使用指南

PixVerse V6 图生视频提示词：4 套配方与真实片段

2026年11月3日

模型: pixverse-v6

当你从文生视频切换到图生视频时，提示词的任务彻底变了。在文生视频中，你必须描述整个世界——主体、场景、镜头、光线——因为模型是从零开始构建镜头。而在图生视频中，那个世界已经存在：你的静态图就是第一帧。提示词唯一剩下的任务，是说明什么在动，以及摄影机如何运动。

这种转变让很多人栽了跟头。他们把一段丰富的场景描述提示词粘贴到 pixverse-v6/image-to-video，模型试图同时兼顾画面和文字，结果要么几乎不动，要么在对抗画面时发生扭曲。解决办法是写运动，而不是写景物。

以下是 hiapi 上 pixverse-v6/image-to-video 的四套可复制粘贴配方，每套围绕一种不同的运动类型：摄影机运动、主体动作、环境氛围，以及竖屏的、由画幅驱动的镜头。每套配方都展示了我生成的真实第一帧、我发送的确切请求体，以及它在实时 API 上产出的实际片段——没有库存素材，没有模拟图。

当第一帧固定后，什么变了

pixverse-v6/image-to-video 接受你的图像作为 image_url 并使其动起来。由此直接得出几点结论，它们塑造了本页的每一条提示词：

构图被锁定。你无法在提示词中重新构图主体或改变场景布置——那已经由图像决定了。要求不同的布局只会导致形变。请改为描述画面内部的运动。
没有 aspect_ratio 字段。文生视频端点有这个字段；这个端点拒绝它。片段的画幅继承你输入图像的形状，所以如果你想要 9:16 竖屏结果，请在提交之前裁剪或生成竖屏帧（配方 4 正是这样做的）。
真正起作用的杠杆在运动侧。prompt（运动）、duration（1–15 秒）、resolution（360p/540p/720p/1080p）、可选的 generate_audio、negative_prompt、seed，以及一个 style 预设。完整的字段表在图生视频文档中；本页讲的是提示词。

下面的每个请求都是一次 POST /v1/tasks；然后你轮询任务，直到它返回片段 URL。如果你想要管道细节（curl + Python、轮询循环），模型页面里有。这里我们专注于你每次拍摄真正要调的字段：运动提示词。

配方 1 — 在锁定画面上做摄影机运动

让一张风景静帧活起来最可靠的方式，是移动摄影机，而不是场景。选一个明确的运动——推近、缓慢移动、轻柔上升——平实地写出来，然后加上让它成立的小幅次要运动（飘动的薄雾、荡漾的水面）。在提示词中保持地平线「水平」可以防止模型在编造运动时倾斜画面。

{
  "model": "pixverse-v6/image-to-video",
  "input": {
    "image_url": "https://static.hiapi.ai/blog/pixverse-v6-image-to-video-prompt-recipes/01-cabin-pushin-frame.jpg",
    "prompt": "缓慢、平稳的电影式推近，朝向木屋。薄雾在湖面上低低飘动，水面轻轻荡漾。松树在微风中摇曳。不慌不忙的清晨运动；地平线始终保持水平。",
    "duration": 5,
    "resolution": "720p",
    "generate_audio": true,
    "negative_prompt": "摇镜头, 突然切换, 扭曲, 闪烁, 人"
  }
}

在片段中，摄影机平稳地向前滑行——到结尾时，木屋和雪光山峰在画面中明显变大——同时薄雾滑过水面，倒影保持稳定。地平线从未倾斜，而且因为 generate_audio 开着，文件返回时已经叠加了安静的环境声（你可以用 ffprobe 确认音轨）。

为什么有效：一个主导的摄影机动词（「推近」）、两个安静的环境运动，以及一条稳定性指令。generate_audio: true 在同一次调用中叠加匹配的环境音——无需单独的音频步骤。

配方 2 — 让已经存在的主体动起来

当人物或产品是焦点时，诀窍是只要求当前姿势能合理达到的运动。我们的主体正拿着杯子低头看，所以「举起杯子、抿一口、抬头、微笑」是一个自然的弧线。过度要求（「她站起来走开」）正是产生融脸和多手指的原因——所以这是 negative_prompt 发挥价值的配方。

{
  "model": "pixverse-v6/image-to-video",
  "input": {
    "image_url": "https://static.hiapi.ai/blog/pixverse-v6-image-to-video-prompt-recipes/02-cafe-sip-frame.jpg",
    "prompt": "女人缓慢举起杯子，抿一小口，然后抬起眼睛看向镜头，露出温柔自然的微笑。一个细微的眨眼和头部轻微倾斜；杯子上飘着淡淡的蒸汽。背景保持静止。",
    "duration": 5,
    "resolution": "720p",
    "negative_prompt": "面部扭曲, 手部变形, 多余手指, 五官形变, 扭曲, 闪烁"
  }
}

结果按顺序遵循这些节拍：她举起杯子，到结尾时她的眼睛已经从杯子抬到镜头，并落定为一个轻松的微笑。整个运动过程中面部和手部保持干净——在人物主体上，这正是加载的 negative_prompt 为你换来的。

为什么有效：运动与姿势匹配，节拍有先后（「举起……抿……抬起……微笑」），而且 negative_prompt 加载了人物图生视频的具体失败模式——脸和手。

配方 3 — 固定摄影机的环境运动

不是每个片段都需要摄影机运动。有时最具电影感的结果是一个保持不动的镜头，只有世界在动：雨、蒸汽、闪烁的霓虹、一个路人。这里的关键短语是明确告诉摄影机原地不动——否则模型常常会加上你没要求的缓慢漂移。

{
  "model": "pixverse-v6/image-to-video",
  "input": {
    "image_url": "https://static.hiapi.ai/blog/pixverse-v6-image-to-video-prompt-recipes/03-ramen-rain-frame.jpg",
    "prompt": "摄影机固定不动，完全没有任何移动。细雨以细密的条纹持续落下；霓虹招牌在湿漉漉的地面上闪烁微光；蒸汽从拉面锅里卷起；一两个行人在远处背景的伞下缓缓走过。",
    "duration": 5,
    "resolution": "720p",
    "generate_audio": true,
    "negative_prompt": "摄影机抖动, 变焦, 摇摄, 移动镜头, 扭曲, 招牌融化"
  }
}

画面从头到尾保持原位——摊位、凳子和延伸的街道都停在原处——同时蒸汽从锅里翻滚而出，湿漉漉的地面闪烁着霓虹倒影，伞下的身影沿着背景移动。没有缓慢的变焦，没有漂移。开着音频时，返回的片段带有匹配的雨街环境音。

为什么有效：「固定不动，完全没有任何移动」加上负向提示词中的 摄影机抖动, 变焦, 摇摄, 移动镜头 钉住了摄影机，所以所有运动预算都投入到了氛围中。开着音频则为你配上雨声和街道环境音。

配方 4 — 从竖屏帧输出竖屏视频

这套配方钉住了图生视频最核心的一条规则：几何形状来自你的图像。因为没有 aspect_ratio 旋钮，获得 9:16 竖屏片段的唯一方式是输入 9:16 的帧——所以这张静帧是按竖屏生成的。我还在这一个上传递了 style: anime，以测试该预设（anime、3d_animation、clay、comic、cyberpunk）是否会重新换肤一张已经照片级写实的帧。答案很有启发性——见下文。

{
  "model": "pixverse-v6/image-to-video",
  "input": {
    "image_url": "https://static.hiapi.ai/blog/pixverse-v6-image-to-video-prompt-recipes/04-skate-vertical-frame.jpg",
    "prompt": "滑板者俯冲而下，以快速自信的动作沿坡道滑行；滑板扬起一点灰尘，夹克和头发在风中翻飞。充满活力、动感十足的动作，保持在稳定的竖屏画面中。",
    "duration": 5,
    "resolution": "720p",
    "style": "anime",
    "negative_prompt": "模糊, 肢体扭曲, 扭曲, 低能量, 信箱黑边"
  }
}

片段返回的是 720×1280——竖屏——直接来自竖屏帧，请求中任何地方都没有 aspect_ratio 字段。俯冲和滑行看起来快速干净，滑板和坡道墙上有自然的运动模糊。不过 style: anime 预设没有可见效果——结果保持完全照片级写实，跟随输入图像的外观，而不是转换为动漫。在图生视频中，第一帧锚定了外观。

从中可以学到：竖屏帧强制产生竖屏片段，完全不需要 aspect_ratio 字段，而「稳定的竖屏画面」加上负向提示词中的 信箱黑边 使它保持满屏铺满，而不是左右留黑边。不要依赖 style 在这里转换照片级写实的帧——如果你想要动漫或黏土动画外观，请在动画化之前先生成那种风格的第一帧。

微调

一旦某套配方接近目标，以下是能推动结果的旋钮：

duration——整数，1–15 秒（默认 5）。更长的片段成本按比例更高，也给模型更多漂移空间，所以让演示短而紧凑。
negative_prompt——你的主要伪影刹车。对于人物，列出脸/手；对于固定镜头，列出摄影机运动；对于风格化镜头，列出 信箱黑边。
seed——传递一个整数使外观可复现，然后只改提示词来迭代。
resolution + generate_audio——这两个决定价格。在 720p 下，片段静音为 $0.0645/秒，带声音为 $0.086/秒；1080p 为 $0.129/秒 / $0.1645/秒。一个 5 秒 720p 带音频的片段约 $0.43。每个档位的当前每秒费率在定价页面上。

常见问题

为什么 pixverse-v6/image-to-video 没有 aspect_ratio 字段？ 因为你提供第一帧，输出几何形状跟随那张图像。没有比例可选——片段出来的形状与你的 image_url 相同。要获得竖屏结果，请先将帧裁剪或生成为 9:16（配方 4）。

图生视频片段可以多长？ duration 接受 1 到 15 秒的整数，默认 5。它必须是数字，不是字符串。

我可以在同一次调用中获得声音吗？ 可以。设置 generate_audio: true，模型会为片段添加匹配的配乐/环境音——无需单独请求。默认关闭，开启后会进入「带声音」价格档。

我的主体脸部或手部扭曲。怎么修复？ 两个杠杆。第一，只要求起始姿势能达到的运动——小而合理的动作动画干净；大的动作（站起、走开）容易形变。第二，在 negative_prompt 中加载具体的失败术语：面部扭曲, 手部变形, 多余手指, 五官形变。

style 预设会重新风格化我的输入图像吗？ 在图生视频中别指望它。当我发送一张照片级写实的帧并设置 style: anime 时，片段返回的是照片级写实——输入图像主导了外观，预设没有可见效果。如果你需要特定风格（动漫、黏土、漫画），可靠的做法是在动画化之前先生成或编辑你的第一帧为那种风格。

这与文生视频提示词有什么不同？ 在文生视频中你用文字构建整个场景；在图生视频中场景由你的帧固定，你只描述运动和摄影机。如果你想从文字描述而非静帧生成运动，那是 pixverse-v6/text-to-video。