如何将照片转换为AI视频

图像转视频是AI视频中最高杠杆的功能：一张好照片输入，几秒钟可信的生命输出。这也是大多数尝试失败的地方，因为人们要求场景无法支持的运动。肖像不需要相机环绕——它需要耳朵抽动和背景散景呼吸。本指南涵盖选择能干净动画化的源照片、编写属于场景的运动提示，以及保持主体可识别地相同。

下面的示例将一张个人风格的照片动画化为四秒的片段。相同的流程适用于ManifoldGen中的肖像、宠物、产品照片和风景。

从为运动而构建的照片开始

模型只能移动它能分割的东西，所以源质量比你的提示更重要：

• 清晰的主体——眼睛、毛发或边缘对焦清晰。运动会将柔和放大为模糊。
• 干净的背景分离——主体与背景明显区分。繁忙的场景迫使模型猜测狗在哪里结束，公园从哪里开始。
• 单一主体——每帧一个人或动物。两个主体会在片段中途交换身份；群体是另一种技术。
• 已经暗示了一些运动——风吹的头发、串灯、水。模型扩展现有能量远比发明新能量好。
• 良好的分辨率——长边大约1024像素。如果不是，先放大；动画无法恢复源从未拥有的细节。

提示属于场景的运动

PERSONAL PHOTO, GENTLE MOTION

INPUT

PROMPT

Gentle breeze moves the fur and the grass around the blanket, ears lift as the dog tilts its head slightly toward camera, string lights twinkle softly, background bokeh breathes, natural handheld micro-movement, subtle and lifelike.

OUTPUT — GENERATED WITH MANIFOLDGEN

· 4s

源静帧本身是用这个图像提示生成的：“公园野餐毯上坐着的金毛猎犬的随意手机照片，舌头伸出，背景是树木和散景串灯，傍晚阳光耀斑，略微不完美的构图，像个人照片。”注意每个运动条款都提到了画面中已经存在的东西——毛发、草、耳朵、灯光、散景。没有要求场景增加新元素。

把提示词当作环境层次的清单：环境（皮毛和草上的微风）、表情（头向镜头倾斜）、氛围（闪烁的灯光）、光学（呼吸般的散景）和镜头（手持微动）。每个层次一个子句，每个子句都对应一个可见元素。这种结构让结果读起来像一个鲜活的瞬间，而不是变形。

保持身份稳定

身份漂移——面部重塑、标记迁移——是人们最先注意到的失败模式。三种防御：

• 默认保持动作微妙。每一单位的运动都是重绘主体的机会；“稍微”、“轻轻”和“微妙”是承载词，不是填充词。
• 永远不要要求超出小幅度的姿势变化。头部倾斜、眨眼、呼吸、重心转移都可以。站起来、转身、走开则不行。
• 可用时使用低强度。较低的图像强度将输出更紧密地固定在源像素上，但代价是运动更少——对于面部和宠物来说是正确的权衡。

如果第一次生成仍然漂移，先减少一半的运动子句，再动其他。过载的提示会让模型即兴发挥。

一个可复用的图像转视频骨架

[Environmental motion] moves [ambient elements],
[small expressive action] as [subject] [micro-gesture toward camera],
[atmospheric layer] softly, background [optical layer] breathes,
natural handheld micro-movement, subtle and lifelike.

故障排除

• 主体融化或改变物种——请求的运动太多。削减到两个子句并添加“微妙”。
• 片段看起来像静态缩放——你描述了镜头但没有描述场景。用微风、眨眼和光线子句替换镜头语言。
• 出现新物体（多余的狗、漂浮的叶子）——你的提示引入了照片中不存在的元素。只描述可见的东西。
• 运动开始强烈然后冻结——片段长度超过了提示的能量。保持4秒或添加一个持续的環境子句，如“风持续稳定”。
• 背景严重扭曲——提高图像强度/降低运动强度，使环境保持固定，而主体移动。
• 面部在重试中失去相似性——每次都从原始文件重新生成，而不是从先前动画的帧。

从你的相机胶卷中选三张照片，在Studio中用上面的骨架运行它们，并保留值得重看的片段——然后尝试在/tools/cinematic-cameras下使用不同预设的相同源，以比较运动风格。