2026 AI 影片生成怎麼選？先分清 Text-to-Video、Image-to-Video、Reference-to-Video

如果你最近打開任何 AI 影片工具，很容易先被模型名稱淹沒。

但對新手來說，更實用的第一個問題其實不是：

哪一個模型最強？

而是：

我要拿什麼當起點，讓模型知道我要的影片？

Lesson 016：AI 是怎麼生成影片的？ 已經講過：影片比圖片多了一個「時間」維度，模型不只要決定每一格長什麼樣，還要讓前後畫面在動作、人物和場景上連得起來。

到了 2026，主流影片生成服務常把這件事拆成幾種不同輸入方式。

Text-to-Video：從一句描述開始

文字轉影片（Text-to-Video, T2V） 就是只給文字，讓模型從零建立整個鏡頭。

例如：

雨夜的台北巷弄，一名穿紅色風衣的人慢慢走過霓虹招牌。
鏡頭低角度跟拍，地面反射燈光，電影感，6 秒。

這種模式的優點是自由度高。

你可以快速測：

• 世界觀
• 構圖
• 動作
• 氣氛
• 鏡頭感

但自由度高也代表模型要自己決定更多事情，所以人物長相、衣服細節或物件位置比較容易漂移。

如果你只是想「先看看這個點子長什麼樣」，Text-to-Video 很適合。

Image-to-Video：先把第一格定下來

圖片轉影片（Image-to-Video, I2V） 是先提供一張圖片，再要求模型讓它動起來。

這裡可以接回 Lesson 013：AI 圖片生成：先用圖片模型把角色、服裝、場景或產品視覺定好，再把那張圖交給影片模型，通常會比完全從文字開始更容易控制畫面。

例如你先有一張：

咖啡店窗邊的短髮女生，白襯衫，手拿玻璃杯

再告訴影片模型：

她慢慢轉頭看向窗外，右手輕輕轉動杯子。
鏡頭非常緩慢地向前推近。

這時 Prompt 的重點不必再花大量文字描述「她長什麼樣」，而是可以集中寫：

• 誰要動
• 怎麼動
• 鏡頭怎麼動
• 哪些東西不要亂動

Reference-to-Video：不只給第一格，還給模型更多參考

現在越來越多工作流會接受參考素材（Reference）。

Reference 不一定只代表一張起始圖片，它可能被用來提供：

• 角色身份
• 服裝
• 場景
• 美術風格
• 動作
• 鏡頭路徑
• 影片節奏

有些系統還能同時吃多張參考圖、參考影片或音訊。

你可以把它想成拍片前不只交一張分鏡，而是把「演員定裝照、場景照片、動作示範」一起交給團隊。

First / Last Frame：先指定開始和結束

另一個很實用的控制是 First Frame / Last Frame（首格／末格影格）。

例如你希望：

第一格：桌上是一朵完整的白玫瑰
最後一格：玫瑰變成散落的玻璃碎片

模型的工作就從「隨便生成一段變化」變成：

想辦法把 A 狀態合理地走到 B 狀態。

這對：

• 轉場
• 變身
• 商品展示
• 場景變化
• 首尾構圖控制

特別有用。

Video-to-Video：不是從零生，而是改既有影片

有些模型支援 影片轉影片（Video-to-Video, V2V）。

這類工作流通常是拿既有影片的：

• 動作
• 節奏
• 鏡頭
• 大致構圖

作為骨架，再改變人物、風格或場景。

例如真人拍一段走路，再把人物換成動畫角色；或保留運鏡，重新生成成不同美術風格。

這和完全從 Prompt 生影片是很不同的控制方式。

2026 的影片模型正在往「多種輸入一起用」發展

截至 2026 年 9 月，不少主流影片平台已經不是單純的「打一段文字 → 拿一段影片」。Google Veo 3.1 的官方文件列出 Text-to-Video、Image-to-Video、首尾影格、參考圖片與延長影片等能力；Runway 的開發文件也列出多種文字、圖片、影片與 Reference 輸入模式。

實際支援能力會隨模型版本更新，所以不要把某一張網路比較表當成永久規格。

更值得記住的是這個選擇順序：

我要自由探索？
→ Text-to-Video

我已經有想保留的構圖或角色？
→ Image-to-Video

我需要固定人物、場景、動作或鏡頭？
→ Reference / Video-to-Video

我很在意開頭與結尾？
→ First / Last Frame

「模型最強」不等於最適合你的 Workflow

一個模型可能在純 Text-to-Video 很強，但你真正的需求是：

• 同一個角色拍 8 個鏡頭
• 保留產品 Logo
• 接既有真人演出
• 做精確轉場

那麼「Reference 能不能控制」可能比單段 Demo 的畫質更重要。

所以看影片模型時，不只看輸出畫面，也要看：

1. 接受哪些輸入？
2. 能不能固定 Reference？
3. 能不能指定首尾影格？
4. 能不能延長或編輯既有影片？
5. 音訊是不是一起生成？
6. 生成後能不能接進你的剪輯流程？

下一步：角色一致性

當你從「生成一支 6 秒短片」進入「同一個角色要連續拍很多鏡頭」，下一個最常遇到的問題就是：

為什麼明明 Prompt 都一樣，角色卻每一鏡都像不同人？

下一篇就專門處理這件事。

一句話帶走

AI 影片生成不是只有 Text-to-Video。先根據你手上已有的素材與想控制的東西，選 Text、Image、Reference、First/Last Frame 或 Video-to-Video，再選模型，通常比直接問「哪個 AI 影片最強」更實用。