图生视频AI模型对比：成本、分辨率与控制能力

OpenRouter · 2026/9/29

Image-to-Video AI Models Compared: Cost, Resolution, and Control

如果你已经手头有一段视频应当起始的画面，那么选择图生视频模型的关键，就落在「第一帧之后需要发生什么」这件事上。生成的片段可能需要以另一张精确的画面收尾、时长超过几秒、附带 AI 生成的音频，或者必须控制在每秒价格之内。

我们服务中的视频模型会以不同方式应对这些需求。本文将覆盖四条模型线：Veo 3.1、Seedance、Kling 以及 Grok Imagine Video。它们并非图生视频的全部目录，完整的列表可在视频模型合集中查看。

你可以通过同一个视频生成 API 调用它们。「提交—轮询—下载」的整个生命周期对所有模型都是一致的。但各模型所接受的时长、分辨率、帧角色、音频选项和价格各不相同。本文将对比这些设置，并演示如何使用 TypeScript SDK 提交一份图生视频任务。

摘要

Veo 3.1、Fast 与 Lite 可生成 4、6 或 8 秒的片段，支持首帧与尾帧控制，并自带音频生成能力。Veo 3.1 与 Fast 最高支持 4K，Lite 止步于 1080p。
Seedance 2.5 可生成分辨率为 480p 或 720p、时长 4 至 30 秒的片段，接受首帧与尾帧，并可使用最多 50 个图像、视频与音频参考素材。Seedance 2.0 系列覆盖 4 至 15 秒。
Kling v3.0 Standard 与 Pro 可生成分辨率为 720p、时长 3 至 15 秒的片段，支持首帧与尾帧控制。音频为可选项，且会影响价格。
Grok Imagine Video 1.5 可基于一张首帧生成 1 至 15 秒、480p、720p 或 1080p 的片段，自带音频生成。
本文涉及的所有模型均使用 POST /api/v1/videos 接口。GET /api/v1/videos/models 会返回各模型支持的设置与价格 SKU。

图像既可以定义成品视频中的某一帧，也可以充当参考素材。我们使用两个不同的请求字段来处理这两种情形。

在文生视频（text-to-video）模式下，模型仅根据你的提示词构建场景。除提示词所描述的内容外，你无法控制起始帧。

在图生视频（image-to-video）模式下，图像将作为首帧、尾帧或同时充当两者。若一段产品视频必须以一张精确的产品画面开场，那么应使用此模式。

在参考生视频（reference-to-video）模式下，模型接收源素材，但不会将其锁定到某一固定帧位置。例如，你可以提供同一个角色的多张图像，让模型在合成新镜头时维持其形象的一致性。

若图像必须出现在片段中的某个特定时间点，请使用图生视频；若它仅需对结果起到引导作用，请使用参考生视频。

我们将这两种模式分别通过 POST /api/v1/videos 上的两个字段开放。

字段	作用
`frame_images`	将图像用作精确的首帧、尾帧或两者兼具
`input_references`	向模型提供图像、视频或音频素材以供遵循，但不会将其固定到某一帧

每个 frame_images 条目都带有 frame_type 属性，取值为 first_frame 或 last_frame。并非所有模型都同时支持这两种角色。视频模型目录中的 supported_frame_images 数组会告诉你某个模型接受哪些角色。

若在同一次请求中同时发送两个字段，则以 frame_images 为准，我们会将此次任务视作图生视频。

下表涵盖 Veo、Seedance、Kling 与 Grok Imagine Video 几条产品线。我们同样提供其他图生视频模型，完整的现行目录请参见视频模型合集。

分辨率、时长、帧角色与音频设置来源于 GET /api/v1/videos/models，价格则取自各模型页面。我们在 2026 年 9 月 11 日核对了两者。视频定价因分辨率、音频与输入类型而异，请将这些数字仅视作横向比较，并在估算生产成本前查阅模型页面。

关于如何阅读上述表格，有三点说明。

「可选音频」意味着模型对外开放了 generate_audio 请求参数。Grok Imagine Video 系列并未开放该参数。Grok Imagine Video 1.5 的说明称模型会生成音效、环境音与对白，因此表中标记为「是」。较早版本的 Grok Imagine Video 说明中未涉及音频，故标记为「未列出」。
「参考输入」一项反映的是该模型在 OpenRouter 页面上描述所声明的内容。「未列出」表示其描述未提及参考图像、视频或音频，但这并不意味着我们经过测试后发现参考输入会被拒收。参考生视频 Cookbook 中介绍了如何在依赖某项能力前确认其是否受支持。
Seedance 的价格按 video token 计费，而非按秒计费。Seedance 2.0 的模型页面说明，token 数量等于「高 × 宽 × 时长 × 24，再除以 1,024」。表中给出的每秒价格，是各模型页面针对 480p 输出展示的起始费率。Seedance 2.5 列出每百万 video token 收费 $10.70；Seedance 2.0 在 480p 与 720p 列出 $7.00，1080p 与 4K 分别另有费率；Fast 列出 $4.20；Mini 列出 $3.50。使用视频输入的请求会适用更低的每 token 费率。

由于多数模型按秒计费，因此时长本身也是一项成本决策。按 Seedance 2.5 的起始费率 $0.1028/秒计算，一段 4 秒片段的起步价约为 $0.41，一段 30 秒片段的起步价约为 $3.08。在 720p 分辨率或不同输入配置下，实际费用会更高。

首先用时长与帧控制缩小候选范围。一旦明确了片段所需的时长，以及是否需要固定的首帧、尾帧或二者兼具，再在剩余模型中就音频、分辨率与成本进行横向比较。