把一张效果图变成 5 秒镜头：万相图生视频的三个账单陷阱

一张 1024×768 的室内效果图，一句运动提示词，五秒后拿到一段可以发出去的镜头。这是图生视频里最省事的一档，也是我们六月份给渲见（RenVi）做营销素材时走的那条路。

结论先放这里：模型本身没坑，坑在两个参数的默认值上。

我们实际跑出来的东西

那个 AAC 音轨不是我们要的 —— 是没人告诉模型不要。下面三节就是那三个参数。

首尾两帧放在一起是这样，五秒里只有一次缓慢的推镜：

一、audio 默认是开着的，价格正好翻倍

官方文档在 audio 这一栏写的是：

可选值：true：默认值，输出有声视频。false：输出无声视频。

而价格页同一行模型是这样标的：720P 有声 0.3 元/秒，无声 0.15 元/秒；1080P 有声 0.5 元/秒，无声 0.25 元/秒。

也就是说，不写 audio 就是按有声计费。五秒的有声 720P 是 ¥1.50，无声是 ¥0.75 —— 差的这一块钱，买到的是一段你根本没打算用的 AI 环境音。

我们那批素材就是这么付的：三条片子的文件里都带着音轨，因为当时的脚本 parameters 里只有 resolution 和 duration。复现脚本现在默认 audio: false，要声音得显式写 --audio true。

二、resolution 不是清晰度开关，是像素预算 —— 而且默认 1080P

文档里这句话值得读两遍：

模型根据选择的分辨率档位，自动缩放至相近总像素，视频宽高比将尽量与输入图像 img_url 的宽高比保持一致。

所以选 720P 拿到的不一定是 1280×720。我们的输入是 4:3（1024×768），输出就是 1108×830 —— 91.96 万像素，和 1280×720 的 92.16 万几乎一样。它是「给够这么多像素，形状跟着你的图走」，不是「裁成 16:9」。

更要紧的是同一段文档的另一句：wan2.6-i2v-flash 的 resolution 默认值是 1080P。不写它，就按 1080P 的价钱算，哪怕你的输入图只有 1024 宽、根本喂不出真 1080P 的细节。

三、duration 是 2–15 的整数，不是 5/10 两档

网上关于图生视频的笔记很多写「只有 5 秒和 10 秒」，那说的是 wan2.6-i2v-us。flash 这一档的文档原文是：

取值为[2, 15]之间的整数。默认值为 5。

也就是说 7 秒、9 秒、13 秒都可以，单价按秒线性计费。做产品展示时，比「五秒切下一张」好看得多的用法是一张图 12 秒慢慢推，成本仍然是一秒一秒算的。

接口只有一个模式：异步

这个接口没有同步调用这一回事。请求必须带上 X-DashScope-Async: enable，否则直接报错 —— 原文是「HTTP 请求只支持异步，必须设置为 enable」，缺少这个头会返回 current user api does not support synchronous calls。

拿到 task_id 之后轮询，状态就六种：PENDING、RUNNING、SUCCEEDED、FAILED、CANCELED、UNKNOWN。UNKNOWN 不是「还没好」，是「任务不存在」—— 任务 ID 只保留 24 小时，结果链接也是：

链接有效期 24 小时，可通过此 URL 下载视频。视频格式为 MP4（H.264 编码）。

所以「提交完先去干别的，回头再下载」这种做法，隔夜就失效了。脚本里轮询完成立刻落盘，不是洁癖，是必须。

复现

脚本在这个仓库里，零依赖，只用 Node 和 DashScope 的接口：

export QWEN_API_KEY=sk-...     # 或 DASHSCOPE_API_KEY
node scripts/wan-i2v.mjs \
  --image room.jpg \
  --prompt "slow cinematic dolly-in through the cozy renovated living room, gentle smooth camera motion, soft warm natural light, photorealistic, stable, no people" \
  --resolution 720P --duration 5 \
  --log run.json

• 默认 --audio false（省钱那档），要声音加 --audio true
• 图片直接读本地文件转 data URI，不需要对象存储，也不需要先把图传到公网
• 每 8 秒轮询一次，最多 40 次；超时和 FAILED 都会报错退出，不会留下一段空文件
• 跑完把 task_id、轮询次数、实际耗时、文件大小写进 run.json

我们那批素材的量测日志在 research/wan-i2v/measured-2026-09-22.json，每条片子都带 sha256，尺寸、时长、音轨、字节数都可以自己复算。

这四个参数的取舍

这条链能做到哪、做不到哪

• 能做：把一张已经满意的静图变成有镜头运动的短视频，用于商品页、社媒、效果图转视频。成本是每条几毛到一块多。
• 不做：长视频、多镜头叙事（那是 shot_type: multi，另一档模型）、把糟糕的图救回来 —— 输入决定上限，模型只负责给它加运动。
• 一个真实的边界：我们这次是拿 AI 生成的效果图当首帧。真实照片同样可以，但房间的结构、透视关系会跟着动，出现金属反射、灯光逻辑错误时，多半要减小运动幅度重跑，而不是加大提示词。

五秒的镜头，成本七毛五。这个价钱意味着可以为每个风格各出一条，而不是精挑细选只做一条 —— 营销素材的供给量，比单条质量更容易做出差别。