我一个写后端的，最早觉得图像视频模型跟自己没关系。直到有一次给客户做演示，需要几张产品概念图和一段十五秒的短片——外包做要等一周，我用一个下午自己出了。从那以后，这块就进了我的工具箱。
但你真要用起来会发现，这块的选型和编码模型完全不是一个思路。编码模型的产出能用测试验证，图像视频的产出只能靠眼睛看，所以「谁跑分高」几乎没有意义，得按「你要什么」来选。
这篇讲四件事：图像模型按用途怎么分、视频模型按「单帧还是叙事」怎么选、最痛的角色一致性问题怎么解、以及计费和限流的坑。
一、先说清楚：什么时候值得用
不是所有场景都适合上生成式素材。我的判断标准很简单：
| 场景 | 值不值得 | 说明 |
|---|---|---|
| demo 演示、原型配图、内部评审 | 非常值得 | 要的是「像那么回事」，不要求像素级精准 |
| 社交媒体配图、短片、活动物料 | 值得 | 量大、更新快、也不需要长期一致性 |
| 概念验证、给客户看效果 | 值得 | 省掉一轮外包沟通 |
| 品牌主视觉、正式产品图 | 慎用 | 细节不可控，且可能踩版权与真人肖像的坑 |
| 需要精确还原实物的图（如真实产品） | 不值得 | 不如拍一张 |
一句话：它擅长「从零造一个像样的东西」，不擅长「精确还原一个具体的东西」。把活派对地方，体验会好很多。
二、图像模型：按用途分，不按好坏分
常见的需求其实就四种，每种看重的点完全不同：
| 用途 | 最看重什么 | 选型要点 |
|---|---|---|
| 概念图、氛围图、配图 | 审美与出图率 | 随便挑一个顺手的，多抽几张选 |
| 产品图、电商图 | 主体突出、色彩讨喜 | 偏商业美学的模型更省事，后期少 |
| 同一个角色贯穿多张图 | 角色一致性 | 这是分水岭，见下一节 |
| 批量出图（图标、背景、素材） | 成本与速度 | 便宜档 + 批处理，别用贵的 |
具体产品上，各家侧重点不一样，而且迭代很快，我就不列名单了（列了下个月就错）。你只需要记住两个选型维度：这个模型对中文提示词的理解好不好，以及它在「同一个角色反复出现」这件事上稳不稳。这两点直接决定你的返工量。
三、视频模型：单帧质感 vs 连续叙事
这是视频选型里最核心的一条分界线，很多人搞混了，所以总觉得「怎么换了更强的模型反而不满意」。
要「单帧拿出来就是一张好照片」
→ 看画质、光影、细节质感
→ 适合：产品特写、氛围镜头、静态展示
要「十秒里讲完一个动作弧线」
→ 看提示词遵循度、动作连贯性、叙事完整度
→ 适合：短片、剧情、有起承转合的内容
这两件事经常是矛盾的：单帧最漂亮的模型，
不一定能把一个复杂动作在十秒内讲完整。所以拿到一个视频需求，先问自己：这活是「一张好图动起来」还是「一段有剧情的动作」？答案不同，选的模型就不同。
另外几个实用的判断点：
- 中文提示词的理解。国产模型在成语、古诗词、网络语、以及中文语境的叙事上明显更准，这对做国内内容的人是硬优势。
- 镜头时长。多数模型在 5 秒左右最稳，越长越容易崩。长内容要拆成多个镜头再拼。
- 是否原生生成音频。有的带音效和配乐，能省一道工序。
- 访问难度与结算方式。这一条在国内是硬约束，别等做完了才发现付不了款。
四、角色一致性：这行最大的痛点
做过多镜头内容的人都踩过：同一个角色，第二个镜头脸就变了。这是目前所有视频模型的通病，区别只在严重程度。
三种解法，按成本从低到高：
解法一：角色卡（最通用）
- 先生成角色的标准形象图；
- 再生成三视图（正面、侧面、背面），存成角色卡；
- 每次生成新场景时，把角色卡作为参考图一起喂进去。
这是最基础也最通用的做法，几乎对所有模型都有效。
解法二：首尾帧控制（控制动作）
不要让它自由发挥动作。你给起始帧和结束帧，让它补中间——这样动作幅度、起止姿态都可控，崩的概率大幅下降。关键动作一定要用首尾帧，别指望它自己演。
解法三：角色库 / 专属角色（成本最高）
部分平台支持上传参考图训练一个专属角色，多镜头相似度能到很高水平。做连续剧集、系列内容时这是刚需，但要注意：不少平台对真人图片作为参考有安全限制，做真人 IP 的要先确认规则。
五、计费与限流的坑
这块的计费模式和 API 完全不一样，第一次用很容易低估：
| 模式 | 怎么算 | 适合谁 | 坑 |
|---|---|---|---|
| 按秒 / 按次计费 | 生成时长越长越贵，分辨率越高越贵 | 轻度、偶发使用 | 一条 15 秒的片子可能比你想的贵不少；反复抽卡会叠加 |
| 会员积分制 | 月费换额度，每天送一些 | 重度、每天出片 | 低价档常常要排队，赶工期时很要命 |
| API 调用 | 按次结算，可批处理 | 要集成进系统 | 并发限制与队列时间要提前压测 |
三个提醒：
- 抽卡成本要算进去。你看到的「一条多少钱」，通常要乘上一个系数——不满意重抽是常态，新人尤其容易低估。
- 排队时间比生成时间更影响工期。低价档的队列可能让「十分钟出片」变成「两小时出片」，赶交付前务必先试一次。
- 生成完还要后期。调色、变速、转场、配音，这些 AI 不帮你做，工时照样要算。
六、给后端同学的一句话
你不需要变成设计师才能用这些东西。你的优势恰恰在别处：你能把它接进流程里——批量出图、自动拼接、和内部系统打通、把成本算清楚。设计能力可以慢慢补，工程化能力是你本来就有的。
真要给建议的话：先从一个真实的小需求开始（比如下次做 demo 的配图），一个下午摸清楚流程，比看十篇测评有用。
备忘
- 图像视频选型不能看跑分——产出只能靠眼睛看，得按「你要什么」选。
- 值得用：demo 配图、社媒物料、概念验证；慎用：品牌主视觉、正式产品图；不值得：精确还原实物（不如拍一张）。
- 它擅长「从零造一个像样的东西」，不擅长「精确还原一个具体的东西」。
- 图像按用途分：概念氛围（审美）、产品图（主体与色彩）、角色贯穿（一致性）、批量（成本）。
- 图像选型看两点：中文提示词理解、角色一致性稳不稳。
- 视频的核心分界：单帧质感（一张好图动起来）vs 连续叙事（十秒讲完动作弧线）。两者常矛盾。
- 镜头时长控制在 5 秒左右最稳，长内容拆镜头再拼。
- 角色一致性三解法：角色卡（通用，先出三视图）、首尾帧控制（关键动作必用）、角色库/专属角色（系列内容刚需，注意真人参考的安全限制）。
- 计费三模式：按秒/按次（轻度）、会员积分（重度，但低价档排队）、API（要集成）。
- 三个坑：抽卡成本要乘系数、排队时间比生成时间更要命、后期工时照样要算。
一起聊聊