支持参考图像的最佳 AI 视频模型（2026）
最后更新：2026 年 9 月。
如今，生成一段 10 秒的视频轻而易举。各大主流模型都能做到。真正的问题是：你能否生成 5 分钟或 10 分钟的连贯视频，让一个角色在第 1 分钟和第 8 分钟看起来始终一致？让场景在数百帧画面中保持统一？
这才是真正的难题，也是目前变化最快的领域。本指南涵盖了我们找到的所有此类模型：它们要么能原生生成长视频，要么支持通过参考图像保持角色一致性，从而构建长篇内容所需的工作流。我们将其分为三个层级：可直接生成数分钟视频的模型、具备强大参考图像支持并可通过续写来扩展视频的模型，以及可自行运行的开源方案。
第一梯队：原生长视频生成（数分钟以上）
这些模型生成的视频以分钟而非秒来衡量。它们从底层开始就是为长序列中的时间一致性而设计的。
LongCat Video
美团于 2025 年底发布了 LongCat Video。这是一个拥有 136 亿参数的扩散 Transformer，也是首个能可靠生成最长 15 分钟连贯视频的模型。
该模型在统一的管线中支持文生视频、图生视频和视频续写。在 I2V 模式下，输入图像会成为视频真正的第一帧。它并不是可放入任意场景的宽松角色参考；模型会从该起始帧向后生成动画，同时使用“跨片段潜变量拼接”（Cross-Chunk Latent Stitching），在整个生成过程中持续参考原始图像，从而防止色彩漂移，并在长序列中维持视觉一致性。2026 年更新的版本还加入了音频驱动的数字人生成能力，可为 5 分钟以上的真人讲解视频实现口型同步。
在底层，LongCat 采用由粗到细的生成方法，并通过块稀疏注意力（Block Sparse Attention）处理超长序列。RLHF 调优则改善了运动质量。在 VBench 2.0 基准测试中，它的综合排名位列第三，仅次于 Google Veo 3 和生数科技的 Vidu Q1。
**可用性：**采用 MIT 许可证开源。可通过 fal.ai API 使用，每生成 1 秒收费 0.04 美元（生成一段 720p、15 分钟的视频需 36 美元）。LongCat 自有平台也提供按点数计费的服务。
| 规格 | 数值 |
|---|---|
| 最长时长 | 约 15 分钟 |
| 分辨率 | 720p、30fps |
| 参数量 | 136 亿 |
| 参考图像 | 仅限首帧（I2V 模式，并非角色参考） |
| 许可证 | MIT |
| API 成本 | 约 0.04 美元/秒（fal.ai） |
Seaweed APT2
字节跳动的 Seaweed APT2 采用了不同的方法。它不会预先生成完整视频，而是以 24fps 自回归生成画面，在单张 H100 上每帧延迟仅为 0.16 秒。最终可生成最长 5 分钟的稳定视频，同时保持时间一致性。
其技术诀窍是自回归对抗后训练（Autoregressive Adversarial Post-Training，AAPT），它将预训练的双向视频扩散模型转换为单向自回归生成器。每一帧只需一次网络前向计算，因而能够实现实时生成。
除了时长本身，这个模型的另一个亮点是交互性。你可以控制镜头、通过姿态检测驱动角色，并在视频渲染期间操控场景。与其把它理解为“生成一段视频”，不如将其看作“实时引导一段视频”。
**可用性：**目前仅处于研究阶段，尚未公开。其 70 亿参数基础模型（Seaweed-7B）已有公开论文，但 APT2 的权重尚未发布。
| 规格 | 数值 |
|---|---|
| 最长时长 | 约 5 分钟 |
| 分辨率 | 736x416（单 GPU），最高 720p（8 张 GPU） |
| 参数量 | 80 亿 |
| 参考图像 | 通过 I2V 和交互式姿态控制支持 |
| 许可证 | 尚未发布 |
| 状态 | 研究预览 |
Helios
Helios 来自北京大学，基于 Wan 2.1 构建。这是一个拥有 140 亿参数的模型，可在单张 H100 上以 19.5 FPS 生成分钟级视频。其关键创新在于处理长视频漂移的方式。Helios 没有采用自强制或关键帧采样等传统抗漂移技术，而是在训练期间模拟漂移，让模型学会自行纠正。
它原生支持文生视频、图生视频和视频转视频任务。I2V 模式可接受参考图像作为生成起点。
**可用性：**采用 Apache 2.0 许可证完全开源。于 2026 年 3 月发布。代码和权重托管于 GitHub（PKU-YuanGroup/Helios），并已集成到 Diffusers、SGLang 和 vLLM-Omni 中。HuggingFace Spaces 上提供 Gradio 演示。
| 规格 | 数值 |
|---|---|
| 最长时长 | 分钟级（无固定上限） |
| 分辨率 | 720p |
| 参数量 | 140 亿 |
| 参考图像 | 支持（I2V 模式） |
| 许可证 | Apache 2.0 |
| 硬件 | 单张 H100 可实时生成 |
SkyReels V2 / V3
Skywork 的 SkyReels 系列以无限时长视频为目标。V2 使用自回归扩散强制（AutoRegressive Diffusion-Forcing）架构，可在没有固定时长上限的情况下生成视频。V3 于 2026 年 1 月发布，在单一模型中统一了参考图像转视频、视频转视频扩展和音频引导的数字人生成能力。
V3 可接受 1～4 张参考图像，并在生成的视频中保持主体身份一致。视频转视频模式既支持无缝的单镜头续写，也支持带有电影化转场的多镜头切换。
Skywork 于 2026 年 2 月 25 日发布了 SkyReels V4。这是一个双流模型，可同时生成最高 1080p/32fps 的视频和音频，并接受文本、图像、视频片段、蒙版和音频作为条件输入。这里需要更正我们 7 月文章中的一处说法：V4 并未开源。截至 2026 年 9 月，SkyworkAI GitHub 组织中只有 V1 至 V3 和 Matrix-Game 的仓库，没有 V4 权重或公开 API，因此 V3 仍是 Skywork 开源参考图生视频模型的最高水平。
**可用性：**完全开源。模型参数量从 13 亿到 140 亿不等，提供 540p 和 720p 版本。代码和权重托管于 GitHub 和 HuggingFace。
| 规格 | 数值 |
|---|---|
| 最长时长 | 不限（自回归） |
| 分辨率 | 540p、720p |
| 参数量 | 13 亿、50 亿、140 亿 |
| 参考图像 | 1～4 张图像（V3） |
| 许可证 | 开源 |
| 硬件 | 最低 RTX 4090，建议 4～8 张 A100 |
第二梯队：支持强参考与扩展的短片模型
这些模型可生成 8～60 秒的短片，但提供强大的参考图像支持和视频扩展功能。对于长篇内容，你可以使用模型的续写或扩展端点将多个片段串联起来。角色一致性来自在多次生成中持续使用的参考图像。
这是目前大多数创作者制作一分钟以上内容时使用的实用工作流。单个片段的画质通常高于原生长视频模型。
Kling 3.0 Omni（快手）
Kling 拥有所有视频模型中最完整的参考图像系统。它将参考输入划分为三个不同类别，每个类别各有用途：
参考图像（image_urls）：最多 4 张图像，用于引导风格和外观。你可以在提示词中通过 @Image1、@Image2 等标签引用它们。这些图像会影响整体视觉效果、场景风格和环境，而不会被用作第一帧。
元素（elements）：专用于角色或物体的输入。每个元素需要一个 frontal_image_url（清晰的正面照片），还可添加可选的 reference_image_urls（其他角度）。你可以在提示词中通过 @Element1、@Element2 引用它们。模型会提取角色身份，并将其放入你描述的任意场景。这是制作冒险电影式内容的关键功能：上传一张角色照片，然后描述该角色穿越森林、与巨龙战斗，或进行任何你想要的活动。
起始帧/结束帧（start_image_url、end_image_url）：将特定图像固定为第一帧或最后一帧。它们是真实的视频帧，而不是风格指南。
这三个类别合计最多可提供 7 个参考输入（同时使用参考视频时降至 4 个）。通过 "@Element1 and @Element2 are having dinner at this table on @Image1" 这样的单条提示词，就能将角色与场景参考组合起来。
对于长篇内容，Kling 提供两条路径。多镜头模式可在一次调用中生成最多 6 个场景，每个场景都有自己的提示词和时长（每段 3～15 秒）。角色元素会自动在所有镜头中保持一致。扩展 API 会从已完成视频的结尾继续生成，通过连续扩展最长可达到约 3 分钟。V2V 编辑模式可接收现有视频（3～10 秒），并使用元素参考和文本提示对其进行转换：它会保留源视频中的镜头运动和角色调度，同时根据参考素材重新设计角色和环境的风格。这使 Kling 特别适合增强现有素材，包括低保真 3D 渲染视频。
Kling 3.0 Omni 在单一模型中统一了文生视频、图生视频、参考图生视频和视频编辑，并支持原生音频生成与口型同步。2026 年 6 月，快手推出了 Kling 3.0 Turbo，这是一个更快、更便宜的版本，在 720p 和 1080p 下均捆绑音频；同时，Omni 的编辑管线也升级为可输入和输出 4K 视频。截至 2026 年 9 月，Kling 3.5 或 4.0 均未发布，因此 3.0 Omni 仍是当前的视频模型。
**可用性：**可通过快手、fal.ai 和 Replicate 的商业 API 使用，按秒计费，价格因分辨率和版本而异。网页界面位于 klingai.com。
| 规格 | 数值 |
|---|---|
| 原生片段时长 | 3～15 秒 |
| 扩展后时长 | 约 3 分钟（通过连续扩展） |
| 分辨率 | 720p、1080p（Omni 编辑模式支持 4K） |
| 参考图像 | 最多 4 张（@Image 风格参考） |
| 元素 | 最多 4 个（@Element 角色参考，包含正面图和其他角度） |
| 参考输入总数 | 合计最多 7 个（使用参考视频时为 4 个） |
| 多镜头 | 支持（分镜中最多 6 个镜头） |
| 音频 | 原生同步音频与口型同步 |
| 视频编辑 | 支持（以文本引导编辑现有视频） |
| API | 快手、fal.ai、Replicate |
Kling 使用多张参考图像进行图生视频
这是我们收到的关于 Kling 最多的问题，因此下面根据 Kling 官方的 VIDEO 3.0 Omni 指南，简要说明当前模型的多图参考工作方式。标准图生视频会接收一张图片，并将其作为第一帧进行动画化。多图参考则是一种不同的模式：你可以上传多张图像，在提示词中为它们添加标签，然后由模型根据这些图像合成一个新镜头。如果请求中没有参考视频，可附加的图像和元素合计最多为 7 个；如果包含参考视频，则降至 4 个。一个角色元素本身最多可以由 4 张不同角度的照片构建，也可以由一段 3～8 秒的单角色视频片段构建；你还可以为它绑定一段 5～30 秒的录音，使角色在不同镜头中保持相同声音。在提示词中，你可以使用 @Image1 引用风格或场景参考，使用 @Element1（或你为元素指定的名称）引用锁定的角色或物体。因此，像“@Grace walks through @Image1 at dusk”这样的提示词，会把一个保持一致的角色放进你提供的场景中。输出最长可达 15 秒，支持 720p 或 1080p，并带有原生音频；同一套元素库还可用于 Kling 的多镜头分镜功能，让同一个角色在六镜头序列中保持一致。如果你只需要一致的静态图像而非视频，根据其图像指南，Kling IMAGE 3.0 最多可接受 10 张参考图像。常见工作流是先在其中锁定角色，再将生成的静态图作为元素输入视频模型。
Grok Imagine（xAI）
你可以在提示词中使用 <IMAGE_1>、<IMAGE_2> 等标签标记图像。像 "让 <IMAGE_1> 中的模特穿着 <IMAGE_2> 中的衬衫走上 T 台" 这样的提示词，会将人物参考与服装参考结合起来。该模型适用于虚拟试穿、产品植入，以及跨场景保持角色一致的叙事。
有一个限制：同一请求中不能同时使用参考图像和图生视频。你只能选择首帧模式或参考模式，不能同时使用两者。
Grok Imagine 还提供视频延长端点，可在现有视频末尾添加新画面。duration 参数仅控制新增部分的时长。你可以连续执行多次延长，以制作更长的内容。
xAI 于 2026 年 6 月 3 日以 API 预览版形式发布 Grok Imagine 1.5，并于 6 月 16 日以 grok-imagine-video-1.5 的名称正式开放，同时开始向消费级应用推出 Fast 变体。它是一款图生视频模型，可通过镜头运动、氛围、物理效果和在同一次推理中原生生成的同步音频，将单张静态图像转化为具有电影感的动态画面。它支持多镜头编排，可串联场景并保持一致性，能在约 25 秒内生成一段 6 秒的 720p 视频，并在发布时位列 Artificial Analysis 图生视频竞技场第三名。截至 2026 年 9 月，xAI 的模型页面显示，Grok Imagine Video 1.5 的价格为每秒 $0.08，初代 Grok Imagine Video 的价格为每秒 $0.05。xAI 更新的 Grok Imagine Image 2.0（列于其发行说明中）是一款静态图像模型，适合在制作动画前锁定角色形象，但它并不是新的视频模型。
可用性： xAI API（于 2026 年 1 月推出）、fal.ai 和 Replicate。提供 Python SDK、JavaScript/AI SDK 和 REST API。带音频的 720p 视频价格为每秒 $0.05。X Premium 订阅用户也可使用。
| 规格 | 参数 |
|---|---|
| 原生视频片段时长 | 1–15 秒 |
| 延长后时长 | 可通过延长 API 连续扩展 |
| 分辨率 | 480p、720p |
| 参考图像 | 1–7 张（真正的参考图，不是首帧） |
| 提示词标签 | <IMAGE_1>、<IMAGE_2> 等 |
| 音频 | 支持（720p） |
| 视频编辑 | 支持（文本引导） |
| API | xAI API、fal.ai、Replicate |
| API 费用 | 每秒 $0.05（Video）、每秒 $0.08（Video 1.5） |
Seedance 2.0（字节跳动）
字节跳动的 Seedance 2.0 可接收的参考输入数量在所有模型中最多：可同时输入最多 12 个文件，包括最多 9 张图像、3 个视频和 3 个音频文件。该模型支持原生音视频生成，并可实现 8 种以上语言的音素级口型同步。
单张图像最大可达 30MB。参考视频时长必须为 2–15 秒。模型会使用这些参考内容来确定角色外观、场景风格并引导动作。
下一次重大升级现已发布。字节跳动于 2026 年 6 月 23 日在火山引擎 FORCE 大会上公布 Seedance 2.5，并于 2026 年 7 月 31 日正式发布。根据 Seed 团队的公告，它可以生成最长 30 秒的单个原生视频片段，并支持多轮延长；在一次生成中最多可接收 30 张图像、10 个视频片段和 10 个音频片段作为参考（共 50 个文件，高于此前的 12 个）；还新增了时间戳级编辑功能，让你无需重新生成整个视频，即可修改片段中的某个时刻。该模型首先登陆即梦和豆包，随后进入 BytePlus ModelArk 企业 API，第三方平台也迅速跟进：根据 Runway 更新日志，Runway API 于 2026 年 8 月 7 日加入 Seedance 2.5，支持 4–30 秒时长以及最多 30 张参考图像。对于本指南中的叙事工作流，能够在单次生成中制作 30 秒长镜头并使用 50 个参考文件，可以省去下文所述的大量片段拼接工作。
可用性： 字节跳动官方 API（通过火山引擎提供，于 2026 年 2 月推出）和第三方 API 提供商。API 输出分辨率为 480p–720p，通过平台最高可达 2K 电影级分辨率。
| 规格 | 参数 |
|---|---|
| 原生视频片段时长 | 4–15 秒 |
| 分辨率 | 最高 2K（电影级） |
| 参考图像 | 最多 9 张图像 + 3 个视频 + 3 个音频（共 12 个） |
| Seedance 2.5 视频片段时长 | 原生最长 30 秒，并支持延长 |
| Seedance 2.5 参考内容 | 最多 30 张图像 + 10 个视频 + 10 个音频（共 50 个） |
| 音频 | 原生音频，支持口型同步（8 种以上语言） |
| API | 字节跳动/火山引擎、BytePlus ModelArk（2.5）、Runway API（2.5）、第三方提供商 |
Runway Gen-4.5
Runway Gen-4.5 发布时以 1,247 ELO 登顶 Artificial Analysis 文生视频排行榜，领先于当时的 Veo 3 和 Sora 2 Pro。到 2026 年 9 月，竞技场排名已重新洗牌（Gemini Omni Flash 与阿里巴巴的 Wan 3.0 并列榜首，Gen-4.5 则跌出前十），但 Gen-4.5 在电影级画面质量和可控动作方面依然表现强劲，而且 Runway 尚未推出 Gen-5。该模型在文生视频模式下可生成 2–10 秒的视频片段，并通过多镜头编排支持最长约一分钟、角色保持一致的长视频。
图生视频功能于 2026 年初加入，并支持所有宽高比的参考图像。Runway 在 2026 年的其他动作主要集中在编辑和模型路由上，而非推出新的基础模型：Aleph 2.0（2026 年 6 月 2 日）可根据文本提示词以及最多 5 张固定在时间戳上的关键帧图像，编辑现有的 2–30 秒视频；Gen-3 Alpha Turbo 和初代 Gen-4 Aleph 已于 2026 年 7 月 30 日从 API 下线；API 现在还提供包括 Gemini Omni Flash 和 Seedance 2.5 在内的第三方模型，以上信息均来自 Runway 更新日志。该模型在扩散架构中集成了神经辐射场和高斯泼溅技术，因此具备 3D 几何理解能力，而不只是像素级预测。这带来了更好的物体持久性和更符合物理规律的运动。
可用性： 商业 API 和网页界面。提供 Node 和 Python SDK。也可通过 Replicate 使用。
| 规格 | 参数 |
|---|---|
| 原生视频片段时长 | 2–10 秒 |
| 长视频模式 | 最长约 1 分钟 |
| 分辨率 | 最高 1080p |
| 参考图像 | 每次生成 0–1 张 |
| 音频 | 原生音频生成 |
| 多镜头 | 支持 |
| API | 支持（Runway、Replicate） |
Google Veo 3.1
Google 的 Veo 3.1 可原生生成 4 秒、6 秒或 8 秒的视频片段。“Extend Video”功能目前处于预览阶段，可连续扩展片段，使视频总时长达到约 1–2.5 分钟，但在较长序列中，一致性可能逐渐下降。
“Ingredients to Video”功能最多可接收 3 张参考图像作为输入。你可以提供要制作动画的角色、背景和材质纹理。使用参考图像时，模型会更贴近你的视觉参考，并减少随机改动。一个限制是：参考图像模式只能使用 8 秒时长选项。
截至 2026 年 1 月，Veo 3.1 已在 Vertex AI 上为基于参考图的生成加入竖屏视频（9:16）和 4K 放大功能。Google 随后于 2026 年 3 月 31 日推出其价格最低的视频模型 Veo 3.1 Lite，并于 2026 年 6 月 30 日停用 Veo 2.0 和 3.0。根据 Gemini API 更新日志，截至 2026 年 9 月，Google 尚未公布 Veo 4。其更新的视频研发成果正在流向下文介绍的 Gemini Omni Flash。
可用性： Google Vertex AI API、Gemini API 和 Google Flow。需要 Google Cloud 账号。
| 规格 | 参数 |
|---|---|
| 原生视频片段时长 | 4 秒、6 秒或 8 秒 |
| 延长后时长 | 约 1–2.5 分钟 |
| 分辨率 | 最高 4K（通过放大） |
| 参考图像 | 最多 3 张（“Ingredients to Video”） |
| 音频 | 同步对白和音乐 |
| API | Vertex AI、Gemini API |
Google Gemini Omni Flash
Google 于 2026 年 5 月的 I/O 大会上公布 Gemini Omni 系列，并率先推出 Gemini Omni Flash。它很快超越 Veo 3.1，登上 Artificial Analysis 竞技场榜首。其核心卖点是对话式视频创作：你可以根据文本、图像或视频生成一段 10 秒的视频片段，然后通过相互衔接的后续指令继续编辑。调整灯光、替换服装、修改镜头，都无需从头重新生成。
在参考内容支持方面，Omni Flash 可接收图像和短视频片段作为风格、动作和效果参考，并计划支持音频参考。在对话式编辑过程中，角色一致性通常能够保持，不过 Google 自己的文档指出，在场景切换和镜头平移期间可能出现偏差，因此发布前应仔细检查角色占比较高的输出。
可用性： API（gemini-omni-flash-preview）于 2026 年 6 月 30 日通过 Google AI Studio 和 Gemini API 开放公开预览，视频输出价格约为每秒 $0.10。根据 Gemini API 更新日志，gemini-omni-1.1-flash 于 2026 年 8 月 27 日正式开放，并提供视频延长、插帧和分辨率控制功能。每个视频片段都带有 SynthID 水印。消费者可通过 Gemini 应用、Google Flow 和 YouTube Shorts 使用，Runway API 也提供该模型的路由。
| 规格 | 参数 |
|---|---|
| 原生视频片段时长 | 10 秒（计划支持更长时长） |
| 分辨率 | 720p |
| 参考输入 | 图像 + 短视频片段（计划支持音频） |
| 编辑 | 对话式、迭代式 |
| 音频 | 原生 |
| API | Gemini API（以 gemini-omni-1.1-flash 正式开放），约 $0.10/秒 |
OpenAI Sora 2 / Sora 2 Pro
即将停用（2026）： OpenAI 正在逐步关闭 Sora。根据 OpenAI 的弃用页面，面向消费者的 Sora 应用已于 2026 年 4 月 26 日关闭，Sora 2 API 将于 2026 年 9 月 24 日停止服务，且尚未公布后继产品。下述能力仍值得关注，但不要再基于 Sora 构建新的工作流。请改用 Kling、Grok Imagine 或开源模型。
Sora 2 Pro 可生成最长 20 秒的视频片段。Characters API 采用了与 Kling 或 Grok 不同的方法：你无需上传静态图像，而是让 API 指向一段视频片段（包含 1–3 秒的时间戳范围），以创建 character_id。Sora 会分析视频帧，提取面部结构、身体比例、服装风格及其他身份特征。该 character_id 会永久保留，并可在之后无限次生成中重复使用。
每次生成最多可以引用 2 个已上传的角色。截至 2026 年 3 月，角色参考不仅适用于人物，也适用于物体和动物。视频延长功能会将完整的初始片段作为续写上下文。
角色系统要求使用视频输入而非静态图像来创建角色。如果你只有照片，就需要先生成一段短视频，再从中提取角色。
可用性： OpenAI API，并支持用于生产工作流的 Batch API。
| 规格 | 参数 |
|---|---|
| 原生视频片段时长 | 最长 20 秒 |
| 分辨率 | 最高 1920x1080 |
| 角色参考 | 每次生成最多 2 个（持久化 character_id） |
| 角色输入 | 视频片段（1–3 秒时间戳范围），而非静态图像 |
| 音频 | 同步 |
| 延长 | 支持（将完整片段作为上下文） |
| API | OpenAI API + Batch API |
MiniMax Hailuo 02
Hailuo 02 发布时在 Artificial Analysis 基准测试中位列全球第二，超过 Veo 3。它可以原生 1080p 分辨率生成 10 秒的视频片段，并具备业内领先的物理模拟效果。该模型能够处理体操和杂技等极限动作，而不会出现画面崩坏。
它支持图生视频，并通过面部识别和身体追踪实现出色的角色一致性。感知噪声的计算重分配架构会根据场景复杂度动态分配计算资源。
此后，MiniMax 推出了超越 Hailuo 02 的 Hailuo 2.3 系列（Standard、Pro、Fast、Fast Pro），进一步改善了肢体动作、风格化效果和角色微表情。它可以输出 6 秒的 1080p 视频或 10 秒的 768p 视频，并可通过 MiniMax 平台和 fal.ai 使用。
可用性： 商业 API。可通过 MiniMax 平台、fal.ai 和 Replicate 使用。每个视频 $0.28。
| 规格 | 参数 |
|---|---|
| 原生视频片段时长 | 最长 10 秒 |
| 分辨率 | 原生 1080p |
| 参考图像 | 支持（I2V 模式） |
| 音频 | 非原生 |
| 物理效果 | 同类领先的模拟能力 |
| API | MiniMax、fal.ai、Replicate |
MiniMax H3（Hailuo 3.0）
MiniMax 于 2026 年 7 月 31 日用 MiniMax H3 取代 Hailuo 2.x 系列，也改变了 Hailuo 在本指南中的定位。Hailuo 02 是一个首帧模型，而 H3 则是一个全模态模型：根据 MiniMax 的公告，单个 Transformer 可同时读取文本、图像、视频和音频，并输出一段 4–15 秒、最高 2K 分辨率且带原生立体声音频的视频片段。其参考模式（Ref2VA）最多可接收 9 张参考图像、3 个参考视频片段和 3 个音频片段，上限为 12 个文件，因此它与 Kling 和 Seedance 2.0 一样属于真正的参考生成模型；首尾帧模式（FL2VA）则覆盖了经典的关键帧工作流。截至 2026 年 9 月，在 Artificial Analysis 文生视频竞技场上，H3 和 H3 Max 的排名仅次于 Omni Flash 和 Wan 3.0。 对自托管用户来说，更重磅的消息是 MiniMax 于 2026 年 8 月在 Hugging Face 上发布了 33B 基础权重，包括 FL2VA 和 Ref2VA 检查点。其许可证为 MiniMax H3 Community License，模型卡要求美国、欧盟、英国和韩国的用户在使用前提交申请表，因此它属于附带地区限制的开放模型，而不是 Apache 风格的开放模型。
可用渠道： MiniMax API 和平台、fal.ai 及其他托管平台，另提供可下载权重。
| 规格 | 值 |
|---|---|
| 原生片段时长 | 4-15 秒 |
| 分辨率 | 最高 2K（默认短边 768p） |
| 参考图像 | 最多 9 张图像 + 3 个视频 + 3 段音频（共 12 个，Ref2VA） |
| 关键帧 | 首帧和/或末帧（FL2VA） |
| 音频 | 原生立体声，32 kHz |
| 开放权重 | 是，33B，MiniMax H3 Community License（美国/欧盟/英国/韩国用户需申请） |
| API | MiniMax、fal.ai |
Luma Ray3.2
Luma 的 Ray2 已被 Ray3 系列取代。Ray3（2025 年 9 月）新增了用于锁定身份的 Character Reference，以及 Modify 视频转视频模式；Ray3.2（2026 年 6 月 9 日）则新增了帧级控制，每个片段最多支持 16 个关键帧，还加入了 Reframe 功能，并将片段时长延长至 20 秒，同时首次为 Ray3 系列提供公开 API。输出原生为 1080p，并可通过 Hi-Fi 超分辨率放大至 4K。图生视频可将参考图像作为起始或结束关键帧。
可用渠道： Luma API 和网页界面。
| 规格 | 值 |
|---|---|
| 原生片段时长 | 最长 20 秒（Ray3.2） |
| 参考类型 | 起始/结束关键帧 + Character Reference（身份） |
| 分辨率 | 原生 1080p，通过超分辨率放大至 4K |
| 参考图像 | 是（关键帧 + 角色参考） |
| API | Luma API |
Pika 2.5
Pika 通过 Pikaframes 采用基于关键帧的方法。上传 2-5 个关键帧（关键时刻的参考图像），模型便会在它们之间生成平滑过渡。总时长可达 20-25 秒。
Pikascenes 最多接受 10 张参考图像，并将它们组合成一个视频。模型会利用图像识别，自动判断每个参考对象的作用（角色、背景、道具）。
可用渠道： Pika 网页平台和 API。订阅方案从免费版到 Pro 版不等。
| 规格 | 值 |
|---|---|
| 原生片段时长 | 5-10 秒 |
| Pikaframes 时长 | 20-25 秒 |
| 分辨率 | 最高 1080p |
| 参考图像 | 最多 10 张（Pikascenes），2-5 个关键帧（Pikaframes） |
| API | 是 |
Vidu Q3（生数科技）
Vidu 值得拥有一个在本指南早期版本中没有的独立章节，因为其 Q3 系列已经成为目前最强的主体参考系统之一。生数科技于 2026 年早些时候发布了 Vidu Q3，支持原生音频以及最长 16 秒的片段；根据其发布公告，又于 2026 年 4 月 13 日推出了 Q3 Reference-to-Video。参考模式可在一次请求中组合主体、环境、服装、道具和视觉风格。根据 Vidu API 文档，reference2video 端点最多接受 7 张参考图像，你可以在提示词中用 @1、@2 等方式标记它们（“@1 和 @2 正在一起做饭”）；使用 viduq3 时，时长为 3 至 16 秒，分辨率最高可达 1080p，音频生成则通过一个标志启用。它还能在单个片段内进行智能镜头切换，这一功能并不常见，但对对话场景非常实用。生数科技表示，Q3 在 SuperCLUE 首个 Reference-to-Video 排行榜中位居榜首；而在我们最初撰写本指南时，Vidu 就已经是在 VBench 2.0 上对 Veo 构成有力挑战的模型。
可用渠道： Vidu 网页应用和 API（viduq3、viduq3-turbo），以及阿里云百炼和第三方托管平台。
| 规格 | 值 |
|---|---|
| 原生片段时长 | 3-16 秒 |
| 分辨率 | 最高 1080p |
| 参考图像 | 最多 7 张（@1、@2 标签） |
| 参考类型 | 主体、环境、道具、服装、风格 |
| 音频 | 原生（音效、对白、音乐） |
| API | Vidu API、阿里云百炼 |
第 3 梯队：适用于自托管工作流的开源模型
这些模型生成的片段较短，但完全开放。你可以在自己的硬件上运行和微调它们，并构建不依赖 API 的自定义扩展流水线。
Wan 2.1（阿里巴巴）
Wan 2.1 是其他多个模型（包括 Helios）赖以构建的基础。Wan-VAE 架构能够编码和解码任意长度的 1080p 视频，同时保留时序信息。该模型提供 480p 和 720p 的 I2V 变体，以及可在两张参考图像之间生成视频的 First-Last-Frame-to-Video 模型。
Wan-Edit 可利用参考图像进行风格与内容迁移，同时保持特定结构或角色姿势。Wan 2.2（2025 年 7 月）是较新的开放版本，采用混合专家模型架构，其中 5B 变体可在单张 RTX 4090 上运行，依然使用 Apache 2.0 许可证。自托管用户需要注意一个重要限制：Wan 从 2.5 开始转为闭源。更新的 Wan 2.5、2.6、2.7 以及现在的 Wan 3.0 增加了同步音频和更高分辨率，但只提供 API，没有公开权重，因此 2.2 仍是开放版本的上限。Wan 3.0 于 2026 年 8 月登陆阿里云百炼，根据其模型页面，它可以根据文本、图像、视频和音频参考，一次生成最长 30 秒的 480p、720p 或 1080p 视频；截至 2026 年 9 月，它与 Gemini Omni Flash 并列位居 Artificial Analysis 文生视频竞技场榜首。它是一款托管产品，不能下载。不要相信那些声称可以下载 Wan 2.7 或 3.0 权重的 SEO 页面。官方 GitHub 组织和 Hugging Face 账号 都止步于 2.2（最新上传的是更新后的 Wan2.2-Animate）。
| 规格 | 值 |
|---|---|
| 参数量 | 1.3B、5B、14B（2.1）；5B + 14B MoE（2.2） |
| I2V 模式 | I2V-480P、I2V-720P、FLF2V-720P |
| 开放版本上限 | Wan 2.2（2.5 至 3.0 仅提供 API） |
| 许可证 | Apache 2.0 |
| 硬件 | 8GB+ VRAM（较小变体） |
| 平台 | Diffusers、ComfyUI |
HunyuanVideo（腾讯）
腾讯这款 13B 参数模型在 2025 年的大部分时间里都是开源视频生成领域的领先者。HunyuanVideo-I2V 使用 token replace 技术，并结合预训练 MLLM 来融入参考图像信息。HunyuanVideo-1.5 于 2025 年 11 月发布，提升了运行效率。HunyuanCustom 支持多模态驱动的定制化视频生成。
| 规格 | 值 |
|---|---|
| 参数量 | 13B |
| I2V | 是（token replace 技术） |
| 许可证 | 开源 |
| 硬件 | 60GB+ VRAM（720p） |
| 变体 | Base、I2V、1.5、Avatar、Custom |
LTX-2（Lightricks）
Lightricks 于 2026 年 1 月将 LTX-2 开源，提供完整权重、推理代码和训练代码。它是一款基于 DiT 的模型，可一次性共同生成视频和同步音频，原生支持 4K 和最高 50fps，片段最长可达 20 秒。图生视频和多关键帧条件控制均为内置功能，因此你可以像使用 Pikaframes 一样，将参考静帧固定在片段时间轴上的不同位置。
许可证是它的限制所在——当然，这是否构成限制取决于你的业务规模。LTX-2 可免费用于研究，以及年收入低于 $10M 的商业用途。超过这一门槛就需要商业许可证，因此严格来说，它属于开放权重，而不是开源。LTX-2.3 是一次 22B 参数更新，改善了音频效果和提示词遵循能力；截至 2026 年 9 月，当前检查点为 LTX-2.5，它保持 22B 规模，并新增原生多镜头生成能力，可在多个连续镜头中维持同一角色和视觉风格；同时用扩散视频解码器取代普通 VAE 重建，并使用 Gemma 4 12B 文本编码器处理长提示词。它依然采用 LTX-2.x Community License，年收入 $10M 的门槛也保持不变。权重已发布在 Hugging Face 上，同时提供蒸馏变体、LoRA 适配器，以及 ComfyUI 和 Diffusers 集成；托管 API 则运行在 LTX 平台、fal.ai 和 Replicate 上。
| 规格 | 值 |
|---|---|
| 参数量 | 22B（LTX-2.3 和 LTX-2.5） |
| 最大片段时长 | 约 20 秒 |
| 分辨率 | 原生 4K，最高 50fps |
| 音频 | 原生同步 |
| I2V | 是（图像 + 多关键帧条件控制） |
| 许可证 | LTX-2 Community License（ARR 低于 $10M 时免费） |
| 硬件 | 面向消费级 GPU 的蒸馏和 FP8 变体 |
CogVideoX（清华大学/智谱 AI）
CogVideoX 使用 3D 因果 VAE 来缩短序列长度并防止闪烁。自适应 LayerNorm Transformer 改善了文本与视频的对齐。它提供 2B（Apache 2.0）和 5B（研究许可证）变体，并原生集成 Diffusers。
片段时长为 6-10 秒，分辨率为 720x480。虽然较短，但画质与算力需求的比例很好，而且可以在 12GB GPU 上运行。
| 规格 | 值 |
|---|---|
| 参数量 | 2B、5B |
| I2V | 是（CogVideoXImageToVideoPipeline） |
| 分辨率 | 720x480，8fps |
| 许可证 | Apache 2.0（2B）、研究许可证（5B） |
| 硬件 | 12GB VRAM |
首帧与真正参考的区别：关键差异
并非所有“参考图像”支持都一样。理解其中差异，对选择正确的模型至关重要。
首帧模型（LongCat、Helios、Hailuo、Luma Ray2、HunyuanVideo）会将你的图像视为实际的开场帧。模型从这一确切画面开始向后生成动画。你不能上传一张角色头像，然后描述其出现在另一个场景中。图像本身就是场景。
真正的参考模型（Kling、Grok Imagine、Seedance、Vidu Q3、MiniMax H3、SkyReels V3）会从图像中提取身份，并将该角色或物体放入你所描述的任意场景中。上传一个人的照片，然后输入提示词“这个人在日落时分穿过森林”。该角色会出现在一个全新的环境中，同时保持身份一致。制作冒险电影等多场景叙事内容时，你需要的正是这种能力。
角色 ID 模型（Sora 2 Pro）从视频片段而非静态图像中提取身份。你只需创建一次持久化角色 ID，之后即可在不限次数的生成任务中重复使用。
风格/素材模型（Veo 3.1）使用参考图像来影响视觉风格、纹理和整体观感，而不是提取特定角色的身份。它们适合在整个项目中保持视觉一致性，但对单个角色的控制不够精确。
制作 10 分钟视频的实际工作流
实话实说，截至 2026 年年中，还没有任何单一模型能够可靠地一次生成 10 分钟连贯且高质量的视频。LongCat Video 声称可生成 15 分钟视频，是最接近这一目标的模型，但在如此长的时长下，质量和连贯性会出现显著波动。Helios 和 SkyReels V2 分别可生成“分钟级”和“无限长度”视频，但输出需要精心设计提示词，而且通常要尝试多次。
对大多数制作 5-15 分钟视频的创作者而言，真正可行的工作流需要组合使用多种方法：
对于口播/虚拟人内容： LongCat Video 的 2026 年音频驱动模式或 SkyReels V3 的虚拟人生成可以制作持续 5 分钟以上、角色一致的口播视频。这是最接近“按一下按钮，直接得到长视频”的方案。
对于包含多个场景的叙事内容（冒险电影风格）： 使用具备真正角色参考图像能力的 Kling 3.0、Grok Imagine 或 Seedance 2.0。分别生成 10-15 秒的单个镜头。在每次生成中使用相同的 @Element 或 <IMAGE> 引用，以保持角色身份一致。通过多镜头模式（Kling 每次调用支持 6 个镜头）或扩展 API 将镜头串联起来。Kling 是这类工作流中经受实践检验最多的选择。Grok Imagine 明确区分“参考模式”和“首帧模式”，因此也是很有竞争力的替代方案。Seedance 2.5 目前接受的参考输入最多（50 个文件），并可生成 30 秒镜头，大约能将拼接次数减少一半；Vidu Q3（使用 @ 标签引用 7 个参考）和 MiniMax H3（12 个文件）也是可信的新选择。
对于跨大量片段保持角色一致性： Sora 2 Pro 的持久化 character_id 系统是超长项目中最简洁的方案。先从一段短视频中提取一次角色，然后生成数十个引用该 ID 的片段。角色身份不会随时间推移而劣化，因为它被存储为持久化嵌入，而不是每次都从图像中重新解读。
对于风格迁移内容： fal.ai 上的 Lucy Restyle 可处理最长 30 分钟的现有视频，在保留运动的同时应用 AI 风格转换。如果你有源素材，这种方法可以完全绕开生成时长问题。每秒源视频收费 $0.01。
对于开源流水线： 可以基于 Wan 2.2 或 Helios 构建视频续写循环；如果 MiniMax H3 的社区许可证适用于你所在的地区，也可以使用其 Ref2VA 检查点，因为它是首个提供 9 图像参考模式的开放模型。先生成一个片段，将其末帧用作下一个片段的起始帧，然后不断重复。ComfyUI 工作流可以将这一过程自动化。经过多次迭代后，一致性会下降，但这种方案免费且可控。
核心挑战依然存在：即使支持真正的参考图像，角色漂移也会在数十个片段中不断累积。面部特征、发型、服装和肤色都会逐渐变化。高质量参考照片、一致的提示词和批量生成镜头等变通方法仍然必不可少。不过，Kling 和 Grok Imagine 这类将角色身份与场景构图分离的模型，已经让这项工作比仅支持首帧的模型轻松得多。
3D 脚手架方法：低质量渲染，高质量转换
有一种日益流行的工作流，可以完全绕开大多数长视频生成问题。它不会要求 AI 模型从零开始生成 10 分钟视频，而是先渲染一段低保真的 3D 过场动画，确保运镜、角色调度和时间节奏正确，再使用参考图像和增强提示词，通过视频转视频模型进行处理。3D 引擎负责结构，AI 负责美学效果。 这是因为 V2V 转换比完整生成要解决的问题更窄。模型不需要创造镜头运动、角色位置或场景构图，只需要在遵循视觉参考的同时，让现有素材看起来更逼真。这要容易处理得多，而且可扩展到你的 3D 引擎能够渲染的任意时长。
为什么这种方法有效
你的 3D 引擎可以提供 AI 视频模型仍不擅长的一切：精准的镜头控制、角色在画面中的准确位置、正确的物理交互，以及数分钟素材中一致的时序。滑动变焦、跟踪镜头、角色按提示进入和离开画面——这些在 3D 引擎里都轻而易举，但在文本提示生成中都不可靠。V2V 模型唯一的任务，就是将材质、光照和纹理转换为逼真的输出，同时保留你已经定义好的几何结构与运动。
保持角色一致性也会更容易。你不必再费力对抗 50 次独立 AI 生成之间的身份漂移，而是在每一帧中向模型展示同一个 3D 角色。参考图像则告诉模型，这个角色在最终输出中应该是什么样子。相比每次都从零开始生成一致的角色，这是一个简单得多的问题。
而且，时长也不再是限制。Lucy Restyle 一次调用就能处理 30 分钟。ComfyUI 中的 Wan 2.1 可以分块处理任意时长。你完全不必再纠结“如何生成 10 分钟视频”，因为素材已经存在。
RealMaster（Meta / 特拉维夫大学）
RealMaster 是专为这种工作流构建的研究系统。它由 Meta Reality Labs 和特拉维夫大学于 2026 年 3 月发布，可将渲染后的 3D 视频转换为逼真视频，同时与源素材保持完整的几何对齐。
该方法从 3D 渲染中提取边缘图，以保留结构和运动，然后应用基于 VACE/Wan 架构构建的视频扩散模型，将其他所有内容转换为逼真输出。轻量级 IC-LoRA 适配器将整个流水线蒸馏为单次推理，无需锚点帧，并且能够处理在序列中途出现的物体。
在 GTA-V 和 CARLA 模拟器序列的测试中，RealMaster 显著优于通用视频编辑基线。它还可以通过文本提示（“让它下雨”“让它下雪”），在写实化转换之上叠加天气效果。该模型无需重新训练即可跨模拟器泛化。使用 GTA-V 数据训练的权重无需额外微调，就能用于 CARLA 输出。
**可用性：**仅供研究。目前尚无公开权重或 API。
| 规格 | 值 |
|---|---|
| 输入 | 渲染后的 3D 视频（任意引擎） |
| 输出 | 保留几何结构和运动的逼真视频 |
| 架构 | 基于 VACE/Wan 视频扩散骨干的 IC-LoRA |
| 条件控制 | 源渲染生成的边缘图 |
| 测试平台 | GTA-V、CARLA 模拟器 |
| 许可证 | 尚未发布（仅有研究论文） |
当前可用的制作级 V2V 工具
支持元素参考的 Kling 3.0 V2V 是目前最完整的制作级方案。fal.ai 上的 Edit Video 和 Reference V2V 端点可接收 3–10 秒的源视频片段、元素参考（@Element1、@Element2，配有正面及多角度照片）以及增强提示词。模型会分析源素材中的运动轨迹和镜头模式，然后使用你指定的角色外观和视觉风格重新生成素材，同时保留原始调度与镜头设计。最多支持 7 个参考输入，输出分辨率为 1080p。你可以将过场动画切成 10–15 秒的分块，并在所有分块中使用相同的元素参考，以维持角色一致性。
Lucy Restyle 2 可在一次 API 调用中处理最长 30 分钟的源视频，价格为每秒输入 $0.01。它支持文本提示词，并可选择提供一张参考图像作为风格指导。它不像 Kling 那样支持逐角色元素参考，但如果要对完整长度的 3D 渲染进行整体电影风格迁移，这是最简单、最便宜的途径。只需提供完整渲染和描述目标观感的提示词即可。输出分辨率为 720p，并可在数千帧中保持时间一致性。
ComfyUI 中的 Wan 2.1 VACE 是开源方案。14B VACE 模型支持参考驱动的 V2V：输入源视频和一张风格参考图像，输出保留结构与运动的重风格化版本。边缘图条件控制可以提高结构保真度。你可以构建一个处理循环，使用一致的风格参考分块处理任意时长的视频。它可免费使用，并能在你自己的硬件上本地运行。
Grok Imagine V2V 在参考模式下接受源视频和 1–7 张参考图像。720p 的价格为每秒 $0.05。参考模式与首帧模式被明确区分，这意味着参考图像可以指导角色外观，而不会覆盖源视频的结构。
你的 3D 渲染需要满足什么条件
渲染质量的下限很重要。只有裸线框无法为 V2V 模型提供足够的信息，但你也不需要制作级的材质或光照。
正确的比例与几何结构。 角色模型需要具备大致正确的身体比例和面部结构，参考图像才能正确映射。只要比例正确，基础人形几何体就足够了。火柴人无法生成可辨认的角色。
基础光照方向。 使用一盏平行光确定场景的整体照明，有助于模型理解预期氛围。AI 会增强画面并添加细节，但它需要知道场景是明亮的白天还是昏暗的室内。
平滑的镜头运动。 稳定且有意图的镜头运动转换效果更好。无规律或极快的运动可能会让 V2V 模型产生混乱。让虚拟摄影机像真实摄影机一样运动。
使用平面着色，而不是线框。 简单的平面着色或低多边形几何体，比线框或无纹理模型效果更好。即使只是给表面使用基础纯色，也能帮助模型理解材质边界。
成本与规模
使用不同工具处理一段 10 分钟的过场动画：
| 工具 | 最大输入时长 | 10 分钟成本 | 分辨率 | 参考图像 |
|---|---|---|---|---|
| Kling O3 V2V | 10 秒片段 | 约 $50–67 | 1080p | 最多 7 个（元素 + 风格） |
| Lucy Restyle 2 | 30 分钟 | $6 | 720p | 1 张（仅风格） |
| Grok Imagine V2V | 10 秒片段 | 约 $30 | 720p | 1–7 张 |
| Wan 2.1 VACE | 任意（分块） | 免费（本地 GPU） | 720p | 每个分块 1 张 |
这些数字是我们在 2026 年年中首次进行比较时，根据供应商标价得出的估算。供应商经常调整价格，因此请将其视为相对排名，而不是正式报价。Lucy Restyle 是处理完整长度视频最便宜的选择。Kling 通过元素参考，可以最精准地对特定角色进行增强。如果你拥有相应硬件，Wan 2.1 可免费使用（14B 模型以 720p 运行大约需要 60GB 显存；质量较低的 1.3B 变体需要 8GB）。
对比表
| 模型 | 最大原生时长 | 扩展后时长 | 参考类型 | 最大参考数 | 分辨率 | 提供 API | 开源 |
|---|---|---|---|---|---|---|---|
| LongCat Video | 约 15 分钟 | 不适用 | 仅首帧 | 1 | 720p/30fps | 是（fal.ai） | 是（MIT） |
| Seaweed APT2 | 约 5 分钟 | 不适用 | I2V + 姿态 | 1 | 720p | 否 | 否 |
| Helios | 分钟级 | 不适用 | 首帧（I2V） | 1 | 720p | HF Spaces | 是（Apache 2.0） |
| SkyReels V3 | 无限制 | 不适用 | 真正的参考图像 | 1–4 | 720p | 否 | 是 |
| Kling 3.0 | 15 秒 | 约 3 分钟 | 元素 + 风格参考 | 7 | 1080p | 是 | 否 |
| Grok Imagine | 15 秒 | 可串联 | 真正的参考图像 | 7 | 720p | 是 | 否 |
| Seedance 2.0 | 15 秒 | 不适用 | 多模态参考 | 12 | 2K | 是 | 否 |
| Seedance 2.5 | 30 秒 | 多轮扩展 | 多模态参考 | 50 | 2K | 是（BytePlus、Runway） | 否 |
| Vidu Q3 | 16 秒 | 不适用 | 真正的参考图像 | 7 | 1080p | 是 | 否 |
| MiniMax H3 | 15 秒 | 不适用 | 多模态参考 | 12 | 2K | 是 | 是（社区许可证） |
| Runway Gen-4.5 | 10 秒 | 约 1 分钟 | I2V（0–1） | 1 | 1080p | 是 | 否 |
| Veo 3.1 | 8 秒 | 约 2.5 分钟 | 素材（风格） | 3 | 4K | 是 | 否 |
| Gemini Omni Flash | 10 秒 | 对话式编辑 + 扩展（1.1） | 多模态参考 | 图像 + 视频 | 720p | 是（正式发布） | 否 |
| Sora 2 Pro ⚠️ 即将停止服务 | 20 秒 | 可串联 | 角色 ID（视频） | 2 | 1080p | API 将于 2026 年 9 月下线 | 否 |
| Hailuo 02 | 10 秒 | 不适用 | I2V（首帧） | 1 | 1080p | 是 | 否 |
| Luma Ray3.2 | 20 秒 | 不适用 | 关键帧 + 角色参考 | 16 个关键帧 | 1080p（可放大至 4K） | 是 | 否 |
| Pika 2.5 | 10 秒 | 25 秒 | Pikascenes | 10 | 1080p | 是 | 否 |
| Wan 2.1 / 2.2 | 短片段 | 通过续写 | I2V / FLF2V | 1–2 | 720p | 通过 fal.ai | 是（Apache 2.0） |
| Wan 3.0 | 30 秒 | 不适用 | 多模态参考 | 图像、视频、音频 | 1080p | 是（Alibaba Cloud） | 否 |
| HunyuanVideo | 短片段 | 通过续写 | I2V（首帧） | 1 | 720p | 通过 fal.ai | 是 |
| LTX-2.3 | 20 秒 | 通过续写 | I2V + 关键帧 | 多关键帧 | 4K | 是（LTX、fal.ai） | 权重开放（受 ARR 限制） |
| CogVideoX | 6–10 秒 | 通过续写 | I2V（首帧） | 1 | 720x480 | 通过 fal.ai | 是 |
即将到来的发展
贯穿 2026 年的发展轨迹已经很清晰。LongCat Video 证明，开源模型可以实现分钟级且保持一致性的生成。Helios 表明这可以实时完成。Seaweed APT2 展示了交互式长视频生成。而真正支持参考图像的模型（Kling、Grok、Seedance）则证明，角色身份可以跨任意场景持续保持。
下一步是将这些能力结合起来：原生长视频生成，同时真正支持角色参考。现在你只能二选一。当一个模型能够生成 5 分钟视频，并在数十次场景切换中持续保持参考图像中的角色时，串联片段的工作流就会过时。Seedance 2.5（原生 30 秒片段、最多 50 个参考文件，于 2026 年 7 月 31 日发布）和 Wan 3.0（根据多模态参考生成 30 秒单镜头，于 2026 年 8 月发布）是朝这一方向迈出的第一批真正步伐。
截至 2026 年 9 月上旬，Artificial Analysis 文生视频竞技场（含音频）中，Google 的 Gemini Omni Flash 与阿里巴巴仅提供 API 的 Wan 3.0 并列榜首（约 1,239 Elo）；MiniMax H3 Max 和 H3 仅落后几分，之后依次是 Seedance 2.0、Wan 2.7、HappyHorse 系列模型、Sand.ai 的 MAGI-2 预览版和 Kling 3.0 Pro，共同构成前十名。排行榜经常变化，因此任何一次排名都应被视为阶段性快照，而不是固定顺序。
3D 脚手架方案提供了另一条并行的发展路线。随着 V2V 模型在结构保留和写实效果方面不断提升，增强低保真 3D 渲染正日益成为完整制作流程中的可行方案。Meta 的 RealMaster 已经能对游戏引擎输出实现研究级的仿真到现实转换。当这项能力进入制作级 API，并支持参考图像后，任何具备基础 3D 技能的人都可以制作任意时长的逼真长视频，同时完整控制镜头、场面调度和角色位置。
目前，实际答案取决于你的使用场景：
**最适合多角色参考：**Kling 3.0（最多 7 个参考，采用独立的元素 + 风格系统）、Seedance 2.5（一个 30 秒镜头中最多支持 50 个多模态输入），或 Vidu Q3（7 个带标签的参考，支持片段内镜头切换）。
**最适合参考图生视频的 API：**Grok Imagine（简洁的 API、明确的参考模式，原始模型价格为每秒 $0.05）、Vidu Q3（@ 标签、7 个参考），或通过 fal.ai 使用 Kling。
**最适合在大量片段中保持角色一致：**Kling 3.0 的元素参考，或 SkyReels V3 的参考并扩展功能。（Sora 2 Pro 的角色 ID 系统曾是最简洁的方案，但它将在 2026 年停止服务，因此不要用它启动新项目。）
**最佳开源方案：**SkyReels V3（1–4 张真正的参考图像、时长无限制）、MiniMax H3（9 张参考图像以及视频和音频，社区许可证需要按地区申请），或 Helios（实时生成、Apache 2.0）。
**最长原生时长：**LongCat Video（约 15 分钟，但仅支持首帧）。
**最适合增强 3D 渲染：**Kling 3.0 V2V（逐角色元素参考、1080p）或 Lucy Restyle 2（30 分钟输入、每秒 $0.01）。
常见问题
哪款 AI 视频模型最适合长视频？
单看原生时长，LongCat Video 可以生成约 15 分钟的视频，但它只支持首帧。要制作角色一致的长视频，2026 年的实际答案是采用“参考并扩展”工作流：使用参考支持较强的模型（Kling 3.0、Runway Gen-4.5 或开源的 SkyReels V3）生成片段，然后将它们串联起来。目前没有任何单一模型既能生成长视频，又能完美保持角色身份，因此大多数制作流程都会组合使用这些能力。
哪些 AI 视频模型支持参考图像？
在商业选项中，Kling 3.0 Omni、Runway Gen-4.5、Seedance 2.0 和 2.5、Vidu Q3、MiniMax H3、Google Veo 3.1 以及 Gemini Omni Flash 都支持参考图像。在开源方面，SkyReels V2/V3、Wan 2.1 和 2.2、LTX-2.5，以及 MiniMax H3 的开放权重都接受参考输入，可自行运行。不同模型的支持质量差异很大，因此上面的指南将它们划分成了不同级别。
AI 能否在长视频中生成一致的角色？
可以，但无法一次完成。可靠的方法是使用一张或多张参考图像锁定角色，生成短片段，然后在扩展或拼接时反复输入相同的参考图像。在这里，真正的参考图像支持（模型能在新的生成结果中保持身份）远比首帧条件控制更重要，后者只能为开场帧设定初始状态。
首帧支持与真正的参考图像支持有什么区别？
首帧条件控制会将你的图像作为视频片段的实际开场帧，随后画面会随着视频推进逐渐偏离。真正的参考图支持会将图像作为身份锚点，模型会在整个生成过程中遵循它，因此角色或风格能在整段视频以及不同视频片段之间保持一致。上一节详细说明了各模型分别支持哪些方式。
Kling AI 图生视频如何使用多张参考图？
Kling 的多图参考是独立于普通图生视频的另一种模式。它不会将单张图片作为首帧进行动画化，而是允许你上传最多 7 张图像和元素（如果同时附加参考视频，则最多为 4 个），在提示词中使用 @Image1 或 @Element1 标记它们，然后描述镜头。元素是根据最多 4 张不同角度的照片或一段短视频创建的锁定角色或物体，还可选择绑定声音，并能在 Kling 的多镜头故事板中持续保持一致。完整规则见上方的 Kling 章节，内容直接来自快手官方指南。
Wan 2.2 怎么样？Wan 2.5 或 Wan 3.0 是开源的吗？
Wan 2.2（2025 年 7 月）是目前可下载的最新 Wan 版本。它采用 Apache 2.0 许可证发布，是一个混合专家模型，包含可在单张 RTX 4090 上运行的 5B 版本，以及 14B 文生视频和图生视频模型。Wan 2.5、2.6、2.7 和 Wan 3.0（2026 年 8 月发布，支持最长 30 秒、最高 1080p 的单镜头视频）只能通过阿里云 API 使用，并未公开权重，不管那些联盟营销博客怎么说。如果你想使用基于开放权重的参考图工作流，可以选择 Wan 2.2 的图生视频和首尾帧模型，或考虑 SkyReels V3 和 MiniMax H3。
图生视频和参考图生视频有什么区别？
图生视频会让你提供的图片动起来，因此该图像会成为开场帧，模型从那里继续生成。参考图生视频则将你的图像用作身份和风格锚点，并根据提示词生成新的镜头，因此在摄影棚中拍摄的角色可以出现在森林中行走。图生视频适合让完成的静态图动起来。参考图生视频适合制作角色保持一致的多场景故事。Kling、Vidu Q3、Seedance、Grok Imagine 和 MiniMax H3 均提供这两种模式，而 Vidu 和 Grok 还在各自的 API 中明确标注了它们。
哪些 AI 视频模型能让同一主体在不同片段中保持一致（主体参考）？
截至 2026 年 9 月，在多个视频片段中保持主体或角色一致的最佳选择包括 Kling 3.0 Omni（支持多角度照片和声音的元素库）、Seedance 2.5（最多支持 50 个参考素材和 30 秒镜头）、Vidu Q3（7 个带标签的主体）以及 MiniMax H3（9 张参考图，另支持视频和音频）。Luma Ray3 新增了角色参考功能，而 Sora 2 Pro 的角色 ID 曾是最简洁易用的系统，但 Sora 的 API 将于 2026 年 9 月 24 日停止服务。在开放权重模型中，真正支持主体参考的是 SkyReels V3 和 MiniMax H3。
相关内容
- 前沿开源生成式 AI 模型：面向视频、图像、3D、音频等领域的开源生成式 AI 实用指南
- 游戏 AI 素材生成器：通过提示词生成美术、模型和音频
- 最佳游戏 AI 音乐生成器：使用生成式音乐为你的游戏配乐
- 视频生成器：由 Kling 3.0 Pro 驱动的视频生成工具