博客

使用指南

通过 HiAPI API 实现 Wan2.7 图生视频短视频工作流

开发者指南:首帧选择、镜头与节奏提示词、宽高比、时长与批量生成

2026年11月9日
米色底上土红色阶梯状横带自左向右递减的扁平几何封面图,用于 Wan2.7 视频工作流指南。
本页内容

为什么图生视频适合短视频制作

短视频是一门以量取胜的生意。单条片段很少是最终交付物;真正的交付物是一连串共享相同观感、相同节奏和相同发布频率的片段。这一需求对工具选择的塑造,比任何单一输出质量指标都更强。

图生视频之所以非常契合这一点,是因为它把静帧变成了主要的控制信号。你不必用文字描述整个场景、再指望模型恰好落在他所设想的构图上,而是把一个已经审核通过的帧交给模型:主体就在你放置的位置,裁切就是你设计的构图,光线就按你布光的方式落下。生成步骤于是围绕运动展开——主体如何移动、镜头如何运动、镜头呼吸多快——而不是从零凭空造出一个场景。

这种分工对团队很重要。静帧可以由擅长构图的人使用你现有的任何流水线来制作、审核和批准。运动则是一个更小、更易测试的问题。当某条片段结果不对时,你通常能判断问题出在帧上还是提示词上,而这正是每周产出几十条片段时你想要的二分排查方式。

在 HiAPI 上的端到端流水线刻意保持枯燥乏味:

  1. 为每个镜头制作或挑选一张首帧静帧。
  2. 撰写镜头提示词,描述主体动作、镜头运动和节奏。
  3. 将静帧和提示词连同固定的宽高比与时长发送到 wan2.7-video/image-to-video 路由。
  4. 将返回的片段收集到审核队列。
  5. 接受、重新提示或重新取景,然后发布。

本指南的全部内容都在于让上述每一步可复现,因为短视频流水线的价值不在于一条出色的片段——而在于明天能用新帧跑同样的流程并得到可比较的结果。

以静帧为工作单元

把静帧当作你要进行版本管理的产物。实践中这意味着用确定性的方式为帧命名,并把已批准的帧与配合它使用的提示词保存在一起。如果你之后想对同一镜头尝试不同的版本,就一次只改变一个变量:提示词,或帧,绝不同时改变两者。

模型替你决定什么、不替你决定什么

宽高比和时长由你决定,而不是提示词自发产生的属性。尽早锁定它们。下游的一切——你如何为静帧取景、如何措辞节奏、如何为平台剪辑片段——都假定这两个值已经固定。

从单张静帧到可发布的片段:每个阶段都沿着相同的色带结构逐级递进。

挑选首帧

首帧承担了大部分工作。如果首帧选错,再多的提示词调优也无法完全挽救片段,你会花很多轮迭代去追一个其实出在静帧上的问题。在花费任何一次生成之前,先用一份简短明确的清单筛选候选帧。

构图与主体裁切

你所挑选的帧应为你要交付的宽高比而构图,而不仅仅是裁切成那个比例。如果静帧中主体靠近边缘,就要预期模型几乎没有空间移动镜头而不把主体推出画面。给运动留出发生的地方:沿预期摇镜方向的引导空间、可能上升的主体上方的空间、能够产生视差的前景元素。

在交付宽高比下检查裁切,而不是在源宽高比下。一个作为方形看起来很平衡的帧,被挤进竖直高帧时可能会失去主体。

头部空间与取景一致性

如果一批片段将被剪在一起或按顺序发布,就要保持各帧之间的头部空间一致。即使每个单独片段都没问题,头部空间不一致也会被读作剪辑粗糙。定下一个惯例——例如主体头顶到画面上边缘的固定间距——并把它应用到该组中的每一张静帧。

光向与阴影稳定性

光照决定了运动看起来有多可信。强烈、有方向性的光和清晰的阴影给模型提供了可依据的结构;平坦、无阴影的光往往产生看起来像在滑移而不是在移动的运动。优先选择光向明确无歧义的帧,避免阴影可能朝两个方向落下的静帧——这种歧义往往表现为闪烁。

能引向运动的静止感

好的首帧会暗示接下来发生什么。处于动作进行中的主体、望向画外的目光、朝向开阔空间倾斜的身体——这些都给了模型自然的延续方向。完美对称、正对镜头、静止的肖像是最难自然动画化的,因为它没有隐含的方向。

帧的洁净度

生成之前,以全分辨率检查静帧是否有瑕疵:边缘拖影、不一致的手、重复的纹理、一旦开始运动就会明显扭曲的文字。静帧中的小缺陷在片段中会变成明显的缺陷。修复或重新生成帧几乎总是比重新抽视频更便宜。

三个候选首帧在主体裁切、头部空间和光向上的对比。

撰写镜头与节奏提示词

图生视频中最常见的提示词错误是把提示词写成场景描述。场景已经确定了——它就是那张帧。模型需要你提供的是镜头指令:什么在动、怎么动、多快。

把提示词组织为三个分句

能稳定产出可用片段的提示词往往按顺序覆盖三件事:

  • 主体动作——主体做什么,用具体的物理描述。
  • 镜头运动——镜头做什么,作为单一、干净的运动。
  • 节奏——动作在片段中展开的速度。

例如,与其描述一个人在房间里,不如描述主体把头转向窗户、镜头缓慢推近、动作贯穿整个时长逐步展开。每个分句都对应模型可以执行的东西。

保持镜头运动单一

每个镜头只用一个运动。推近、摇镜或手持漂移——挑一个。要求推近同时又环绕、又变焦的提示词往往产生浑浊、不确定的运动。如果一个镜头需要两个运动,那就是两个镜头。

按平台节奏,而不是按模型节奏

短视频观众滑动得很快。把大部分时长用于建立静态场景的片段会让观众在任何事情发生之前就流失。把节奏明确写出来:在前几个瞬间前置少量运动,然后让镜头稳定进入主要动作。传达速度感的词——逐渐、轻快、持续、渐稳——比一长串形容词更有用。

描述运动,而不是情绪

情绪化的词廉价且大多被忽略。物理描述则不是。优先使用关于身体、物体和镜头的可观察陈述,而不是抽象特质。如果你想要特定的情绪观感,要从动作和节奏中获取,而不是从“电影感”这样的词里获取。

像管理代码一样管理提示词版本

把每个提示词与帧标识符、宽高比和时长一起保存在代码仓库或数据库中。当某条片段效果好时,你会想知道究竟是哪种组合产生了它,以便之后把该组合重跑到一整批相似帧上。

设置宽高比与时长

宽高比和时长是最有可能悄悄破坏工作流的两个参数,因为它们都不出现在提示词中,而且都会改变什么算好结果。针对每种输出格式一次性决定它们,然后当作常量对待。

选择宽高比

选择你的目标平台实际展示的比例,并为它构图你的静帧。实际的后果是:你不应在竖版和横版之间复用同一张帧而不重新构图——适合高版的裁切很少适合宽版。如果两者都需要,就维护两套源自同一拍摄的静帧,每套为其自身比例构图。

选定后,把该比例与每个请求一起记录。已完成批次中混合比例通常意味着有人改了默认值,而不是做了决策。

选择时长

短视频片段就是短。计划与格式匹配的时长:长到足以完成一个清晰的单一动作,短到没有什么闲置。由于 HiAPI 按输出时长对图生视频计费,过长的片段成本更高且审核体验更差——观众很少会看到一条已经没有内容可说的片段的结尾。

把提示词写成填满你所选时长的样子。描述的动作比片段更长,会产生动作中途的突兀剪切;动作在时长的一小部分内完成,则会在结尾留下空白。要有意地让节奏措辞与长度匹配。

在扩展之前固定两者

这是本指南中最重要的流程规则。提示词调优只有在固定的宽高比和时长内才有意义,因为两者都会改变运动被感知的方式。如果你在一种时长下调优提示词,然后缩短输出,每个你批准过的提示词都会变成未经测试的猜测。锁定这对参数,针对它调优,只把它作为有意为之的重新调优事件来改变。

每次运行值得记录的参数

为每个批次保留一条小记录:宽高比、时长、模型路由、帧组标识符、提示词版本。这条包含四个字段的记录通常足以在几个月后重建某条片段为何呈现成那样,而不必翻查日志。

在 HiAPI 上批量生成

一旦帧组和提示词模式获得批准,生成就是机械性的。目标是一个小脚本,能展开请求并确定性地收集结果,这样你就能按计划运行它,而不是手动运行。

凭据与配置

把 API 凭据保存在环境变量中,绝不要放在脚本或仓库里。从配置中读取端点和模型路由,这样以后就能把同一脚本指向不同的路由而无需修改代码路径。

export HIAPI_API_KEY="your-key-here"

一个可运行的请求

本工作流的路由是 wan2.7-video/image-to-video。最小请求包含首帧、镜头提示词、宽高比和时长:

curl -X POST "https://api.hiapi.ai/v1/video/generations" \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "wan2.7-video/image-to-video",
    "image": "https://your-cdn.example/frames/shot-014.png",
    "prompt": "Subject turns toward the window; slow push-in; gradual motion settling over the clip.",
    "aspect_ratio": "9:16",
    "duration": 5
  }'

在循环任何东西之前,先针对一张已知良好的帧运行一次。单个成功请求就能确认你的凭据、路由名和请求负载结构。

遍历一组帧

批量生成就是同样的请求重复执行,只是换用不同的 image 和配套提示词。把输入组织为记录列表,每条记录携带帧 URL、其提示词,以及一个由你控制的输出名称。迭代、提交,并把返回的标识符记录到输入记录上。

循环的两条实用规则:

  • 限制并发。 一次性发出所有请求是撞上速率限制、并搞不清哪个响应属于哪个输入的最快方式。带有重试的适度工作池比突发更可靠。
  • 把请求和结果一起记录。 对每次生成,持久保存帧 URL、提示词、宽高比、时长以及返回的片段引用。没有这些,你既无法复现一条好片段,也无法解释一条差片段。

收集输出

按帧标识符和提示词版本键控,将片段下载到确定性的文件夹结构中,然后把文件夹交给审核。保持命名方案稳定意味着你的审核步骤只是列目录,而不是一场对账工作。

重跑时的幂等性

为每个帧-提示词对赋予稳定的哈希,并跳过已经生成过的对,除非你是刻意重抽。为了填补三个空缺而重新生成整个批次,是团队在图生视频流水线中浪费配额最常见的方式。

一个凭据和一个模型路由把一叠首帧变成呈扇形展开的并行请求,片段被收集到同一个输出文件夹中。

审核与迭代输出

审核是一个制作步骤,而不是形式。要点是快速把每条片段归入三种结果之一——接受、重新提示或重新取景——让整批继续推进。

一份简短的审核清单

让每条返回的片段都经过相同的、按顺序的检查:

  1. 首帧保真度——开场瞬间是否与你批准的静帧一致?如果立刻漂移,问题通常在帧上,而不是提示词上。
  2. 运动合理性——主体的移动是否符合身体和物体的真实运动方式?注意滑移、肢体形变、形状改变的物体。
  3. 镜头纪律——镜头是否执行了你要求的单一运动,还是在游移?
  4. 节奏契合度——动作是否在时长内完成,既无多余尾巴也无动作中途剪切?
  5. 瑕疵扫描——检查边缘、手、脸、背景文字,以及任何细节精细的区域。
  6. 格式检查——宽高比是否正确,主体是否落在平台 UI 叠层的安全边距内?

分流决策

  • 接受,如果片段通过六项检查,或仅在交付尺寸下不可见的方面有失败。
  • 重新提示,如果帧很好但运动、镜头或节奏不对。修改提示词的某一个分句并重新生成。
  • 重新取景,如果运动瑕疵可追溯到静帧中的歧义——光向不清、裁切别扭,或主体没有隐含运动。

每次迭代只改变一个变量。同时改变帧和提示词不会告诉你哪个修复起了作用。

廉价审核胜过完美镜头

对于短视频的量产,对许多片段进行快速的通过/不通过审核,胜过通过多次重抽打磨单条片段。按观众实际看到片段的尺寸审核,而不是全分辨率,并且只放大看你即将接受的片段。这能让审核步骤与批次规模成比例,而不是与你的焦虑成比例。

把发现反馈回去

持续记录哪些提示词模式和帧质量与接受率相关。经过几个批次后,这会变成一种内部风格——一组简短的提示词分句和取景规则,能稳定产出审核者无需长时间争论就会批准的片段。

要避免的陷阱

大多数在生产中停滞的图生视频项目,失败原因是流程问题而不是模型问题。以下是反复出现的几个。

对着移动的目标调优提示词

在调优中途改变时长或宽高比,会让你做过的每一项比较失效。先固定两者,再调优。如果相关方要求不同格式,就把它当作一个有自己已批准提示词的新调优周期,而不是一次参数微调。

把静帧当作事后考虑

快速生成一张帧、然后把全部精力花在提示词上的团队会很快撞到天花板。帧才是控制信号。为静帧预留真正的审核时间,并在弱帧进入生成之前拒掉它们。

用场景描述代替镜头指令

充满情绪和背景故事、却没有物理动作的提示词,产生的片段好看但什么也没发生。每条提示词都应指明什么在动、多快。

无限制的并发与缺失的日志

突发请求并丢弃响应标识符会让批次无法挽回。把输入和输出一起记录,限制工作线程数量,并让重跑幂等。

没有批准记录

如果你无法指出产生某条被接受片段的确切帧、提示词、比例和时长,你就无法重复它。这个代价会在你第一次需要扩展一个系列、并意识到最好的片段无法复现时显现出来。

过度生成以填补小空缺

因为三条片段失败就重跑整个批次,既浪费时间也浪费预算。跟踪每个条目的状态,只重新生成缺失的部分。

忽视平台安全区域

一条技术上正确、但主体落在平台界面叠层下的片段会被读作损坏。构图静帧时使用与你交付任何其他资产相同的安全边距。

这些都不算稀奇。它们只是生产流水线的常规纪律,应用在一个会回报这些纪律的模型上。

从一张已批准的帧和一条提示词开始,在 wan2.7-video/image-to-video 路由上端到端跑通,然后再把循环扩展到完整批次。

立即开始构建持久 AI 产物

获取 API 密钥,通过一个基于任务(task)的 API 调用图像、视频和音频模型。

阅读 API 文档