和变体数量 **API：**[`gemini-2.5-flash-image`](/docs/zh/api-reference/flows/image/create#request.body.gemini-2.5-flash-image) #### Runway Gen-4 Image 先进基础模型，专为高保真图像生成而设计，提供出色的风格控制和视觉记忆能力，以保持跨场景一致性。 **功能：** * 使用输入图像锚定角色、风格或特定物体，在多个输出中保持专业级一致性 * 针对复杂自然语言描述进行优化，可精准控制视觉细节、光照和情绪 * 可为从电影分镜到专业产品摄影等各种场景生成高质量视觉内容 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：16:9、4:3、1:1、3:4、9:16 * 分辨率：720p、1080p **适用场景：** * 确保主角在不同环境和光照处理下保持外观一致 * 快速制作高分辨率品牌素材、虚拟试穿图和可规模化产品可视化内容 * 通过图像参考锁定核心视觉身份，同时探索不同艺术方向 **费用：** 取决于所选设置和变体数量 #### Runway Gen-4 Image Turbo 针对速度优化的图像生成模型，生成速度比标准 Gen-4 Image 快 2.5 倍，同时保持相同的输出质量。 **功能：** * 优化处理流程支持快速创意探索，可在更短时间内生成高保真图像 * 最多上传 3 张参考图像，引导模型理解特定角色、环境和艺术风格 * 通过编码参考图像中的特定视觉特征，解决视觉漂移问题，在多次生成中保持身份一致 * 轻松将参考图像的美学、光照和纹理应用于全新的主体和场景 * 使用 seed 参数系统化探索变体，或精准复现特定输出 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：16:9、4:3、1:1、3:4、9:16 * 分辨率：720p、1080p **适用场景：** * 大规模快速制作适用于 Instagram Stories（9:16）或标准帖子（1:1）的平台优化视觉内容 * 将品牌风格指南用作参考图像，确保营销活动的严格视觉一致性 * 开发一致的角色姿势和场景，同时确保主角仍可辨认 * 基于参考引导，准确创建多样化的生活方式和季节性产品图片 **费用：** 取决于所选设置和变体数量 #### Seedream 4 专为生成多镜头序列或大幅动作场景设计的图像模型。 **功能：** * 擅长创建物理效果稳定、过渡连贯的图像 * 支持使用多个图像参考引导生成 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：自动、16:9、4:3、1:1、3:4、9:16 **适用场景：** * 动作场景和动态构图 **费用：** 取决于所选设置和变体数量 > **Warning** > > Seedream 4 在美国不可用。 #### Wan 2.5 Image Wan 2.5 的图像变体，具有出色的提示词保真度，并支持参考图像。 **生成输入：** * 文本生成图像 * 图像参考（最多 2 个） **功能：** * 负面提示词和 seed 控制 * 每批最多创建 4 个生成结果 **输出选项：** * 宽高比：16:9、4:3、1:1、3:4、9:16 **适用场景：** * 与 Wan 视频生成效果风格一致的静态图像 * 忠实遵循提示词的概念图像 **费用：** 取决于所选设置和变体数量 > **Warning** > > Wan 2.5 Image 在美国不可用。 #### FLUX 3 Image 支持最多 10 个图像参考和 4K 输出的图像模型。 **生成输入：** * 文本生成图像 * 图像参考（最多 10 个） **输出选项：** * 分辨率：4K * 宽高比：16 种 **适用场景：** * 基于参考的 4K 图像 **费用：** 取决于所选设置和变体数量 #### FLUX.1 Kontext \[Pro] 用于高级图像生成和编辑的专业模型，提供出色的场景连贯性和风格控制。 **功能：** * 基于图像的风格控制，需要参考图像引导视觉美学 * 每次最多生成 4 张图像 **输出选项：** * 宽高比：21:9、16:9、4:3、3:2、1:1、2:3、3:4、4:5、9:16、9:21 **适用场景：** * 对风格有精确要求的专业内容 **费用：** 取决于所选设置和变体数量 #### 口型同步模型 #### Creatify Aurora 一款先进的扩散 Transformer（DiT）模型，可根据音频和文本指引渲染超逼真、具有反应能力的虚拟形象。 **生成输入：** * 虚拟形象（源图像） * 语音（音频文件） * 文本描述（指引） **功能：** * 不止基础口型同步，还可实现感知上下文的眨眼、呼吸和自然面部表情 * 根据语调和抑扬变化自动同步手部与全身动作，呈现录音棚级效果 * 精准解读声音强度和音高，呈现符合表演的情绪表达 * 即使在长对话或音乐表演中，也能保持高度一致的角色特征和行为连贯性 * 针对多种场景优化，包括侧面演示、播客式对话和风格化动画 * 单次最多生成 4 个变体 **输出选项：** * 分辨率：480p、720p **适用于：** * 专业虚拟形象视频广告和营销内容 * 高保真虚拟叙事和富有表现力的音乐表演 * 需要角色持续出镜的长篇教育或培训视频 **费用：** 取决于输入、设置和时长 **API：**[`creatify-aurora`](/docs/zh/api-reference/flows/video/create#request.body.creatify-aurora) #### Veed Fabric 一款快速、精准的图生视频口型同步模型，可让静态图像与提供的音频同步动起来。 **输入：** * 源图像 * 语音音频文件 **功能：** * 为源图像中的嘴部和面部表情添加动画，使其匹配提供的音频 * 从静态图像创建高保真“说话”视频 * 专用于口型同步，并非完整的视频生成模型 **适用于：** * 从静态图像创建说话的虚拟形象 * 为角色肖像添加对话 * 专业虚拟形象驱动的内容工作流 **费用：** 取决于输入、设置和时长 > **Note** > > 为获得最佳效果，图像应包含可检测的人物。 #### HeyGen Avatar 4 HeyGen 最新的虚拟形象模型，可根据单张图像和音频输入生成高度逼真、富有表现力的口播视频。 **输入：** * 源图像 * 语音音频文件 **功能：** * 高保真地让面部表情和嘴部动作匹配提供的音频 * 生成自然的头部动作和细微表情，呈现逼真效果 * 专用于口型同步，并非完整的视频生成模型 **适用于：** * 专业代言人和演示者视频 * 大规模创建个性化虚拟形象内容 * 需要角色持续出镜的营销和培训视频 **费用：** 取决于输入、设置和时长 > **Note** > > 为获得最佳效果，图像应包含清晰可见的人脸。 #### Sync 3 Sync 最新一代视频口型同步模型，可为多种内容类型提供录音棚级同步效果。 **生成输入：** * 源视频 * 语音音频 **功能：** * 高精度口型同步，保留独特面部细节、自然牙齿和皮肤纹理 * 针对实拍、3D 动画和 AI 生成视频等所有内容类型优化 * 视频转视频口型同步工具，并非完整的视频生成器 **适用于：** * 电影和广告的专业配音与本地化 * 优化或修正任何视频格式中的对话 * 大批量内容翻译工作流 **费用：** 取决于输入、设置和时长 > **Note** > > 为获得最佳效果，视频应包含可检测的人物。 #### Sync Lipsync 2 Pro 一款先进的视频编辑模型，专为录音棚级口型同步设计，可保留独特面部细节并支持高分辨率输出。 **生成输入：** * 源视频 * 语音音频 **功能：** * 集成先进的超分辨率技术，在保持清晰自然纹理的同时支持 4K 输出 * 保留自然牙齿、雀斑、妆容和复杂胡须等独特面部特征，不损失清晰度 * 针对所有内容类型优化，包括实拍、3D 动画和 AI 生成视频 * 无需针对说话者训练或微调模型，即可立即生成富有表现力的同步效果 * 可同时生成最多 4 个变体 **适用于：** * 电影和高端广告的专业级配音与本地化内容 * 优化或修正 3D 动画和 AI 生成角色的对话 * 需要像素级面部一致性和细节的高分辨率项目 **费用：** 取决于输入、设置和时长 #### OmniHuman 1.5 一款专用工具模型，可生成极其逼真的拟人口型同步效果。 **输入：** * 静态源图像 * 语音音频文件 **功能：** * 让源图像中的嘴部动作匹配提供的音频 * 从静态图像创建高保真“说话”视频 * 专用于口型同步，并非完整的视频生成模型 **适用于：** * 创建说话的虚拟形象 * 为静态图像添加对话 * 专业配音工作流 **费用：** 取决于输入、设置和时长 > **Note** > > 为获得最佳效果，图像应包含可检测的人物。 > **Warning** > > OmniHuman 1.5 在美国不可用。 #### MiniMax H3 Max Lip Sync 根据一段语音片段为静态图像添加动画，输出最高可达 2K。 **输入：** * 源图像 * 语音音频（5 秒至 14.8 秒） **功能：** * 专用于口型同步，并非完整的视频生成模型 **适用于：** * 根据静态图像和短音频片段创建说话肖像 **费用：** 取决于输入、设置和时长 #### Veed Lipsync 一款快速、经济且精准的工具模型，可为视频添加逼真的口型同步效果。 **输入：** * 源视频 * 新语音音频文件 **功能：** * 重新生成源视频中的嘴部动作，使其匹配新音频 * 视频转视频口型同步工具，并非完整的视频生成器 **适用于：** * 大批量、高性价比配音 * 翻译内容 * 修正视频片段中的音频，同时保持逼真效果 **费用：** 取决于输入、设置和时长 > **Note** > > 为获得最佳效果，视频应包含可检测的人物。 #### Veed Lipsync 2.0 Veed Lipsync 的高质量后续版本，可为现有视频添加逼真的口型同步效果。 **输入：** * 源视频 * 新语音音频文件 **功能：** * 重新生成源视频中的嘴部动作，使其匹配新音频 * 视频转视频口型同步工具，并非完整的视频生成器 * 支持批量创建，单次最多生成 4 个结果 **适用于：** * 输出质量比成本更重要的配音和翻译 * 修正已完成片段中的对话 **费用：** 取决于输入、设置和时长 > **Note** > > 为获得最佳效果，视频应包含可检测的人物。 #### 工具模型 #### Topaz Image Upscale 在保留细节的同时提高图像分辨率。 **输入：** * 源图像 **功能：** * 放大倍率：1.25x、1.5x、2x、3x、4x **适用于：** * 为高分辨率显示器准备图像 **费用：** 取决于输入 #### Topaz Video Upscale 在保留细节的同时提高视频分辨率。 **输入：** * 源视频 **功能：** * 放大倍率：1.25x、1.5x、2x、3x、4x * 快速和精准处理模式 * 可选帧率转换为 24、25、30、48、50 或 60 fps **适用于：** * 为高分辨率显示器准备视频 **费用：** 取决于输入 #### 背景移除 移除图像背景，并返回带 Alpha 透明通道的图像。 **输入：** * 源图像 **功能：** * 无需提示词 * 每次运行生成单个输出 **适用于：** * 产品抠图和合成 * 准备主体，用作其他生成任务的参考 **费用：** 取决于输入 #### 视频背景移除 移除视频背景。 **输入：** * 源视频 **功能：** * 无需提示词 * 输出背景可设为透明、黑色或绿色 **适用于：** * 从现有素材中抠出主体 * 为视频合成做准备 **费用：** 取决于输入 #### Runway Ruby 将标准动态范围视频转换为 HDR。 **输入：** * 源视频（最长 30 秒） **功能：** * 无需提示词 * 每次运行生成单个输出；时长和画幅跟随源视频 **适用于：** * 为 HDR 显示器准备素材 * 重新调色生成的视频，以便交付 **费用：** 取决于视频时长 ## 常见问题 #### 什么是 Image & Video？ Image & Video 可根据简单的文字描述和可选参考图片，创建高质量视觉内容。 ![](/docs/_fern-img/ec6dc958c221fea880349a9807857e535832d80e0cbd2f3399c0f2ee4328d27e.webp) 可根据使用场景，从多种图像和视频生成模型中选择。生成的内容可下载，也可直接导入 Studio 项目。 如果使用免费方案，每天只能提交 3 次图像生成。视频生成功能仅限付费订阅使用。 更多详情请参阅 [Image & Video 文档](/docs/zh/capabilities/image-video)。 > **Note** > > 如果你加入了 ElevenLabs Grants 计划，最多可将 1,000,000 点资助积分用于 > **Image & Video** 和 **Flows**。 #### Image & Video 的费用是多少？ 每次生成的费用取决于所选模型和设置，例如分辨率，以及视频时长。每次生成都会计费。选择生成 4 个结果的费用是选择生成 1 个结果的 4 倍。 提交生成前，会根据所选模型和设置显示剩余可生成次数。要查看所选生成将扣除多少积分，请将鼠标悬停在剩余生成次数上。 ![](/docs/_fern-img/05a4697d64f8028a9651d23c5daba1870b6495db111973c3f491ec21bbbe6f5d.webp) 详情请参阅 [Image & Video 文档。](/docs/zh/product-guides/playground/image-video) 如果使用免费方案，每天只能提交 3 次图片生成。视频生成仅适用于付费订阅。