AI生成视频首尾帧哪家强？实测可灵、即梦、通义万相

摘要：视频由一系列连续的图片帧快速播放而形成，在拍摄过程中，一旦出现漏拍或少帧问题，视频画面的流畅性和连贯性将受到极大影响，视频生成大模型恰好可以帮助视频创作者在事后挽救这一问题。

实测可灵、即梦、通义万相AI生成视频首尾帧

作者／ IT时报记者沈毅斌

编辑／潘少颖孙妍

视频由一系列连续的图片帧快速播放而形成，在拍摄过程中，一旦出现漏拍或少帧问题，视频画面的流畅性和连贯性将受到极大影响，视频生成大模型恰好可以帮助视频创作者在事后挽救这一问题。

让视频创作者觉得更为方便的是视频生成大模型的首尾帧功能，只要给出起始与结束的两张图片，大模型就能用连贯的影像把两张照片串联起来，不仅能让画面过渡自然，还能通过文案对运动中的光影、形态等细节进行微调，生成更加精致的视频。

如今，首尾帧已经成为视频生成大模型的“秀肌肉”功能，究竟谁家效果最好？《IT时报》记者选取可灵、即梦、通义万相三个视频生成大模型，以统一图片和提示词进行实测，直观感受每款大模型的特点与能力。

场景一动物变人

首尾帧图片：山林间的狐狸和月光下的少女

提示词：狐狸通过转身动作变成月光下的白衣少女，体现出仙境玄幻感。

可灵：

在不少仙侠剧中，经常会出现动物修炼成人的场景，也是使用特效较多的场景。在输入图片和提示词后，可灵的生成时间约为3分钟。首帧图片中的狐狸扭头转身，动作流畅丝滑，毛发也会随风而动，尤其是身后飘动的烟雾，可以看出其理解了提示词中的仙境之意。随后烟雾渐浓形成画面遮幕，待烟雾散去，变化为尾帧白衣少女的形象。尽管只有1秒多时间，但可灵将望月、眨眼等细节都补全了。在三款大模型中，可灵对该场景流畅度与细节的呈现最好。

即梦：

即梦生成视频的速度最快，但效果并不理想。首帧中，只能看到狐狸微微飘动的毛发，没有提示词中的转身动作，并且呈现时间仅1秒。变换过程十分生硬，通过叠加虚化进行切换，没有理解“仙境”一词，更没有玄幻的感觉，尾帧画面甚至出现少女面部形变、模糊等问题。值得一提的是，即梦使用首尾帧功能需要切换到“视频1.2”版本，较为高级的2.0和3.0版本暂时不支持首尾帧，模型版本低也导致效果呈现不佳。

通义万相：

首尾帧是通义万相最新上线的功能，从整体效果来看，虽不如可灵，但其也能理解部分提示词。比如狐狸扭动头部、毛发飘逸，背景中的树叶也随风摆动，动作细节满满。与即梦同样的问题是，变化太生硬，画面翻转就过渡到尾帧，较为突兀，也没有体现出仙境的云雾缭绕之感。尾帧画面也十分短暂，仅呈现1秒不到，虽没出现形变，但图片中，少女动效较弱，基本还是图片的静止状态。

场景二人物动作

首尾帧图片：竹林里的侠客和使用火焰魔法舞动双手的侠客

提示词：武侠双手燃起火焰，点燃落下的竹叶，镜头旋转拉远。

可灵：

生成该场景时，可灵不仅保持较好的生成效果，也更接近于一条连贯的视频。首帧图片中，可灵聚焦于侠客面部，随着画面旋转拉远，手部动作逐渐呈现出来，摆出太极架势，火焰在掌间燃起。为了体现出火焰魔法，火光还将侠客面部映红，最终定格在尾帧图片上。所有提示词都呈现出来，并形成丝滑流畅的过渡。若说不足，则是画面中的部分竹子从侠客身前穿越至身后，细节还可以微调。

即梦：

为了能让画面过渡更加自然，记者在该场景使用的两张图片具有较强的关联性，甚至主角都是一个人。但整体来看，即梦生成的视频没有过渡和转场，如同首尾两张动图的拼接。尽管竹叶有些许飘动，火焰也呈现出燃烧状态，但身为主角的侠客在画面中没有任何动作，镜头也仅是缓缓拉远。唯一值得点赞的是光影效果，竹叶的青绿会倒映在眼中，火焰照亮脸庞。

通义万相：

通义万相生成的视频中，侠客的动作大开大合，火焰特效会随着挥掌动作形成一道火光，光影效果增加了画面气势。镜头也与提示词一致，有旋转也有拉远，不过在运镜过程中，会出现模糊的情况，画面转换依旧美中不足。尽管通义万相采用火焰作为衔接点，减少些许突兀感，但整体画面跳跃，对视频连贯性还是造成影响，丝滑程度比不上可灵。

场景三场景变化

首尾帧图片：积雪覆盖的高山和山脚下的木屋村庄

提示词：从积雪覆盖的山峰缓缓推进至山脚下宁静的村庄，晨雾弥漫在木屋之间，镜头由远及近。