免費圖片生成影片:零成本能做到哪一步
免費圖片生成影片並不是付費版的降級品,而是同一顆模型在回答一個更窄的問題:一張靜圖加一句指令,5 秒、720p 之內能做出什麼。答案比多數人預期的多,也比展示影片少,差別幾乎都在你挑了哪一種鏡頭。

本頁內容
# 免費圖片生成影片:零成本能做到哪一步
免費圖片生成影片並不是「付費版的降級品」,而是同一顆模型在回答一個更窄的問題:給你一張靜止的照片、一句簡短的指令,在 5 秒、720p 這個規格裡,能做出什麼。
答案比多數人預期的多,也比展示用的影片少。而這個落差,幾乎完全取決於你挑了哪一種鏡頭——不是取決於你換了幾個工具。
這篇談可行性,不談選購。前提是你已經決定不花錢,問題就縮小成:我想做的那些片段裡,哪幾種真的做得出來。
先分清三檔能力
免費工具常被描述成「功能有限」,這句話掩蓋了一個事實:限制其實分成三檔,而三檔的可用程度差很多。
| 檔位 | 畫面裡發生什麼 | 模型要發明什麼 | 免費版的表現 |
|---|---|---|---|
| 第一檔:只動畫面內元素 | 構圖不動,畫面裡的東西在動 | 幾乎不用發明 | 最穩的一檔 |
| 第二檔:主體小幅表演 | 人在原地轉頭、微笑、抬手 | 少量遮擋與關節 | 來源照片好就成立 |
| 第三檔:主體位移 | 走路、跳舞、轉身,或機位穿過場景 | 身體背面、地面、場景深處 | 最不穩的一檔 |
第一檔,只動畫面內元素。 畫面維持拍照時的樣子,只有裡面的東西在動:頭髮揚起、水面起漣漪、窗簾擺一下、光緩慢爬過牆面。構圖完全沒被改動,模型也不需要重畫結構,所以這是最可靠的一檔。
第二檔,主體小幅表演。 人在畫面裡動,但不離開原來的位置:頭轉十五度、嘴角成形、手抬起來。這一檔能不能成立,取決於來源照片——清楚、正面、光線均勻就成立,反之就開始出問題。
第三檔,主體位移。 走路、跳舞、轉身,或機位本身穿過場景。這一檔要求模型發明照片裡從來沒拍到的東西:身體的另一側、地面、場景深處。而這些「發明」,正是規格被壓縮時最先被砍掉的部分。
多數人對免費工具的失望,來自拿第三檔的結果去評價整個工具。真正有競爭力的是第一檔與第二檔。

可行性表:想要的效果落在哪一檔
照檔位排序,不是照常見程度:第一檔最穩,第二檔看照片,第三檔最不穩。想做的效果落在哪一列,解法就寫在同一列右邊。
| 你想要的效果 | 檔位 | 免費版做得到嗎 | 做不到時怎麼改 |
|---|---|---|---|
| 加雨、雪、霧、塵 | 1 | 可以,穩定 | — |
| 水面、煙、火、樹葉在動 | 1 | 可以,穩定 | — |
| 靜止人像呼吸、眨眼 | 2 | 可以,穩定 | — |
| 人物轉頭面向鏡頭 | 2 | 有機會 | 從四分之三側面開始,轉少一點 |
| 兩個人擁抱 | 2–3 | 完全看那兩張照片 | 從已經靠很近的照片開始 |
| 風景緩慢推近 | 3 | 通常可以,前提是只有機位在動 | 主體鎖住,只讓機位動 |
| 人物朝鏡頭走來 | 3 | 少數情況可以 | 改成兩個靜圖剪接 |
| 一整段舞蹈 | 3 | 不行 | 改用帶真實動作的範本 |
| 產品旋轉 | 3 | 不行 | 讓光動,不要讓產品轉 |
右欄的規律很一致:想要的效果一旦落在第三檔,解法幾乎都是「把這個鏡頭改寫成第一檔或第二檔」,而不是把提示詞寫得更用力。
檔位是鏡頭的屬性,不是工具的屬性
同一個免費工具,做舞蹈不行,做十秒風景卻很有說服力——因為風景要求它動的東西,沒有人能拿記憶去比對。
這句話值得記住:檔位由「你要求畫面動到什麼程度」決定,而不是由「你用了哪個平台」決定。用一支第三檔的成品去否定一個工具,最常見的結果是放棄了一個其實做得出你真正需要的那種鏡頭的工具。
反過來也成立。你以為自己只需要第一檔,但提示詞裡寫了「人物往前走兩步」的那一刻,它就變成第三檔了。鏡頭的檔位,是你自己選的。
來源照片在 720p 下的四個要求
免費版通常把輸出壓在 720p、5 秒。這兩個數字會改變「什麼叫做一張好照片」:原本會被壓縮藏起來的瑕疵,現在會被放大。
| 檢查 | 為什麼在 720p 特別致命 | 怎麼做 |
|---|---|---|
| 對焦 | 模型會連模糊一起放大,成品比原圖更軟 | 100% 檢視眼睛,眼睛軟就直接換一張 |
| 比例 | 讓工具重新取景,等於叫它發明左右兩側 | 要出 9:16,上傳前就裁成 9:16 |
| 邊界 | 720p 在畫面邊緣的畫素最少,瑕疵從那裡開始 | 主體置中,四周至少留一成 |
| 背景 | 背景細節會跟主體搶同一份運算預算 | 素色牆、天空,或重度模糊 |
四項裡最容易補救的是背景,最難補救的是對焦。對焦不對,換提示詞、換工具都救不回來;解析度反而不是第一順位——一張 2,000 畫素但手震的照片,成品會比一張 1,200 畫素但銳利的照片更糟,因為模型會把模糊一起放大。
比例要單獨決定,因為它改變模型要發明的面積。直式 9:16 交給 Instagram Reels、YouTube Shorts 與 TikTok;1:1 給方形貼文與 Threads;16:9 給網頁播放器或 YouTube 長片。三種各自生成,不要用 16:9 事後裁成直式——全身入框的題材在直式裡最容易把腳切掉,取景時下方要多留一成。
四種鏡頭,四種結果
四類鏡頭裡,兩類是免費版的主場,一類要靠打光,一類要靠範本。表格按表現排序,下面說明每一類的原因。
| 鏡頭類型 | 免費版表現 | 關鍵設定 | 什麼時候該換做法 |
|---|---|---|---|
| 近景人像 | 最好 | 5 秒、鎖定機位、一個微動作 | 幾乎不用換 |
| 風景與環境 | 意外地好 | 10 秒、鎖定機位或極緩慢推近 | — |
| 產品 | 中等 | 光或環境在動、產品不動 | 改成打光變化 |
| 全身動作 | 最差 | 5 秒、鎖定機位、小幅度 | 改用帶真實動作的範本 |
主場一:近景人像。 一張臉、一個微動作、5 秒、鎖定機位。模型只要維持一件事,所以這一類的成品與付費版幾乎沒有差別——這也是多數人第一次用免費版就覺得「可以用」的原因。

主場二:風景與環境。 戶外會動的東西——雲、水、草、遠處車流——幾乎都沒有可被檢查的幾何,10 秒的風景常常比 5 秒的人像好看。這一類與付費版的差距最小。
要靠打光:產品。 產品本身不能動,動作只能來自光或環境——反光掃過表面、影子變短、背景元素飄過。要求產品旋轉,邊緣就會抖;改成打光變化,同一張產品照就能反覆用。
要靠範本:全身動作。 整個人動起來,模型必須在會動的骨架上一路維持比例,而比例正是規格被壓縮時第一個被放棄的東西。需要這一類,就別在提示詞裡硬拚,改走帶真實動作的範本。
把零成本用量拉長的三個習慣
免費版的次數不是拿來「試到好」的,是拿來「確認一個判斷」的。三個習慣,順序是先省、再穩、最後才求好。
先寫句子,再開工具。 在生成器裡想句子,等於把次數花在打字上。先在備忘錄寫到順,貼上去就跑;這一步不花任何次數,卻最常被跳過。
一次只動一個變數。 來源照片、動作句、時長、比例,四個裡面一次只改一個。改兩個,下一次的結果就沒辦法告訴你是哪一個造成的。
小尺寸打草稿,定版再跑一次。 判斷一張臉有沒有撐住,不需要滿解析度。小尺寸先確認動作方向,過關的那一個再用最高規格重跑——同樣的次數,能測的想法多好幾倍。定版下載後,進剪輯軟體再確認一次實際解析度,避免平台二次壓縮把品質又拉低一層。
三面牆,以及撞到牆之後
免費版的天花板不是「畫質差」,而是三個會逼你改腳本的限制。按專案最容易撞到的順序排:
- 同一個主體要出現在多個鏡頭。 沒有參考圖或種子碼,身分會在每次生成之間漂移,兩段「同一個人」會變成兩個人。做法是讓身分由來源照片承載:同一張照片重複使用,不要每次重新挑。
- 需要超過 5 秒的連續動作。 時長是最先被限制、最後才被放寬的一項。揮完一次手、走完一段路這種完整手勢,會直接卡在秒數上。做法是拆成兩段 5 秒,或把 10 秒留給只有一個動作的鏡頭。
- 成品要上大螢幕。 720p 在手機上沒問題,在二十七吋螢幕上就軟。做法是交付前用 1080p 重跑,或把成品限制在手機比例的版面。
這三面牆不是放棄免費路線的理由,而是規劃專案前該先回答的三個問題。
常見問題
免費版做的東西能發嗎? 人像、環境、氣氛類可以。兩個門檻是浮水印壓在主體上,以及輸出低於 720p;先確認這兩項,再判斷要不要發。
為什麼畫面很乾淨,看起來還是假? 通常是光。生成的動作預設是平光、沒有方向;在句子裡指定光源與方向,對「像真的」的幫助大於其他任何單一調整。
需要高解析度的照片嗎? 需要的是「清楚」。短邊超過大約 1,200 畫素之後,銳利度比畫素數重要。
可以用產品照做影片嗎? 可以,但讓環境動,不要讓產品動。反光移動讀起來是活的,產品旋轉讀起來是壞的。
一段大概要試幾次? 人像一到兩輪;任何有身體位移的題材會更多。如果某一種鏡頭每回都要五輪以上,問題在鏡頭的檔位,不在提示詞。
比例會影響品質嗎? 會,因為它改變模型要發明的面積。把風景裁成直式 9:16,等於強迫它生出左右兩側。能讓來源方向與輸出一致就一致。
下一步
三條生成路線怎麼選,ai 影片製作有一張對照表;免費版的限制怎麼審,免費ai影片生成是同一組問題的另一半。來源照片怎麼挑,照片轉影片入門講得最細;想知道靜圖裡哪些材質真的能動,把照片變成影片有完整對照。
想先跑一段 5 秒草稿,從範本頁挑一個開始。
本文這些條件,可以拿一張照片在圖片轉影片工具裡當場驗:先跑 5 秒一條,看主體和構圖撐不撐得住,再決定要不要往下做。


