图片转视频听起来像是复杂的视频制作，其实核心流程就五步。先把结论放在最前面：
- 选一张主体清晰、有运动空间的图
- 想清楚"哪里要动"——镜头、主体、环境，一个主要运动
- 按公式写提示词：主体 + 动作 + 风格 + 镜头 + 光线 + 锁定
- 生成 8 秒预览，看整体运动是否自然
- 发现问题只改一个变量，重跑
下面每一步都是我实测记录，不是理论。我用 VidLux 从选图、生成、踩坑到修复完整跑了一遍——跑车、人像、风景、变身，四个案例覆盖了最常见的图生视频场景。
第一步：选一张"能动起来"的图
不是所有图都适合做图生视频。 AI 可以补运动，但它擅长的是"让合理的图动起来"，不是"把有问题的图修好"。
我这次用的两张测试图，都是用 VidLux 的图片生成模型做的：
选图看三点：
- 主体清楚，画面别太挤。一张图塞满东西，模型不知道该让谁动。
- 主体周围有空间。镜头推近、平移都需要留白——跑车的公路、峡谷的天空都是给运动留的空间。
- 没有本来就坏的地方。手、脸、文字、车身线条如果静态图里就是变形的，动起来只会更明显。
一个实用的自测：看着图，你能想象出它接下来两秒会怎么动吗？ 能，AI 大概率也能；不能，说明这图没有明确的运动方向。
第二步：想清楚"到底哪里要动"
图生视频失败，十次里有八次不是模型不行，而是提示词一次要求太多。运动分成三类，一个主要运动 + 其他克制（而不是一次塞五六个动作）：
| 类型 | 例子 | 适合场景 |
|---|---|---|
| 镜头运动 | 缓慢推近、向左平移、环绕、跟拍 | 人像、产品、风景——最安全的选择 |
| 主体运动 | 车加速、人眨眼转头、头发飘动 | 视觉冲击强，但最容易出错 |
| 环境运动 | 云飘、雾散、水面波动、光线变化 | 想要氛围感、又不想动主体时 |
第三步：按公式写提示词
我参考 Google 官方对 Veo 的提示词指导，整理了一个图生视频的提示词公式：
主体（谁）+ 动作（做什么）+ 风格（什么调性）+ 镜头（怎么拍）+ 光线氛围（什么光）+ 锁定（什么不能变）
我这次跑车的主例子提示词：
查看跑车案例的完整提示词
The red convertible car on the coastal road accelerates forward along the winding cliffside, engine roaring as it picks up speed. Cinematic car commercial style. Low-angle tracking shot following the car, camera gliding alongside at road level. Shallow depth of field on the car, background cliffs and ocean softly blurred. Warm golden-hour light, ocean sparkle, dramatic orange sky. Keep the car's shape, color and the coastal road position consistent with the source image. No cuts, no text, no logos.
拆解一下：
- 主体：the red convertible car
- 动作：accelerates forward along the winding cliffside
- 风格：Cinematic car commercial style
- 镜头：Low-angle tracking shot, camera gliding alongside
- 光线氛围：Warm golden-hour light, ocean sparkle
- 锁定：Keep the car's shape, color and road position consistent with the source image
注意最后一句——图生视频必须锁定源图一致性。这是它和文生视频最大的区别：图是锚点，提示词是在"图上加运动"，不是"重新生成画面"。
不同图片类型的提示词模板
同一个公式，套到不同题材上。给几个可以直接改着用的模板：
查看人像模板
The woman in the portrait blinks naturally and turns her head slightly, hair moving gently. Cinematic portrait style. Slow push-in, shallow depth of field. Soft natural light. Keep her face, hairstyle and clothing consistent with the source image. No cuts, no text.
查看产品模板
The product on the clean surface stays still while the camera slowly orbits and a soft light sweeps across its edges. Premium commercial style. Keep the product shape, logo and label unchanged. No hands, no new objects, no text.
查看风景模板
The camera gently moves forward through the landscape as clouds drift and light shifts across the ground. Documentary nature style. Keep the composition natural. No people, no text.
查看插画/动漫模板
Subtle camera push-in, hair and clothing sway slightly as if in a light breeze. Keep the original art style and character design unchanged. No text.
共同点：都是一个主要运动 + 风格 + 光线 + 锁定源图。人像和产品多一句锁定（脸/logo 不能变），风景和插画靠"克制"取胜。
第四步：生成，然后看数据（不是看感觉）
同一张跑车图，我用 Veo 3.1 Fast 生成了 8 秒版本。统一 8 秒、720p、16:9：
生成后我做了两件事：看画面 + 看数据。数据来自逐帧分析（画面帧间差异的平均值），它比"感觉"客观：
| 指标 | 数值 | 说明 |
|---|---|---|
| 画面运动量（均值） | 8.2 | 有明显运动，符合"车在开" |
| 节奏（4 段） | 7.7 → 12.9 → 6.3 → 6.0 | 中段峰值 12.9 = 加速瞬间 |
运动量在第二段冲到 12.9（车加速），前后段平稳——提示词里的 "accelerates" 被正确执行了，节奏对得上。
同样的方法用在大峡谷（Kling 3.0 Turbo）：
峡谷这版运动量更克制（均值 2.4）——云和光影有缓慢变化，符合"环境运动"的定位。风景图用环境运动比大动作更稳。
人物案例：街头人像微动
人像图生视频是最常用的场景（也是翻车率最高的）。关键是锁定脸。我用这张街头人像做测试：
查看人物案例的提示词
The young woman in the light blue linen shirt looks at the camera, blinks naturally and turns her head slightly with a gentle smile, hair moving softly in a light breeze. Cinematic portrait style. Slow push-in, shallow depth of field. Warm afternoon sunlight. Keep her face, hairstyle, shirt and the street background consistent with the source image. No cuts, no text, no logos.
人像案例的要点：
- 动作越轻越稳。只做"眨眼 + 微微转头"，不做大幅度动作——脸一旦动起来，崩的概率直线上升
- 锁定句是命根子。
Keep her face, hairstyle, shirt and the street background consistent这句直接决定脸会不会变 - 慢推近比环绕安全。环绕镜头人物容易变形，慢推近（slow push-in）是最稳的选择
生成后逐帧检查，脸部没有变形、发型和衬衫保持一致——这就是人像图生视频的正确打开方式。
第五步：我踩的坑——一次要求太多动作
为了测试"提示词过度"会怎样，我故意写了一版疯狂要求：让车原地转圈、漂移、冲下悬崖、空中翻滚、倒着落地、再疯狂加速，同时镜头全程乱转。
数据说明问题：
| 指标 | 正常提示词 | 过度提示词 |
|---|---|---|
| 画面运动量（均值） | 8.2 | 12.7 |
| 运动峰值 | 16.8 | 26.0 |
更直观的是画面本身：车直接飞起来了——脱离地面、悬在空中。单看某一帧可能以为是特效，但整段视频就是"车反复腾空、翻滚、失控"的闹剧，完全没有海边跑车该有的质感。
这就是"一次要求太多"的典型症状：主体做出违反物理规律的动作。 判断依据：正常的"一个动作 + 镜头运动"运动均值在个位数到十几；如果出现主体腾空、翻转、瞬移这类异常，就是提示词过度了。
第六步：怎么修复（真实过程）
修复方法一句话：砍掉多余动作，只保留一个。我把"转圈、漂移、冲崖、翻滚、倒车、乱转"砍成"沿路平滑加速"：
查看修复后的提示词
The red convertible car accelerates smoothly forward along the coastal road, engine revving gently. Cinematic car commercial style. Low-angle tracking shot, camera gliding alongside. Shallow depth of field, warm golden-hour light. Keep the car's shape, color and road position consistent with the source image. No cuts, no text, no logos.
修复原则就一句话：一次只改一个变量。大方向对，只改一个小地方重跑；大方向不对，重写动作描述，别往提示词里堆形容词。
修复后的数据对比也很清楚：运动量从 12.7 降到 3.4（约原来的 1/4），峰值从 26.0 降到 5.8——车老老实实在地上跑，该有的"海边跑车"质感回来了。
检查清单：生成后看什么
按这个顺序检查，基本不会漏：
- 主体有没有保持（车还是那辆车？人还是那个人？）
- 细节有没有崩（车轮、手、logo、文字——最容易坏的地方）
- 背景有没有突然变形
- 画面里有没有凭空多出东西
- 运动节奏对不对（"缓慢推近"不该像坐过山车）
发现问题后，下次提示词直接点名，一次修一个。比如车身变形就加 Keep the car shape unchanged。
什么时候该重生成，而不是自己修
这个判断能省很多时间：
- 该重生成：核心运动错了（脸变太多、车身变形、主体做了不可能的动作）——别浪费时间在剪辑上，直接简化提示词重跑
- 该剪辑：画面基本对了，只需要修边角（剪掉头尾的废帧、调色、加音乐字幕）
编辑救不了一个坏生成，但能让好生成更完整。
导出后怎么处理
生成对了，导出后还有几步让成片更完整：
- 剪掉头尾的废帧。AI 视频开头和结尾常有 1-2 帧的卡顿或残影，剪掉最稳
- 加音乐和字幕。社媒内容几乎必备——音乐盖住环境音瑕疵，字幕让内容不需要声音也能看懂
- 按平台裁切。竖屏（Reels/TikTok）用 9:16，信息流用 1:1，网页/横屏用 16:9。先生成横屏再裁切，比直接生成竖屏保留更多构图选择
- 调色统一。多个片段拼一起时，统一色调让整体更连贯
进阶：首尾帧（frames to video）实战
单张图只能出一个镜头。想做"从 A 状态变成 B 状态"的内容，用首尾帧（frames to video）生视频：给模型一张"开始帧"和一张"结束帧"，它自己补中间过程。
我用"人物变身"做了个测试——同一女性，从日常蓝衬衫形态变成科幻战甲形态（首尾帧的典型用法）：
查看首尾帧的提示词
The young woman in the light blue linen shirt transforms into her sci-fi armored form: a flash of blue energy sweeps over her body, the high-tech suit with glowing energy lines materializes over her clothes, her hair lifts with static energy, and she raises her head with a determined expression. Smooth, cinematic transformation, consistent face throughout. No cuts, no text, no logos.
实测结果：第 1 帧是日常蓝衬衫，最后一帧是完整的科幻战甲，中间的能量覆盖、服装变化、头发扬起都衔接自然——脸始终没变，变身过程是"加东西"而不是"换人"。
首尾帧适合的场景：
- 变身/换装：日常 → 战斗形态、素颜 → 全妆、旧衣服 → 新衣服
- 产品状态变化：产品从关闭到打开、从空到满
- 场景时间变化：白天 → 夜晚、晴天 → 雨天
和单张图生视频的区别：图生视频是"这张图动起来"，首尾帧是"从这张图变成那张图"——过程由模型补全。
进阶：多图拼接
另一个做长内容的方法：把几张图各生成一段短镜头，再用剪辑软件拼起来。几张干净的短片段，比一条瑕疵多的长视频效果好得多——这也是社媒内容的常见做法。VidLux 的 首尾帧生视频 可以做单镜头的状态变化，多镜头叙事则靠拼接。
常见问题排查（对照表）
| 症状 | 原因 | 解法 |
|---|---|---|
| 脸/车身变形 | 运动太强，或源图本身有问题 | 简化动作 + 强化锁定句 |
| 手/车轮多出来 | 细节在运动中被重画 | 加 Keep hands natural，动作改轻 |
| 主体腾空/瞬移 | 提示词要求了不可能的动作 | 砍掉违反物理规律的动作 |
| 背景扭曲 | 背景太复杂，模型误读 | 换简单背景的图，或加 Keep background unchanged |
| 运动太剧烈 | 提示词塞了太多动作 | 只留一个主要运动 |
| 几乎不动 | 提示词太保守 | 把"slow/camera move"写得更明确 |
适合用图生视频的场景
- 社媒内容：旅行照片、穿搭图、美食照，加一个慢推近就活了。注意别过度——一个动作就够
- 产品营销：产品图变成短广告（镜头平移、光线扫过）。产品图要格外小心——logo、标签、瓶身线条不能动
- 个人回忆：老照片加轻微运动（缓慢运镜、柔和的眨眼）。老照片越模糊，动作越要轻
- 创意概念：氛围板、角色设定、游戏场景，快速看"这个画面动起来什么感觉"
AI 图生视频还做不到的事
诚实说几个限制：
- 动作越大越不可控。提示词要求太多运动时，脸、手、logo、文字最容易崩
- 它不理解"之前发生了什么"。图生视频是"从这张图开始"，不是"接着上一秒"
- 版权问题不会消失。用自己的图、有授权的图；把图转成视频不等于获得版权
- 最实用的规则：选最"能用"的结果，不是最"炫"的。核心身份变了就重新生成
常见问题
Q：图生视频和文生视频有什么区别？ 文生视频是"凭空生成"，图生视频是"在这张图的基础上加运动"。图生视频能保住你想要的主体（你的人物、产品、场景），但运动自由度更小。
Q：一次要生成多长？ 建议先 8 秒。足够看出方向，也不会把问题放大。短视频发社媒，干净的三秒 > 有瑕疵的八秒。
Q：同一张图可以反复用吗？ 可以。改提示词、换模型，同一张输入图能出完全不同的结果。这也是图生视频省时间的地方——一张好图，多个版本。
完整流程（5 步复盘）
- 选图：主体清晰、有空间、有"能想象下一秒"的运动方向
- 定动作：镜头 / 主体 / 环境，一个主要运动
- 写提示词：主体 + 动作 + 风格 + 镜头 + 光线 + 锁定源图
- 生成并检查：看运动量数据 + 逐帧看主体和细节
- 修复：一次只改一个变量，重跑
最后说点体会：静态图动画化，克制比炫技重要。 一个运动温和但稳定的视频，永远比"什么都要动"但画面失控的版本有用。想要大动作？那是文生视频的活儿，别为难一张静态图。
现在就去 VidLux 图生视频 试试吧——上传一张图，按上面的公式写提示词，8 秒后看结果。