图片生成视频并不是一种单一工作流。有时视频必须从某张静态图开始，有时结尾构图同样重要；还有一些项目并不要求精确复现第一帧，而是更关注人物、产品或整体风格能否保持可识别。
Veo3o1 将这些需求分成首尾帧和参考图两种模式。先选对模式再写提示词，可以减少无效积分消耗，也避免用输入本身无法支持的指令与模型反复较劲。
先看结论
- 当开场构图、结束构图或两者之间的过渡最重要时，选择首尾帧。
- 当重复出现的主体或外观特征比精确的第一帧、最后一帧更重要时，选择参考图。
- 完全不需要保留上传图片的视觉信息时，选择文字生成视频。
首尾帧：控制镜头两端
首尾帧模式可上传一张或两张图片。一张图片用于给出视觉起点；两张图片则定义镜头的两个端点，提示词负责说明中间怎样自然过渡。
适合的场景包括：
- 把产品静态图做成逐步展现产品的镜头；
- 从全景移动到近景构图；
- 制作白天到夜晚的变化；
- 连接故事板中已经设计好的两个画面；
- 在保护开场构图的前提下让静态图动起来。
两张图片需要具备视觉上的可衔接性。如果主体、机位、光线和环境全部不同，8 秒镜头的大部分运动都可能被用来勉强解释冲突。
有效的转场提示词应该描述路径，而不只是重复终点：
从第一帧开始。镜头穿过敞开的门缓慢向前，日光逐渐过渡为傍晚光线。以第二帧结束，招牌位于画面中央，摄像机停止移动。
上传与设置步骤见首尾帧使用文档。
参考图：保持主体外观和画面风格
参考图模式可上传一至三张图片，支持 Lite 和 Fast，目前固定生成 8 秒，并要求选择 16:9 或 9:16。
它适合：
- 重复出现的人物；
- 外形或包装有辨识度的产品；
- 需要保持一致的服装或配色；
- 需要持续可识别的车辆、房间或物体；
- 共享同一外观特征的多个镜头。
上传的图片会引导主体，但不会锁定开头和结尾的精确构图。模型仍可围绕参考外观重新组织镜头。
以外观一致性为目标时，参考图之间必须彼此一致。人物的肖像、较远的服装视图和一个侧面角度，通常比三张几乎相同的图片更有用。参考图选择与提示词结构可查看人物一致性指南。
选择对照表
| 判断问题 | 首尾帧 | 参考图 |
|---|---|---|
| 主要目标 | 控制镜头起点与终点 | 保持主体或外观特征 |
| 图片数量 | 1–2 张 | 1–3 张 |
| 最适合 | 转场、故事板、静态图动画 | 人物、产品、重复出现的视觉世界 |
| 当前参考图模式限制 | 取决于所选设置 | Lite/Fast、8 秒、16:9 或 9:16 |
首尾帧用于引导开场和结尾，不保证逐像素还原。使用结果前，应分别检查起止画面以及中间的动作是否符合要求。
三个实际例子
产品展示镜头
已经有一张干净的包装图和最终主视觉时，选择首尾帧。提示词描述镜头怎样移动、光线如何变化，以及包装怎样到达最终位置。
重复出镜的讲解人
需要同一个人在不同环境中出现在多条视频里时，选择参考图。保持人物描述稳定，每次只改变一个动作或地点。
只有氛围的概念镜头
如果想制作“雨夜里的未来市场”，但没有必须保留的视觉素材，选择文字生成视频。此时加入参考图只会增加约束，并没有解决真实需求。
避免模式与需求错配
不要要求参考图模式复现精确尾帧，它并不是端点锁定工具。不要上传两张毫无关联的图片，却期待在未说明路径的情况下得到自然转场。也不要因为手上恰好有一张图就一定上传；每个输入都应该服务于镜头的主要目标。