参考图生成视频教程 2026

参考图不是一个强度数值。你要么给模型一张，要么不给。

没有 0.75 这样的数值可调，没有面部关键点误差百分比可追，也没有编码器设置可配。角色能否在整个片段中保持一致，取决于你交出的图片质量，以及你把它交给了哪个模型。

这两点完全由你掌控，这比一个调节旋钮要好得多。

哪些模型真正支持参考图

37 个视频生成模型中的十三个。搞错这一点，是人们认为参考图生成视频“不管用”的最常见原因：

Seedance 2.0、2.0 Fast 和 2.5 · Veo 3.1 和 3.1 Lite · Wan 2.7、3.0 和 3.0 Prime · Kling 3.0 Motion Control · MiniMax H3 · Gemini Omni Flash · Happy Horse 和 Happy Horse 1.1

值得注意的是，Kling 3.0 本身不在其中。它只支持文生视频和图生视频。如果你一直在给 Kling 3.0 上传人脸，却发现它毫无反应，原因就在这里——这项能力在 Kling 3.0 Motion Control 上。

从参考图生成视频开始。

参考图就是全部工作

一切都继承自这个文件，所以它比提示词更值得用心。

正脸或四分之三侧脸。 纯侧脸只给模型一只眼睛和半边下颌作为依据，其余部分全靠模型编造，而编造的内容每一帧都在变。

在画面中占比大。 在广角镜头里只占一小块的脸，携带的细节很少。请裁切放大。

光线均匀。 硬阴影会被当作面部结构固化下来。平整、均匀的光线才能让模型看到真实的轮廓。

表情中性。 参考图里的大笑容往往会延续到不该出现的镜头里。

清晰锐利。 参考图中的模糊在运动中会变成一团糊，任何提示词都救不回来。

如果参考图是生成的而不是拍摄的，那就有针对性地生成：专门为此制作的干净肖像，胜过从别处截取的一帧。

每次生成都复用完全相同的文件。不是相似的图片，而是同一张。两张相似的参考图会生成两个相似却不同的人，这恰恰是你想避免的问题。

围绕参考图编写提示词

模型能看到这张脸。不要描述它。

把提示词花在“棕色眼睛、轮廓分明的下颌、深色头发”上，不但不能辅助图片，反而会与之竞争，还可能把结果拉离你提供的参考。

要写角色在做什么、身处何处，以及镜头如何运动：

“她沿着港口的防波堤慢慢走着，望向大海。阴天光线。镜头在一旁跟拍。”

在各个镜头之间保持场景和光线的描述一致，只改变动作。这样一组片段看起来才是一个整体。

为什么身份仍会漂移

有三个真实原因，没有一个是缺了某个设置。

时长。 身份在几秒内能保持，时间一长就会退化。如果一张脸撑过了四秒、到第十秒就散了，那就生成更短的片段，再剪辑到一起。

参考图质量。 上文已经讲过，这是迄今为止最常见的原因。

选错模型。 如果模型不支持参考，参考图就完全不起作用。

什么时候参考图生成视频不是合适的工具

连续的片段，而不是分开的镜头。Long Video Generator 会把各段串联起来，每一段都带上前一段已完成的片段，并从其最后一帧继续，参考图全程随行。这样既能保持角色，也能保持环境，而单靠参考图做不到这一点。

特定的表演。 Motion Control 会把驱动视频中的动作迁移到角色图片上。当你手里有想要的动作片段时，迁移比描述更有效。

跨多个地点的独立场景。 Series Generator 正是为此设计的。

精确的起点和终点。 使用首尾帧生成，仅支持 Seedance 2.0 和 2.0 Fast。

哪些说法并不存在

没有参考强度。 任何模型上都没有用来调节参考图遵循程度的数值。

没有关键点或漂移指标。 没有按模型公布的面部漂移数据，也没有需要控制在其以下的百分比。引用这类数字的文章都是编造的。

没有可配置的专用参考编码器，任何地方也没有分区域蒙版。

确实有一个模型提供 seed：Wan 2.7，它还支持负面提示词。它是唯一一个，因此当可复现性比什么都重要时，它就是首选。

一套靠得住的工作流程

1. 制作一张高质量的参考图并保存。
2. 从这十三个模型中选一个。
3. 写动作和镜头，永远不要写脸。
4. 生成短片段。在片段结尾而不是开头，诚实地评估身份是否保持。
5. 后续每个镜头都复用完全相同的参考图。

第 1 步决定结果。之后的一切都只是重复。

模型目录见模型，每次生成在运行前都会显示报价，套餐价格见定价页面。