图像与视频

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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 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

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

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

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

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

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

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

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

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

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

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

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 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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