AI视频生成走到哪一步了?从三款模型了解新进展

输入一段描述，让AI生成一段视频，正在成为越来越常见的创作方式。但从一张好看的图片，到一段连贯的视频，模型需要解决更多问题。

图片只呈现一个瞬间，视频还要让动作随时间合理展开。比如一个人拿起杯子，手需要靠近、握住、抬起，杯子不能突然变形；即使镜头转动，人物和周围物体的位置也应该保持合理。

因此，评价视频生成效果，除了画面是否好看，还要看人物和场景是否连续、动作与镜头是否符合要求、声音能否与画面配合。

为了让结果更接近创作者的想法，如今的模型还能接收图片、视频和音频参考。这些素材就像一份创作说明书，分别交代人物外观、场景、动作和声音。Seedance 2.5、MiniMax H3和Wan 3.0，都在沿着这些方向发展。

对比项目	Seedance 2.5	MiniMax H3	Wan 3.0
开发方	字节跳动	MiniMax	阿里巴巴
发布时间	2026年7月31日	2026年7月31日	2026年8月24日
开源／闭源	闭源，仅开放接口	开源基础权重，2K模块未开放	闭源，仅开放接口
单次生成上限	30秒	15秒	30秒
输入支持	文字、图片、视频、音频	文字、图片、视频、音频	文字、图片、视频、音频，以及文档和网页参考
值得关注的能力	多素材参考、镜头控制、定向编辑	音视频联合生成、基础模型权重开放	生成、编辑、延长等任务整合
可尝试的用途	剧情片段、音乐节宣传片	人物表演、产品短片	场景过渡、资料转视频

01｜Seedance 2.5的参考与编辑

Seedance 2.5官网演示片段：

Seedance 2.5支持单次生成最长30秒的视频，并强化了参考素材理解与定向编辑。这里的30秒是视频长度，不是生成等待时间。

它一次最多可带30张图片、10段视频和10段音频作为参考，还能按时间戳修改内容。做校园音乐节宣传片时，可以用图片指定人物和舞台，用视频说明希望采用的运镜，再提供声音参考。

创作者因此获得了更多调整空间。不过，复杂动作、多人物互动仍有改进空间，官方展示也不代表每次生成都能达到同样效果。10月下旬官方又上线了4K版本，目前仍面向部分工作室定向试用，尚未全量开放。

MiniMax H3官网演示片段：

MiniMax H3综合处理文字、图片、视频和音频，标准服务支持最长15秒、最高2K输出，并能生成原生立体声。上面的官方广告示例，展示了产品特写、人物与不同镜头的组合。

H3还开放了基础模型权重，让具备条件的开发者能够在自己的设备上研究模型。需要注意的是，这份权重采用社区许可证，对使用地区和机构营收设有条件，并非无门槛开放。

但本地基础模型与完整在线服务不同：负责指令理解的Context-IR、负责2K再生成的Regenerate-2K两个模块尚未一起开放，不能理解为所有功能都能完整搬到本地。

Wan 3.0官网演示片段：

阿里的Wan 3.0支持单次最长30秒生成，并能同时生成对白、音乐和音效。文字生成、图片参考、首尾画面控制、视频编辑与延长，被整合进同一套服务。

上面的国风示例展示了首尾画面控制：先指定开头与结尾，再让模型生成中间的变化。校园四季短片也可以尝试用同一地点的不同照片安排过渡。

官方文档还提供文档和公开网页参考功能，为资料转视频提供入口。单次任务最多可带10张图片、5段视频、5段音频，外加1份文档或1个网页链接。不过，知识点、文字和图表是否准确，仍需人工检查。

国内，快手可灵Kling 4.0强调复杂运动和运镜，支持最长30秒生成及多关键帧控制；腾讯HunyuanVideo 1.5提供模型权重与训练工具，适合有技术兴趣的同学进一步探索。

海外，Google的Veo系列探索带声音生成与参考控制，Gemini Omni Flash强调通过多轮对话修改视频；Runway Gen-4.5关注动作顺序、镜头运动和事件时间安排。

先把想法拆成具体镜头。明确谁在什么地方做什么，先完成一个动作，再逐步增加人物、转场和剧情。

提示词可以按照“主体＋动作＋场景＋镜头＋光线与声音”组织。例如：

傍晚的校园，一名学生背着书包走过林荫道。镜头从侧后方缓慢跟拍，树叶轻轻摇动，保留脚步声和风声。

用参考素材减少模糊空间。人物图片帮助固定外观，场景图片交代环境，视频参考说明动作与运镜；同时写清每份素材的用途，避免要求相互矛盾。

先做短片段，再逐步完善。先生成5—10秒检查效果，每次集中修改一个问题，满意后再延长或拼接。最后检查人物连续性、动作、字幕和口型，让生成素材真正服务于故事。

模型提供了更多创作可能，清楚的表达与耐心的修改，才能让结果更接近自己的想法。

原始来源：智机追踪微信临时链接，可能已过期