AI 生图生视频全模型使用手册：11 个模型从入门到精通

2025 年 AI 内容生成工具百花齐放，光是主流模型就有十几个，参数语法各不相同。到底该用哪个？提示词怎么写？

这篇文章整理了 6 大生图模型 + 5 大生视频模型 的完整使用指南，从选型到出图到排错，一篇覆盖。文末还附上了一组实际 AI 生图案例，带你看看 2025 年 AI 生图的真实水平和仍然存在的问题。

第一章：先选对工具

工具选对，效率翻倍。不同任务适合不同模型，以下两张选择矩阵帮你 30 秒定位。

生图模型选择矩阵

生视频模型选择矩阵

快速决策指南：极致画质 → MJ v7 | 极致照片感 → FLUX | 精确文字 → GPT Image / Ideogram | 精确镜头 → Hailuo | 精确运动 → Kling | 最多素材输入 → Seedance

第二章：通用提示词公式

不管用哪个模型，一个好的提示词都应该包含六个要素。记住这个公式：

[镜头/视角] + [主体描述] + [动作/状态] + [场景/背景] + [光线] + [风格/情绪]

低效 vs 高效写法对比

六要素速查词典

五条核心原则

1. 精 > 多 —— 10 个精准词 > 30 个模糊词
2. 具体 > 抽象 —— “BMW 7 系车内皮质方向盘” > “豪华汽车”
3. 情感词放末尾 —— 模型最后读到的词权重最高
4. 英文效果更好 —— 大多数模型对英文 Prompt 响应更稳定
5. 一次只做一件事 —— 复杂场景拆分成多个 Prompt 分别生成

第三章：生图模型详解

Midjourney v7 — 艺术质感第一

美学表达最强 · Omni Reference 角色一致性旗舰

参数速查

Omni Reference（–oref）角色一致性

V7 旗舰功能，取代旧版 --cref。将同一角色/物体的外观保持在多张不同场景的图片中。

基础语法：[场景描述] --oref [参考图URL] --ow [0-100]

--ow 100（默认）：复制参考图的全部外观（面部+服装+配饰）
--ow 50：保留面部和主要特征，允许服装变化
--ow 0：仅保留面部，完全换装

最佳实践：

• 参考图用 MJ 自身生成的角色效果最稳定
• 参考图尽量正面、清晰、无遮挡
• 可叠加 --sref 同时锁定风格

Style Reference（–sref）风格锁定

把一张图的视觉风格（色调/笔触/氛围）应用到新内容上：

[内容描述] --sref [风格参考图URL] --sw [0-1000]
数字风格代码：--sref 12345
随机风格探索：--sref random

完整示例

# 艺术人像
cinematic portrait of a woman in a misty forest,
soft golden light, 35mm film, shallow depth of field
--ar 3:4 --v 7 --s 300 --q 2

# 系列角色（保持外观一致）
the same adventurer woman exploring ancient ruins, torchlight
--oref https://example.com/character.jpg --ow 80
--ar 16:9 --v 7 --s 200

# 风格迁移（Ghibli 画风）
a young boy reading a book under a giant tree, countryside
--sref https://example.com/ghibli.jpg --sw 500
--ar 16:9 --v 7 --no realistic, photo

FLUX 系列（含 Kontext）— 照片真实感最强

开源可本地部署 · 指令式图片编辑

版本对照

FLUX Kontext 指令式编辑

Kontext 与传统 Inpainting 的本质区别：不需要画蒙版，直接用自然语言描述要改什么。

好的写法：“Change the pink hat to a golden crown, keep the dog’s expression and pose exactly the same”

差的写法：“Edit the image a bit”（太模糊）

GPT Image — 最懂自然语言

文字渲染最准确 · 复杂构图执行力最强

GPT Image 的核心优势在于自然语言理解和精确文字渲染：

文字渲染技巧：每张图最多 2-3 处文字效果最好。

Adobe Firefly — 商业版权安全

唯一授权训练数据 · Photoshop 深度集成

核心价值：Firefly 是唯一使用 Adobe Stock（完整版权授权）数据集训练的商用模型，生成内容可商用无版权纠纷。

Generative Fill（创成式填充）使用指南：

局限性：风格相对保守，极端艺术风格不如 MJ；写实感不如 FLUX。

Ideogram — 文字图片渲染王者

文字渲染准确率约 90%（行业领先），适用于需要精确文字的海报、标签、封面设计。

# 海报设计
"A concert poster for a jazz festival,
the title text reads exactly: JAZZ NIGHT 2026,
below it: Every Friday, 8PM,
art deco style, gold and black colors, elegant typography"

# 产品标签
"A coffee bag label, brand name: MORNING FOG in elegant script,
subtitle: Single Origin Ethiopia,
kraft paper texture, minimalist design, warm brown tones"

Stable Diffusion — 开源免费 · 完全自定义

SD 对 Tag 式提示词响应最好，使用英文关键词逗号分隔，括号权重语法 (keyword:1.3)。

# 正向提示词
masterpiece, best quality, 8k, (photorealistic:1.2), 1girl, solo,
beautiful face, long black hair, white dress,
standing in a sunflower field, (golden hour:1.3),
bokeh background, (film grain:0.8), cinematic lighting

# 负向提示词（必加）
low quality, blurry, distorted, bad anatomy, extra limbs,
watermark, text, ugly, deformed, (worst quality:1.4),
(bad hands:1.3), missing fingers, extra digit

LoRA 常用场景：角色 LoRA（固定 IP 外观）、风格 LoRA（固定绘画风格）、物体 LoRA（固定产品形象）。

Gemini 3 Pro Image — 推理驱动生图

支持 14 张参考图 · 原生 4K · Google 实时搜索接地

与其他生图模型最大的本质区别：推理驱动。模型在落笔前先生成"思考草图"，逐步推导构图和光线逻辑，复杂场景效果显著优于同类。

独有能力

写法关键：叙事式描述，不要堆词

# 好的写法（叙事式）
"A wide establishing shot of a rain-soaked Tokyo intersection at night.
A lone figure in a yellow raincoat stands under a flickering streetlamp.
Neon signs reflect in the puddles. Shot in the style of a cinematic thriller."

# 差的写法（关键词堆砌）
"tokyo night rain neon cyberpunk aesthetic 4k ultra realistic masterpiece"

Search Grounding 实时搜索

"Use search to find today's weather in Shanghai
and visualize it as a modern forecast infographic"

"Search for Apple's latest product lineup
and create a clean comparison infographic"

14 张参考图品牌一致性工作流

最多支持 14 张参考图 = 5 张人物 + 6 张物体 + 3 张风格。适合品牌全套视觉物料一次生成：

• 品牌 Logo 图（1 张）→ 锁定品牌标识
• 产品图（3 张，不同角度）→ 锁定产品外观
• 主视觉风格图（2 张）→ 锁定色彩和美学
• 模特参考图（2 张）→ 锁定人物形象

第四章：生视频模型详解

Sora 2（OpenAI）— 原生音频 + 续写 120s

提示词公式

[镜头描述], [主体描述], [动作], [场景], [光线], [风格]

# 纯画面
Wide tracking shot, a woman in a red dress walks slowly
through a foggy forest at dawn, golden light filtering through trees,
cinematic, 35mm film grain

# 含对话台词
昏黄书房里，一位老人坐在壁炉边，慈祥地看向镜头。

He says warmly:
"I still remember when I was young..."

台词技巧：英文嘴型同步更好 · 每 4 秒约 1~2 句 · 用 “says warmly:” “whispers:” 指定情绪

续写规则：单次不超过 20 秒 · 最多续写 6 次 · 总计可达 120 秒

编辑规则：每次只改一个元素，修改越精确保留原有动态越稳定。

Hailuo 2.3（MiniMax）— 15 种运镜标签

精确镜头控制 · 首尾帧 · 主体参考

运镜指令标签全量速查

运镜标签用法

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

# 单个运镜
"镜头缓缓向前推进，拍摄咖啡馆里的女人[推进]"

# 先后发生
"从背后拉远[拉远]，然后转到正面固定[固定]"

# 同时发生（最多 3 个）
"镜头边上升边右移[上升,右移]，俯瞰城市夜景"

# 首尾帧
首帧：春天樱花下的少女（上传图片）
尾帧：秋天银杏下的同一少女（上传图片）
提示词："少女从春走到秋，光线从粉嫩过渡到金黄[拉远]"

注意：S2V 主体参考不支持同时使用运镜标签。

Kling 3.0（快手）— Motion Brush 独家

画轨迹控制运动 · 动作迁移 · 文字渲染最强

Motion Brush — 所有其他模型均没有此能力

操作流程：

1. 上传或生成参考图
2. 用画笔圈选要运动的元素（最多 6 个区域）
3. 为每个区域画出运动轨迹方向
4. 用 Static Brush 涂抹不想运动的区域
5. 写提示词描述整体风格 → 生成

典型场景：只让水流动但树木静止、只让人物走动但背景不变、控制烟雾飘散方向。

Motion Reference — 动作迁移

上传 3~30 秒参考动作视频 + 角色图 → 角色完整模仿参考视频的肢体动作。

Draft Mode：速度快 5~20 倍，积分消耗少。推荐先 Draft 验证 → 满意后切高质量。

Veo 3.1（Google）— 链式续写 148s

多图素材参考 · Flow 可视化编辑

Ingredients to Video

同时上传最多 3 张参考图：参考图 1 → 角色外观 | 参考图 2 → 场景风格 | 参考图 3 → 视觉色调。配合音频输入，视频节奏自动适配音乐节拍。

Flow 编辑器

• 拖拽调整场景顺序
• 添加或删除画面中的物体（自动重建背景）
• 精修音效和背景音乐
• 链式续写（每次 +7~8 秒，最多到 148 秒）
• 首尾帧精确控制场景过渡

Seedance 2.0（字节跳动）— 4 路输入

@ 绑定系统 · 原生 2K · 音视频联合生成

核心独特能力：@ 参考绑定系统，将具体素材绑定到提示词里的特定元素上。

# 单角色参考
"@主角 walks through a rainy Tokyo street at night, neon reflections, cinematic"

# 多素材绑定
"@角色 stands on a rooftop at sunset, styled like @风格参考图, music paced to @背景音乐"

# 4 路输入（典型广告场景）
品牌 VI 图（定色调）+ 产品图（定主体）+ 背景音乐（定节奏）+ 动作参考视频（定运动）
→ 四路约束同时生效，一次生成完整广告片

分辨率优势：原生 2K（2048x1080），无需后期放大。

第五章：进阶技巧

短 vs 长提示词选择策略

一次只做一件事

# 错误：太复杂
"她一边唱歌一边跳舞，镜头从近到远，然后她独自坐在窗边哭泣，最后推远镜头"

# 正确：拆分为 3 段
段 1："近景，她在舞台演唱，聚光灯，热烈激昂"
段 2："中景固定镜头，她独自坐在更衣室窗边，夜灯，沉默"
段 3："俯拍慢速拉远，空旷的舞台，只留下一束追光"
→ 三段分别生成后剪辑拼接

先草稿再精稿

负向提示词

生图通用：low quality, blurry, distorted, bad anatomy, extra limbs, watermark, text

SD 专用：(worst quality:1.4), (bad quality:1.3)

生视频（Veo 支持 negativePrompt）：no watermark, no subtitles, no jump cuts, no sudden camera movement, no blurry faces

保持一致性方法论

第六章：12 种场景模板

以下模板直接复制使用，将【】内内容替换为你的具体描述。

人物情感（生图）

[近景/中景][固定镜头]，[外貌描述],
在[场景]中[动作/状态]，[表情变化],
[光线类型]，[色调]，电影感，浅景深。

风景空镜（生图/视频）

[镜头运动方式]，[具体地点/场景],
[时间：清晨/黄昏/深夜]，[天气状况],
[最有特点的视觉细节]，[光线]，震撼，大气。

商业产品（生图/视频）

[产品名称]广告风格，[背景颜色/材质],
镜头[绕产品旋转/从上往下扫/微距特写],
[光线打法：侧光/顶光/环形光]，高端，精致，商业质感。

多人对话（生视频）

[场景描述]，[光线]，[情绪基调]。

[人物A]（[外貌描述]）says: "[台词]"
[人物B]（[外貌描述]）replies: "[台词]"

[背景音效描述]

海报设计（生图）

A [type] poster for [event/brand/product],
the title text reads exactly: "[TITLE TEXT]",
subtitle: "[subtitle text]",
[style: art deco/minimalist/retro]，[color scheme]

更多场景

• 动作场景 → 广角/跟拍/手持 + 速度描述（慢动作/快切）
• 角色 IP → 保持一致的外貌特征 + 风格指定（推荐 MJ –oref）
• 城市街头 → Hailuo 运镜标签 + 赛博/港风/日系
• 科技感 → 深色背景 + 发光效果 + 全息投影
• 美食饮品 → 专业食品摄影角度 + 自然窗光（推荐 FLUX）
• 数据可视化 → 清晰标签 + 简洁设计（推荐 GPT Image / Gemini）
• 建筑空间 → 视角选择（等距/鸟瞰/透视）+ 渲染质感（推荐 FLUX）

第七章：常见问题解决手册

第八章：模型能力速查总表

生图模型能力对比

生视频模型能力对比

定价速查

第九章：实战案例 — AI 生图的真实水平与局限

理论讲完了，来看看实际效果。以下是我用多个模型生成的一组古风角色图，目标是为一个"子美传"项目制作侍女角色的视觉素材。通过这组图，可以直观感受当前 AI 生图的能力边界。

角色设定：侍女正面照

这是一张典型的 AI 人像生图——干净的灰色背景、柔光打光、皮肤质感细腻。乍看之下非常真实，但仔细观察会发现一些 AI 生图的典型特征：

• 皮肤过度光滑：锁骨和颈部区域有不自然的高光反射，像涂了一层塑料感的光泽
• 五官略显"完美"：AI 生成的人脸往往趋向于"平均美"，缺乏真实人物的微小不对称性
• 衣服材质渲染：丝绸质感的衣服在肩部和领口的褶皱逻辑基本正确，但细看仍有不合理之处

实战经验：人像类生图最容易"骗过"人眼，但放大到 100% 看细节就容易露馅。商业用途建议后期修图配合。

多角度一致性测试

这是用同一角色参考图生成的 9 宫格多角度肖像。这张图暴露了当前 AI 生图的一个核心挑战——多视角一致性：

• 正面和侧面基本一致：发型、五官轮廓、肤色保持得不错
• 俯视角度出现问题：第二行第一张俯视角度下，头顶发际线和额头比例发生了变化
• 极端特写失真：右上角的嘴唇微距特写中，嘴唇边缘的皮肤纹理出现了模糊和不自然的融合
• 耳朵细节：多个角度下耳朵的形状和位置有细微不一致

关键发现：AI 在 ±30° 范围内的多角度一致性已经相当好，但超出这个范围（极端俯仰、微距特写）就开始出问题。这也是为什么很多 AI 短片都避免使用极端角度。

角色三视图（FRONT / SIDE / BACK）

这是一张经典的角色设计三视图——正面、侧面、背面。这种图在游戏/动画行业非常常见，用于指导 3D 建模。AI 的表现：

• 正面和侧面：面部特征、发饰、项链等配饰保持了很好的一致性
• 背面的问题：红色薄纱外套在背面的透明度和褶皱逻辑出现了偏差，与正面/侧面不太匹配
• 发饰细节：金色花饰在三个角度下的分布和数量有细微差异，但整体风格一致
• 文字标注：“FRONT”、“SIDE”、“BACK” 的文字渲染清晰准确（这得益于模型的文字渲染能力进步）

实战建议：AI 生成的三视图可以作为概念参考和前期探索，但直接用于 3D 建模参考还不够精确。建议用 AI 出草稿，再手动修正细节。

分镜故事板

这是一组 9 格分镜，讲述侍女在宫殿中的场景——举杯、凝视、转身、红纱飘动。这是 AI 生视频/分镜最实用的应用场景之一。

做得好的地方：

• 整体色调统一：暖金色烛光 + 红色服饰，氛围感很强
• 镜头语言丰富：从远景到特写到背影，构图多样
• 服装风格一致：红色薄纱汉服在所有画面中保持了基本一致
• 道具细节：金色酒杯在特写中的金属质感渲染到位

仍然存在的问题：

• 面部一致性：仔细对比 9 格中的面部，可以发现面型、眉毛、嘴唇在不同角度和光线下有微妙变化——这不是正常的光影变化，而是 AI 重新"生成"了一张略有不同的脸
• 手部渲染：左上角举杯的手，手指和酒杯的接触关系有些不自然
• 空间逻辑：同一个房间的空间布局在不同格之间并不完全一致（家具位置、蜡烛数量有变化）
• 中间空镜头：右下角第二行最右的空镜头中，座椅突然变了样式

核心结论：AI 分镜板作为前期概念探索和导演沟通工具已经非常好用了，但如果要用于正式制作，每一格都需要人工审核和修正。特别是面部一致性和空间连续性，这是当前所有生图/生视频模型的共同短板。

当前 AI 生图的六大局限总结

通过以上实战案例，可以总结出 2025 年 AI 生图的几个核心局限：

总的来说：AI 生图在 2025 年已经达到了"远看惊艳、近看有瑕"的水平。对于概念设计、故事板、社交媒体内容、快速原型等场景，完全可以直接使用。但对于需要像素级精确的商业交付（如产品广告大片、影视级 CG），仍然需要 AI + 人工的混合工作流。

选型决策树

我要做什么？
├── 生图
│   ├── 追求极致艺术感 → Midjourney v7
│   ├── 追求照片真实感 → FLUX 1.1 Pro
│   ├── 需要精确文字 → GPT Image / Ideogram
│   ├── 编辑已有图片 → FLUX Kontext
│   ├── 商业用途要版权安全 → Adobe Firefly
│   ├── 本地部署/完全自定义 → Stable Diffusion
│   ├── 信息图/数据可视化 → Gemini 3 Pro Image
│   └── 多素材品牌一致性 → Gemini 3 Pro Image
└── 生视频
    ├── 角色说话嘴型同步 → Sora 2 / Kling 3.0 / Veo 3.1
    ├── 精确控制镜头运动 → Hailuo 2.3
    ├── 精确控制元素运动 → Kling 3.0 Motion Brush
    ├── 角色模仿动作 → Kling 3.0 / Seedance 2.0
    ├── 视频里增删物体 → Veo 3.1 Flow
    ├── 多素材混合输入 → Seedance 2.0
    ├── 最长视频 → Veo 3.1（148s）
    └── 2K 超高清交付 → Seedance 2.0

本手册覆盖 6 大生图模型 + 5 大生视频模型，共 9 章。AI 模型迭代很快，如有更新建议核查各平台官方文档获取最新参数。

第九章实战案例图片由多个 AI 模型生成，其余配图由即梦 4.5（Seedream）生成。