文本与图像条件
本节目标
根据控制目标选择文本、首帧、尾帧、参考素材或既有片段，而不是把所有输入一股脑交给模型。
文本提示的镜头模板
用一条主句覆盖“景别/相机—主体—动作—环境—光线—节奏”：
中景固定机位；一台小型橙色机器人把蓝色杯子放到木桌中央；清晨厨房、侧窗柔光；动作缓慢且只有一次放置，镜头结束时手离开杯子。
这比“电影感、史诗、8K”更可检验。若需要口播或精确文字，优先把内容放到后期音频和字幕层；不要假定所有视频模型能稳定拼写或同步长台词。
何时使用视觉条件
- 首帧/图生视频：需要固定初始构图或让静态设计动起来。
- 首尾帧：需要明确终点，但中间运动仍要评审；并非所有供应商支持。
- 角色/物体参考：需要身份特征，必须确认人物同意和素材权利。
- 视频延展：需要从已有片段继续，检查边界帧、运动方向与音频连续。
- 视频编辑：保留原运动或结构并改变局部；明确保护区和允许变化。
供应商的输入类型、文件大小、时长、人物限制和保留策略都可能变化。业务任务只记录意图（例如 conditioning.kind = first_frame）；适配层在运行前查询能力。如果能力不支持，应返回结构化的“不可执行”，而不是静默改成纯文本生成。
条件冲突的优先级
为每项写优先级：权利与安全门禁最高；然后是必须保持的身份/商品；再是动作和构图；最后是风格偏好。比如首帧是夜景、文本要求正午，必须先由人决定谁覆盖谁。不要让模型自行“折中”后才发现结果不可用。
可复现的输入清单
记录每个参考文件的 asset_id、source_revision、acl_reference、相对标识、SHA-256、权利状态、用途限制、裁切/色彩处理、上传时间和删除策略。对象级授权/ACL 必须先于预览、评分、模型读取和后期导出；撤权/删除时沿输入、镜头 transform_id 和发布 release_id 传播。不要把真实人脸、未授权素材或客户机密直接放入示例仓库。当前 OpenAI 和 Google 官方文档都展示文本/图像条件，但具体能力不同且持续变化，只能作为接入日证据。
常见错误与排查
- 参考图人物与文本年龄、服装冲突：先修需求，不要反复抽卡。
- 只写动作、不写结束状态：补充镜头结束时可见的状态。
- 假定参考图等于身份锁定：仍需跨帧和跨镜头人工审查。
- 把受限人物输入绕成描述：遵守服务规则和适用法律，不规避安全机制。
练习与自测
为“将产品海报变成 6 秒开场动画”设计两套条件方案：纯文本与首帧条件。分别列出优点、失败风险、输入权利和验收项。
下一步进入制作规划：分镜与镜头清单。
参考资料
- OpenAI Video generation guide（资料核对/访问于 2026-07-22；含未来关闭计划）
- Google Cloud: generate videos using first and last frames（资料核对于 2026-07-22）