AI Instagram 模特生成器：在 hiapi 上打造形象一致的虚拟网红

TL;DR

• AI Instagram 模特生成器本质上是一条三段式流水线：创建一个角色，锁定那张脸让它在每个镜头中重现，再把最好的静帧转成短视频。hiapi 通过一个异步接口 POST /v1/tasks 运行全部三个阶段。
• 本指南使用参考图路线来锁定身份——你把一张基础人像作为 image_input 回传，只改变场景。这与 Consistent Characters with Nano-Banana 中介绍的纯文本「角色设定集」方法不同；当你还没有种子图时用那个，当你想要固定一张脸时用这个。
• 本文在 nano-banana-2 上实测：一张基础人像锚定了三个完全不同的场景——巴黎咖啡馆、城市人行横道和屋顶健身房——脸、发型、肤色、金色耳环和叠戴项链在所有场景中都保持一致。
• 视频阶段是真实的，不是模拟图：下面的咖啡馆静帧用 grok-imagine-1.5/image-to-video 制作成了 5 秒短片。她举起杯子喝了一口；身份在运动中依然保持。
• 整篇博文的预算：约 $0.30——在 nano-banana-2 上生成四张 2K 图片，每张 $0.057（$0.228），再加上一条 480p/5s 的 Reel，按 $0.015/s 计费（$0.075）。

你实际在构建什么

「虚拟网红」「AI UGC 模特」「AI Instagram 模特生成器」——营销名称各不相同，但工程实现都是同样的三个阶段：

1. 角色——生成（或挑选）一张基础人像，作为你模特的经典面孔。
2. 身份锁定——让同一个人出现在各种服装、姿势和地点中，使信息流看起来像同一个创作者，而不是四十个不同的人。
3. 动效——把最有冲击力的静帧制作成简短、令人停下滑动的 Reels / Shorts 短片。

难点在第 2 阶段。所有下游环节——可信的信息流网格、产品试穿、品牌帖子——都会在脸发生漂移的那一刻崩塌。在 hiapi 上有两种方法可以稳住它。

锁定一张脸的两种方法（以及为什么本指南选择参考图路线）

方法	身份如何锚定	适用场景
角色设定集（文本）	一段密集、可复用的提示词前缀，描述脸、发型和衣橱，拼接到每次渲染中。没有种子图。	你从零开始发明一个角色，并希望用可版本控制的文本定义它。
参考图（本指南）	把一张基础人像作为 image_input 回传；提示词只改变场景。	你已经有了一张认可的脸（主视觉渲染图、品牌吉祥物），并希望那张脸出现在所有地方。

角色设定集方法在 Consistent Characters with Nano-Banana 中有完整介绍——包括分镜和电商造型手册示例。本指南走另一条路：用参考图锁定一张特定人像，然后把它扩展到多个场景并制作成视频。两者互补；许多团队会先写一次设定集，生成一张主视觉人像，然后在拍摄的其余部分切换到参考图模式。

第 1 步——生成基础角色

从一张干净、光线充足的人像开始。细节在这里是你的朋友：不变特征越具体（一颗美人痣、一个发缝、一件珠宝），就越容易延续下去。

curl -s -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "nano-banana-2",
    "input": {
      "prompt": "Editorial portrait of a 25-year-old woman, warm olive skin, oval face, a small beauty mark just below her left eye, deep brown almond eyes, shoulder-length dark brown wavy hair with a center part and subtle caramel balayage, tiny gold hoop earrings, a thin layered gold necklace, natural bronze makeup, soft confident smile, 85mm f/1.8, soft window light, clean neutral background, true-to-life skin texture, 4k",
      "aspect_ratio": "4:5",
      "resolution": "2K"
    }
  }'

POST /v1/tasks 返回一个 taskId；轮询 GET /v1/tasks/{taskId} 直到 status 为 success，然后下载 output[0].url。该 URL 是临时的（带有 expireAt），所以立即保存字节——不要热链接它。把人像上传到可访问的位置（你自己的 CDN），因为下一步需要它作为输入 URL。nano-banana-2 在 1K / 2K / 4K 下分别定价为 $0.036 / $0.057 / $0.086；这里的拍摄使用了 2K。

第 2 步——跨场景锁定身份

这是让它成为网红而不是陌生人画廊的关键一步。把基础人像作为 image_input 回传，然后写一段明确表示保留这个人并只描述新场景的提示词。

curl -s -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "nano-banana-2",
    "input": {
      "prompt": "Keep the exact same woman from the reference image: identical face and bone structure, the beauty mark below her left eye, same hair color and style, same gold hoop earrings and layered necklace. Full-body candid photo of her at a sunlit Parisian sidewalk cafe holding a cappuccino, cream knit sweater and beige trousers, warm morning light, shallow depth of field, photorealistic, 4k",
      "image_input": ["https://your-cdn.example.com/base-portrait.jpg"],
      "aspect_ratio": "4:5",
      "resolution": "2K"
    }
  }'

关键字段是 image_input——一个参考 URL 数组。下面是同一张基础人像被放入三个不相关的环境，每一次渲染都锚定到那一张人像：

本次运行中实际保持的内容：在咖啡馆、街道和健身房三张渲染图中，面部几何结构、肤色、带焦糖挑染的波浪发、金色耳环和细叠戴项链都保持同一个可辨认的人。唯一需要注意的是微观细节——美人痣或一根散发的确切位置是最先漂移的。有效的修正方法是把每一次渲染都锚定到那一张原始人像，而不是链式传递（用场景 A 的输出作为场景 B 的输入）。链式传递会让小漂移累积；单一固定锚点不会。

第 3 步——把静帧变成 Reel

信息流需要动感。取任意锁定后的静帧，发送给图生视频模型。下面的短片就是上面的咖啡馆照片，用 grok-imagine-1.5/image-to-video 真实制作成动画：

curl -s -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "grok-imagine-1.5/image-to-video",
    "input": {
      "prompt": "The woman lifts her cappuccino and takes a gentle sip, then lowers it with a soft smile; steam rises faintly, her hair sways slightly, pedestrians stroll past in the soft-focus background. Subtle, natural, cinematic handheld motion.",
      "image_urls": ["https://your-cdn.example.com/02-cafe.jpg"],
      "duration": 5
    }
  }'

注意这里输入字段不同：视频模型使用 image_urls（加上以秒为单位的 duration），而不是 image_input。测试片段返回的是 480p、竖屏、5 秒——她按提示举起杯子喝了一口，脸在运动中仍是同一个人。按 $0.015/s 计算，这条 Reel 花费约 $0.075。如果你想要更清晰的输出，同一张静帧可以直接送入 veo-3.1-lite、kling-3.0 或 hailuo-2.3——见下表。

批量处理：一个参考，多个场景

虚拟模特的全部意义在于数量。保留一个场景提示词列表，并针对单张基础人像循环运行：

import os, json, time, subprocess

TOKEN = os.environ["HIAPI_TOKEN"]
BASE = "https://api.hiapi.ai/v1/tasks"
REFERENCE = "https://your-cdn.example.com/base-portrait.jpg"
ANCHOR = ("Keep the exact same woman from the reference image: identical face, "
          "beauty mark below the left eye, same hair, same gold hoops and necklace. ")

scenes = {
    "beach":   "Full-body photo on a golden-hour beach, linen dress, wind in her hair.",
    "office":  "Candid shot at a bright co-working desk, blazer, laptop, coffee.",
    "market":  "Walking through a flower market, tote bag, relaxed smile.",
}

def post(model, payload):
    r = subprocess.run(["curl","-s","-X","POST",BASE,
        "-H",f"Authorization: Bearer {TOKEN}","-H","Content-Type: application/json",
        "-d",json.dumps(payload)], capture_output=True, text=True)
    return json.loads(r.stdout)["data"]["taskId"]

def wait(task_id):
    while True:
        r = subprocess.run(["curl","-s",f"{BASE}/{task_id}",
            "-H",f"Authorization: Bearer {TOKEN}"], capture_output=True, text=True)
        t = json.loads(r.stdout)["data"]
        if t["status"] == "success": return t["output"][0]["url"]
        if t["status"] == "fail":    raise RuntimeError(t.get("error"))
        time.sleep(5)

for name, scene in scenes.items():
    tid = post("nano-banana-2", {"input": {
        "prompt": ANCHOR + scene,
        "image_input": [REFERENCE],
        "aspect_ratio": "4:5", "resolution": "2K",
    }, "model": "nano-banana-2"})
    print(name, "->", wait(tid))

替换模型字符串，你就可以在任何支持参考图的图像模型上运行同样的循环，或者把完成的静帧送入视频循环。

身份锁定阶段可选模型

价格为撰写时 /api/pricing 的当前每图像价格；大批量前务必重新核对。

模型	参考输入	价格（USD）	备注
nano-banana-2	image_input	$0.036 / $0.057 / $0.086（1K/2K/4K）	本文所用；面部延续性强，支持 4K
nano-banana-pro	image_input	$0.057（1K 与 2K）/ $0.10（4K）	同系列的高级版本
gpt-image-2 /image-to-image@ext	最多 16 张参考图	低至 $0.007（低质量，1K）	最便宜的多参考路线，4K 输出
flux-2 /image-to-image	多参考	$0.035（1K）/ $0.05（2K）	高保真多参考编辑
seedream-5.0-pro /image-to-image	多参考	$0.06（1K）/ $0.10（2K）	旗舰级质量的多参考

在 模型市场 浏览完整阵容。对于单张固定脸，一张参考图就足够了；gpt-image-2 的 16 参考图路线在你想要在一次渲染中融合脸、服装和产品时大放异彩。

视频阶段可选模型

计价模式不同——大多数按每秒计费，但 hailuo 按固定片段长度的统一费率计费。批量预算时要注意这一差异。

模型	计费方式	示例成本	备注
grok-imagine-1.5 /image-to-video	按秒	$0.015/s（480p），$0.0282/s（720p）	本文所用；最便宜，1–15 秒
veo-3.1-lite /image-to-video	按秒	$0.06/s（720p，无音频）→ $0.14/s（1080p）	质量与成本平衡良好
kling-3.0 /image-to-video	按秒	$0.10/s（720p）→ $0.129/s（1080p）；+音频费用更高	原生音频，最高 4K
hailuo-2.3-fast /image-to-video	按片段	$0.27（6s）/ $0.46（10s）	按固定时长档位统一收费
wan2.7-video /image-to-video	按秒	$0.10/s（720P）/ $0.167/s（1080P）	首帧驱动
veo-3.1 /image-to-video	按秒	含音频 $0.57/s → $0.86/s（4K）	电影级档次；5 秒片段约 $2.85，因此要限制时长

因此，5 秒的 Reel 成本从 grok-imagine-1.5 的约 $0.075 到完整 veo-3.1 的约 $2.85 不等——相差 38 倍。先在便宜档位做原型，只升级你真正会发布的片段。

真正起作用的连贯性技巧

• 锚定，不要链式传递。把原始基础人像送入每一次渲染。用上一次输出作为下一次输入会让微小漂移累积，直到脸变成表亲，而不是同一个人。
• 在提示词中写出不变特征。「左眼下方同样的美人痣，同样的金色耳环」比「同一个女人」更有用。你是在告诉模型它不允许改变什么。
• 每个渠道保持一个宽高比。信息流网格用 4:5，Reels 用 9:16。拍摄中途切换会强制进行尴尬的重新裁剪，可能裁掉脸。
• 将分辨率锁定到模型的档位。nano-banana-2 接受 1K/2K/4K；明确设置它，这样批量处理不会悄悄混合尺寸。
• 把最强的人像保留为永久资产。这是你的「选角」——在数月内重复使用它，而不是每次活动都重新生成一张新脸。

本文花费

项目	模型	数量	单价	小计
基础人像 + 3 个场景渲染	nano-banana-2（2K）	4	$0.057	$0.228
咖啡馆 Reel	grok-imagine-1.5（480p，5s）	1	$0.015/s	$0.075
总计				约 $0.30

一个完整的 30 帖发布网格加上几条 Reel，总花费只有个位数美元的低位——这才是团队选择生成器而不是拍摄的真正原因。

FAQ

每次都能保证脸完全相同吗？ 没有模型能保证像素级相同的脸，但在本次测试中，nano-banana-2 上的参考图锚定在三个非常不同的场景中保持了同一个可辨认的人。把偶发的异常视为多生成几张再筛选的理由，而不是重新拍摄的理由。

我可以锁定真实人物的脸吗？ 只能锁定你拥有权利的人——你自己、同意的模特，或签约的品牌大使。不要克隆陌生人或名人。

我需要微调或 LoRA 吗？ 不需要。整个工作流是零训练的——一张参考图加一段提示词。这正是每张图片成本保持在几美分的原因。

我应该从哪个模型开始？ 身份锁定从 nano-banana-2 开始，视频阶段从 grok-imagine-1.5 开始。两者都足够便宜，可以自由迭代；只在风格确定后再升级。

开始构建

在 nano-banana-2 上生成一张人像，将其作为 image_input 回传给每个场景，并用图生视频模型为你最喜欢的帧制作动画——全部通过一个密钥经 POST /v1/tasks 完成。快速入门文档 介绍了认证和轮询，你可以在扩展批量之前，在 定价页 比较每个图像和视频模型。