AI 影片新手入門：文生影片、圖生影片、首尾幀與參考素材怎麼用？
第一次做 AI 影片，不知道該打提示詞還是先放圖片？用貓咪、花朵和分鏡範例，帶你弄懂常見做法，也聊聊怎麼測試才不會一直浪費生成費用。
5 分鐘閱讀
第一次打開 AI 影片工具，最容易卡住的地方，往往還不是提示詞怎麼寫，而是：選項這麼多，我到底該用哪一個？
其實可以先想一件事：你現在手上有什麼，又希望控制什麼？
只有一個想法，可以從文字開始。已經有一張喜歡的畫面，就用圖片當起點。如果希望人物或場景長得像某個樣子，再看看模型有沒有支援參考素材。
這篇把影片裡的觀念整理成文字，搭配實際用到的圖片，帶你先認識幾種常見做法。先看懂差別，比一開始背一大串提示詞更有用。
第 1 步: 文生影片：先把你想拍的畫面說清楚
文生影片就是輸入一段描述，讓模型依照文字生成影片。這段描述通常叫做「提示詞」。
例如：
一隻橘貓坐在窗邊看雨，鏡頭慢慢往牠靠近。
這句話不長，卻已經交代了幾個重點：主角是橘貓、地點在窗邊、動作是看雨，鏡頭則慢慢靠近。如果你在意光線或風格，也可以再補上去。
不過，沒寫出來的細節就會交給模型決定。貓的花紋、窗框的顏色、房間裡有什麼，不一定每次都一樣。即使用同一句提示詞重跑，結果也可能不同。
所以，如果你只是想找一段有氣氛的素材，文字就很好開始；但如果腦中已經有一個很明確的畫面，接下來的圖生影片通常更值得試。
第 2 步: 圖生影片：畫面有了，再告訴它怎麼動
假設你已經有一張很喜歡的貓咪照片，不想讓模型重新設計整個房間，就可以把圖片當成影片的起點。這是常見的圖生影片用法。
圖片已經交代了貓長什麼樣、坐在哪裡，以及畫面的光線和構圖。這時候，提示詞就能多花一點力氣描述動作：
貓咪轉頭看向窗外，雨水順著玻璃往下流，鏡頭慢慢靠近。
你可以分別想：主角要怎麼動？環境有沒有變化？鏡頭要不要移動？不需要每一項都加，畫面裡有一個清楚的動作也很好。
但放了圖片，不代表每個細節都會被鎖住。生成後還是要看一下，貓的樣子有沒有變、動作順不順，以及鏡頭是不是照你想的方向走。
影片中這段貓咪的動作規劃是示意圖，用來解釋怎麼下指令，並不是圖生影片的實測成品。
第 3 步: 首尾幀：告訴它從哪裡開始、在哪裡結束
有些生成模式可以同時放入第一張和最後一張圖片，也就是「首尾幀」。你先決定開頭和結尾，中間怎麼接起來，再交給模型生成。
像下面這組花朵圖片，第一張是還沒開的花苞，最後一張是盛開的花。提示詞就可以描述花朵慢慢綻放的過程。
這裡要留意的是，兩張圖之間的變化，得有機會在你選的秒數內完成。如果開頭和結尾差太多，中間的轉換就可能很奇怪。
首尾幀能幫你指定方向，但不代表每一個中間動作都能精準控制。下面是輸入圖片的示意，並不是某個模型已經成功生成的開花影片。
第一幀：尚未綻放的花苞
最後一幀：盛開的花朵第 4 步: 參考圖片：提供長相和風格，不一定是分鏡順序
參考圖片和首尾幀很容易搞混，但它們的用途不太一樣。
首尾幀是在說：「影片從這張開始，到那張結束。」參考圖片比較像是在說：「這個人物大概長這樣，房間可以參考那張。」實際能參考哪些特徵，要看模型和模式支援什麼。
所以，放一張人物照，再放一張房間照片，不代表影片一定會先播人物、再播房間。它們也可能是用來組成同一個場景的素材。
你可以這樣記：
- 起始圖片：希望影片從這個畫面開始。
- 參考圖片：希望模型參考這張圖裡的視覺資訊。
圖片也不是塞越多越好。如果幾張圖的人物、風格或場景互相矛盾，反而會讓你想要的結果變得不清楚。
第 5 步: 影片和聲音也能當輸入，但要先看它拿來做什麼
看到工具可以上傳影片，先別急著認為它什麼都能改。
有的功能用影片來參考動作，有的能編輯原本的片段，有的則是延長影片。能上傳影片，不代表就能任意換人、換物件，還把其他細節完整保留。
聲音也一樣。有些功能會用語音帶動人物說話，有些則用來配合節奏或時間。能生成聲音，和能接受你上傳的聲音，是兩件事。
至於圖片、影片、聲音能不能一起放，要看你選的模式。有些可以混用，有些只接受特定組合。也不能直接說「用了首尾幀，就一定不能放聲音」；這類限制得看工具當下提供的功能。
第 6 步: 秒數、畫質和價格：先用小成本確認方向
生成前，通常還會遇到秒數和解析度的選擇。我的建議是：先想清楚這次要測什麼，再決定要花多少。
秒數要夠動作完成。 如果只有幾秒，卻要求人物進門、坐下、喝水、起身離開，結果很容易顯得匆忙，或只做到一部分。先把動作拆開，通常比較容易判斷哪裡出了問題。
解析度高，不等於動作就會自然。 畫面可以很清楚，但人物還是可能變樣，手部動作也可能不合理。測試時，先確認構圖和動作是不是你要的，再考慮提高輸出規格。
價格也不只看畫質和秒數。 模型、模式，以及有沒有聲音等選項，都可能影響報價。以工具實際顯示的費用為準，不要把某個模型的算法套到全部工具上。
如果你只是想確認「貓咪轉頭」這個動作能不能做好，就先選能看清楚動作、費用又比較低的設定。方向對了再往上加。
另外，預算要算的是拿到可用片段一共試了幾次，不只是按一次生成要多少錢。
第 7 步: 想做一支完整影片，就把它拆成幾個鏡頭
一段生成片段，和一支完整影片，中間通常還有剪輯的工作。比較長的作品，常常是把好幾段鏡頭接起來，再加上旁白、音樂和字幕。
例如，先做一個人物走進房間的遠景，再接手拿起馬克杯的特寫。每一段只處理一個清楚的任務，接起來前，再確認人物、衣服、燈光和風格能不能對上。
我們這支影片裡的遠景和拿杯特寫，就是分開生成的，而且兩段的風格有差異。這也是很實際的提醒：兩段各自看起來都不錯，不代表剪在一起就一定自然。
適合的參考素材可以幫助維持一致性，但最後仍然要自己看過。
第一次做，可以照這個順序試：
- 先選一個場景。
- 決定一個主要動作。
- 需要控制外觀時，再加圖片或參考素材。
- 確認模式支援這些輸入，選好測試設定。
- 生成後看哪裡不對，再針對那一點調整。
不用先學會所有功能才開始。先做出一個你看得懂、也知道怎麼修改的小片段，就已經是很好的起點。
常見問題
文生影片和圖生影片差在哪裡？
文生影片主要用文字描述畫面；常見的圖生影片做法，則是先提供一張起始圖片，再用文字說明畫面要怎麼動。手上已經有喜歡的構圖時，就可以考慮從圖片開始。
多張參考圖片，就是首尾幀嗎？
不一定。首尾幀指定的是開頭和結尾；參考圖片則提供人物、物件或場景等視覺資訊，不一定代表播放順序。要看模式怎麼使用這些圖片。
圖片、影片和聲音可以一起放嗎？
有些模式可以，有些不行。先看選定模式支援哪些輸入。能生成聲音，也不代表能上傳聲音當參考。
提示詞寫越長，結果就越好嗎？
不一定。如果多寫的內容能把動作或場景講清楚，就有幫助。但同時塞進好幾個動作，或互相矛盾的要求，可能讓結果更難控制。
新手一定要選最高畫質嗎？
不用。先選能讓你判斷動作和構圖的設定，確認方向，再考慮提高畫質。解析度變高，不會自動修好不合理的動作。
想了解特定模型，可以接著看
各家工具的限制和用法不太一樣，可以參考 Runway 的圖生影片提示詞指南，以及 Google Veo 的首尾幀說明。這些文件是在說明各自模型的功能，不代表每個影片模型都適用。