相片生成 AI 影片：完整指南

photo-to-video 實際運作原理

image-to-video 係進入 AI 影片生成最實用嘅入口。你唔使由零開始描述成個場景，只需要俾張相模型，等佢想像之後幾秒會發生咩事。相片鎖死咗構圖、主體、光線同風格；模型唯一要做嘅就係郁。呢個限制正正係點解喺同等技術水平下，photo-to-video 嘅效果會比 text-to-video 好咁多。

喺底層，模型做兩件事。第一，好似圖像模型咁分析你張相：主體、景深、光線、質感。第二，根據你嘅動作提示詞，預測之後一小段合理嘅連續畫面。輸出質素取決於三個輸入，大致按重要性排序：底相、動作描述、同生成設定。大多數疑難排解指南由設定講起；呢篇由相片講起，因為大多數失敗都係喺呢度開始。

一早要講清楚嘅期望：模型動畫化嘅係相入面有嘅嘢，唔會重新想像。如果張相黑、矇、構圖差，條片就會係黑、矇、構圖差嘅郁版。入垃圾，出垃圾郁畫。

揀啱相片：八成法則

解像度係重要，但唔係大家諗嗰種重要法。你唔需要 4K 素材；大多數影片模型內部都係 720p 運作，無論如何都會將你嘅輸入縮細。你需要嘅係一張乾淨、清晰、尺寸合理嘅相——長邊 1024 像素已經好夠。一張清晰嘅 1024px 相，每次都贏過一張矇嘅 4K 相。

構圖先係真正嘅槓桿。模型只可以動畫化佢睇得到嘅嘢，所以主體要完整入鏡，周圍留返啲呼吸位。太貼嘅裁剪切走手腳或者頭頂，會迫模型喺郁動中間發明返啲唔見咗嘅身體部位——呢個係解剖學 glitch 嘅主因。想要 close-up 影片，就影張 close-up 相；唔好指望模型幫你重新構圖。

塊面有特別規則。正面或者四分三側面、光線均勻、冇遮擋嘅面，保留身份嘅效果遠遠好過側面、深陰影，或者俾頭髮、手半遮住嘅面。模型係靠比對所見嚟跨畫面追蹤面部特徵；俾個清晰參考佢，漂移就會大減。

底相嘅光線決定咗條片嘅上限。均勻柔和嘅光俾到模型關於形狀同質感嘅乾淨資訊。底相入面嘅強烈對比、重濾鏡或者極端調色，喺郁動中會被放大，唔會被磨平。唔肯定就揀手頭上光線最自然嗰個版本。

重要設定：時長、比例、動作

時長係第一個要決定嘅設定，學習階段短啲會聰明啲。五秒係標準測試長度：夠長去判斷動作睇落自唔自然，又夠短令試錯成本平。五秒版穩定咗先至加到八秒或者十秒，因為長生成會同時倍增成本同埋片中劣化嘅機會。

長寬比要跟底相，唔係跟目標平台。如果張相係直度 9:16，你要 16:9 影片，模型就要裁或者拉，兩樣都傷質素。先將比例對返張相；平台用嘅重新構圖之後用標準剪片工具做。

動作強度（有時叫 motion intensity 或者 dynamics）控制郁得有幾勁。數值低會出微妙、接近靜止畫面嘅效果——穩陣但悶。數值高會出戲劇性動作——刺激但容易 warping 同身份漂移。由中間開始，睇效果再調：條片感覺凍結咗就加；塊面開始溶就減。

種子同固定設定喺影片比喺圖像更重要。搵到work嘅組合之後，喺郁提示詞之前先鎖死種子。喺種子漂移緊嘅同時改動作描述，你永遠學唔到邊個改動帶嚟邊個效果——同靜態圖提示詞試錯一樣嘅單變量紀律。

動作提示詞：用動詞，唔用名詞

動作提示詞係另一種技能，同圖像提示詞唔同。圖像提示詞描述靜態場景，動作提示詞描述時間入面嘅變化。模型要嘅係動詞、方向同節奏——唔止係名詞。

由主要動作開始。「佢慢慢將頭轉向鏡頭」贏過「beautiful woman, cinematic」，因為佢話俾模型知實際郁嘅係咩。一個清晰嘅主要動作贏過三個互相打架嘅；乜都郁，就乜都唔似係刻意。

加啲次要動作嚟增加真實感。頭髮輕輕飄、布料郁動、背景元素漂移——呢啲細微嘅次要動作正正係「識郁嘅相」同「影片」嘅分別。簡單描述就夠：「佢啲頭髮喺微風中輕輕飄動」已經夠。物理模型自己會補完。

指明邊啲要保持靜止。「鏡頭固定」或者「locked-off shot」可以防止模型擅自加嗰種令人作嘔嘅慢 zoom。如果你想要鏡頭郁，就明確講（「slow push-in」），唔好俾模型即興。

動作提示詞要短——兩三句。太長太花巧嘅動作描述會稀釋核心指令，同過長嘅圖像提示詞一樣。主體、主要動作、次要動作、鏡頭行為。就係成條公式。

常見失敗同解決方法

身份漂移——塊面喺畫面之間變咗——係最多人回報嘅失敗。原因按次序：底相塊面唔清晰、動作強度過高、時長太長。按呢個次序修：先換張好啲嘅底相，再減動作，再縮短條片。唔好諗住淨係靠提示詞嘅字去修漂移；呢個係數據問題，唔係語言問題。

凍結或者接近靜止嘅輸出，通常代表動作提示詞太弱或者動作強度太低。兩樣一齊加強再重新生成。如果模型仲係幾乎唔郁，可能係底相缺少景深線索（好平嘅光、單調背景俾唔到模型乜嘢發揮）。

warping 同溶化——手腳彎到唔可能嘅角度、背景糊開——係因為動作強度高過個場景頂得住嘅程度。複雜姿勢同繁忙背景頂到嘅動作少過簡單場景。減強度或者簡化：揀張平靜啲嘅底相。

閃爍同質感爬行多數出現喺長片，而且通常由生成中段開始。實際嘅解決方法係縮短時長；十秒會閃嘅片，五秒版通常乾淨完美。將時長當品質控制，唔止係創作選擇。

解剖學 glitch（郁動中途出現多餘手指、轉頭嗰陣塊面變形）係靜態圖「手部問題」嘅影片版——因為模型要跨畫面維持解剖學，所以被放大咗。底相構圖留返多啲位、避開極端姿勢、動作保持適中，就可以減到最少。現行技術本身就有一定 glitch 率；預返啲 budget 嚟重新生成。

起飛前檢查清單（慳返你啲 credits）

每次生成之前，跑一次呢個 checklist。底相：清晰、光線好、主體完整入鏡，身份重要嘅話塊面要清楚。長寬比：跟返張相。時長：測試用五秒。動作強度：由中間開始。動作提示詞：一個主要動作、一個次要動作、指明鏡頭行為。種子：搵到啱嘅設定就鎖死。

生成之後按呢個次序評估。第一，身份：主體仲似唔似張相？唔似就先修底相或者減動作，唔好掂其他。第二，動作質素：動作睇落物理上合唔合理？第三，瑕疵：成條片掃一次 warping、閃爍或者解剖學問題，尤其係劣化最集中嘅最後兩秒。

記個簡單 log：用過咩相、咩設定、咩動作提示詞、咩種子，同埋一行結論。生成二十次之後你就有自己嘅 playbook——人像同全身照分別用咩動作強度、你部相機啲相邊啲最啱動畫化、你個平台嘅模型點處理頭髮同布料。呢本 playbook 比任何指南都有價值，因為佢係為你嘅輸入調校。

同埋條 meta 規則：平咁試錯。五秒、低成本、快 turnaround 咁測試。平版證明到個概念，先至使長而貴嘅生成。AI 影片浪費得最多 credits 嘅，就係啲未試過嘅諗法嘅十秒片。