图生视频：为什么第一帧决定了整条视频

图生视频看起来像魔法：上传一张照片，收回一段动起来的照片。但它的机制要具体得多——而懂了机制，你挑照片的方式会变。一句话版本：第一帧不是视频的一个输入，它是整条视频必须从中生长的种子。

关于这个环节在整条管线里的位置，先读 AI 视频生成原理详解。要让脸全程不走形（和"开头对"是两码事），读参考生成视频的身份保持。

太长不看版

• 图生视频用你图片的潜变量替换去噪起点——运动成了唯一需要发明的东西
• 第一帧的构图、裁切、光线、姿势会传播到之后的每一帧
• 模型更擅长"延续物理"而不是"发明物理"——已经"想动"的帧最好动
• 清晰的输入救不了糟糕的布景；布景比锐度重要

"以第一帧为条件"到底是什么意思

回忆一下：视频扩散是一次性对整段片段的噪声块去噪。图生视频模式下，第一帧对应的潜变量会被你图片编码出的潜变量覆盖，并被标记为"已是成品"——受保护，不会被去噪掉。其余部分仍从噪声开始。

由此有两个推论：

1. 第一帧是原样固定的，不是"参考一下"。 你上传的就是逐像素的第一帧。
2. 其他每一帧都要和它谈判。 注意力是双向的：后面的帧在每一步都能看到第一帧，它的几何、色调、光线因此成为整条片段书写时所用的语法。

第二条才是有用的那条。一张仰拍的第一帧不只是视频开头——它把整条片段的镜头语言往低角度拉。一张主体居中的第一帧，会不管你愿不愿意，让构图居中五秒钟。

经得起模型考验的布景规则

留出运动空间

模型只能向空画布方向运动。膝盖被裁掉的主体会整段和画面边缘较劲——或者干脆飘。全身入镜、头顶留白、朝运动方向留出走动空间，动起来才干净。

给目的地打光，而不只是给主体打光

第一帧的光线会成为整个场景的光线预算。照片平淡无阴影、提示词却要"钨丝灯通明的 Tiny Desk 场景"，模型就把算力花在调和矛盾上而不是运动上。让照片的光和提示词的场景一致。

从"意图中间"开始

一个已经向动作倾倒的姿势——重心在前脚掌、手臂摆到一半——给了模型一个可以延续的运动矢量。中性站姿则强迫它同时发明意图和动作，这就是臭名昭著的"第一秒僵硬"的来源。悄悄说一句，这正是 Tiny Desk 迷因本身的物理：每一张好的首帧，都是一个已经唱到副歌中途、正凑向桌边麦克风的表演者。

锐度是最不重要的一项

布景极好但略软的照片，胜过锐到发光但主体齐腰截断的照片。反正模型每帧都在重新渲染细节；它没法重新布你的景。

尾帧选项

有些生成模式还接受尾帧：两端的潜变量都被钉住，模型负责插值中间的旅程。它适合受控的转场——从 A 走到 B、门被推开、一次揭晓——但对要求中段特定编排的内容很危险，因为路径由模型自选。尾帧用来定目的地，提示词用来定旅程。

从理论到成片

本站的"Watch This" 模板就是上述所有规则的一个现成范例：向后一靠的起手、预设的意图、完整的人物框。或者从提示词灵感开始，自己生成第一帧。

常见问题

图生视频的原理是什么？

上传的图片被编码成潜变量，用来替换去噪过程的起点。模型不再从零生成第一帧，而是从你的像素出发，只需要"发明接下来发生什么"——这也是为什么你图片里的构图、裁切和光线会悄悄决定整条视频。

什么样的首帧适合 AI 视频？

主体完整入镜、留有运动空间、光线均匀且与目标场景匹配、姿势本身已经预示了接下来的动作。避免极端裁切、脸上重阴影，以及需要先"解开"才能动起来的姿势。

为什么生成的视频会渐渐偏离上传的图片？

因为条件化强度有限：首帧只锚定开头，此后每一秒的运动都要由后续去噪步骤重新协商。提示词弱或自相矛盾、分辨率低、时长长都会加剧漂移；高分辨率和短片段能减弱它。