↓

僵尸情侣视频和文生视频:描述一个人和提供一个人

2026/10/29

文生视频和图生人像视频都被叫"AI 视频",这就是为什么很多人搞不懂:为什么其中一个做出来从来不像自己。差别不在质量,在于模型被给了什么。

两个不同的起点

文生视频从一段描述出发。模型发明一切:人、脸、房间、光。你写"一对僵尸情侣在点着蜡烛的小教堂里",你得到的是一对情侣——不是你们。你的脸没有任何进入的机制,因为关于你的脸什么都没被提供。

人像生视频从身份出发。两张照片、每人一张,加一段场景描述。模型必须渲染它被给到的东西,而不是发明它。

后面所有差别都从这一条推出来。

为什么文生视频靠更好的提示词救不回来

大家会试。他们把一张脸描述得很细——下颌线、眼睛颜色、头发、雀斑。它不会收敛,两个原因:

  1. 描述是有损的。 一张脸是几百个参数,语言大概能带十几个。
  2. 一致性没有被强制。 同一个提示词做两条,得到两个不同的人。同一个片段内部,脸也会在帧与帧之间变。

提示词能指定一个类型,指定不了一个人。

人像生视频仍然会错的地方

为了公平:喂两张照片也不是保证。衣服会变、首饰会掉、发际线会挪。区别是错误类别——模型从你的脸出发然后让它退化,而不是从来就没有过它。

退化可以预先规避:简单服装、均匀的光、十秒、锁定场景。缺失没办法。

文生视频真正赢的地方

  • 没有具体人物的场景。 定场镜头、风景、街上的一群人。没有身份要保,也就没有可失去的。
  • 概念验证。 在投入之前先试一个想法。
  • 怪东西。 任何参考图暗示不了的东西,只能用文字进。
  • B-roll。 让一组序列显得更大的插入镜头。

专业做法里的混合

世界用文生,人物用人像生。环境用文字生成,情侣用人像生成,然后剪在一起。

这之所以成立,是因为每个工具都在自己的能力范围内被使用:通用模型做它擅长的(发明地方),人像路线做只有它能做的(保住两张脸)。

"图生视频"这个词到底指什么

多数时候指"一张图作为首帧",这是个中间态:强烈锚定构图、部分锚定身份,但单帧告诉不了模型这个人怎么动、从别的角度看是什么样。

两张人像加一个场景,是一个更窄、更有主张的输入。它的窄,正是它在这件事上好用、在别的电影任务上没用的原因。

成本比较

文生视频长在订阅和额度体系里,这让你很难事先知道一条可用片子的真实成本。按条产品把价格固定在 3.99 美元、产出固定在 10 秒 16:9 720p。

每天生成,订阅是对的。只想给两个具体的人做一条,按条是对的,而订阅是一笔你会忘记取消的尾数。

一句话规则

你要写的那句话以"一对情侣"开头,文生没问题。以"我们"开头,你需要人像。

在制作区试,价格在定价。

常见问题

文生视频能做出特定的人吗?

不可靠。可以往一个描述上引导,有些产品接受图像参考,但文字这条路不保证身份。

人像生视频画质更高吗?

不一定在绝对意义上——它更窄。它在自己那件事上更好:一个场景里两张认得出的脸。

能提供超过两张照片吗?

这个产品每人一张。更多输入不会提升身份,一张清晰的正面比数量重要得多。

具体交付什么?

10 秒、16:9、720p MP4,从私有任务链接下载,就绪时会有邮件通知。

Zombie Couple Video

僵尸情侣视频和文生视频:描述一个人和提供一个人 | Zombie Couple Video