DEV Community: Sheng Wang

Image-to-video in three parameters: how a 5-second clip costs twice what it should

Sheng Wang — Tue, 22 Sep 2026 10:09:33 +0000

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

项目	实测值
模型	`wan2.6-i2v-flash`
输入	一张效果图，以 data URI 内联
请求参数	`resolution: 720P`、`duration: 5`
输出	1108×830、5.007 秒、H.264、约 5.5 MB
附带音轨	有，AAC 立体声 44.1 kHz
单条成本	¥1.50（本该是 ¥0.75）

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

参数	默认	建议	为什么
`audio`	`true`（有声）	显式写 `false`	无声 720P ¥0.15/秒，有声 ¥0.3/秒，正好一倍
`resolution`	`1080P`	按输入图的实际像素选	720P 和 1080P 是 ¥0.15 / ¥0.25 每秒；输入只有 1024 宽时，1080P 是白付的钱
`duration`	`5`	2–15 的整数，按内容节奏选	按秒计费，镜头需要多久就给多久
`watermark`	`false`	保持 `false`	商用素材不该带「AI 生成」角标

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。

证据

图生视频接口只支持异步调用：请求必须带 X-DashScope-Async: enable。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
缺少异步请求头时接口直接报错，不存在同步等待视频的用法。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
resolution 决定的是总像素预算，输出宽高比会尽量跟随输入图，而不是固定裁成 16:9。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
wan2.6-i2v-flash 的 resolution 可选 720P / 1080P，默认值是 1080P（也就是贵的那一档）。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
wan2.6-i2v-flash 的 duration 取值是 [2, 15] 之间的整数，默认 5 秒，而不是只有 5 秒和 10 秒两档。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
audio 的默认值是 true，也就是默认输出有声视频；想要无声必须显式写 false。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
官方文档写明 audio 直接影响费用，有声与无声按不同价格计费。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
结果视频的下载链接只有 24 小时有效期，格式为 MP4（H.264 编码）。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
异步任务的状态枚举包含 PENDING、RUNNING、SUCCEEDED、FAILED、CANCELED 和 UNKNOWN，其中 UNKNOWN 表示任务不存在而非尚未完成。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
北京地域 wan2.6-i2v-flash 按输出秒数计费：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。 — https://help.aliyun.com/zh/model-studio/model-pricing
1024×768 的输入图，在 720P 档位下产出的是 1108×830（91.96 万像素，与 1280×720 的 92.16 万相当），印证了「相近总像素 + 跟随输入宽高比」。 — https://raw.githubusercontent.com/wangsheng1991/content-engine/main/research/wan-i2v/measured-2026-09-22.json
我们那批片子每条都带 AAC 立体声音轨，因为当时的请求没有传 audio，默认按有声生成（并计费）。 — https://raw.githubusercontent.com/wangsheng1991/content-engine/main/research/wan-i2v/measured-2026-09-22.json
量测出的成片时长是 5.007 秒，与请求的 5 秒一致。 — https://raw.githubusercontent.com/wangsheng1991/content-engine/main/research/wan-i2v/measured-2026-09-22.json
复现脚本每 8 秒轮询一次，最多 40 次。 — https://raw.githubusercontent.com/wangsheng1991/content-engine/main/scripts/wan-i2v.mjs
复现脚本显式发送 audio: false，不把「贵一倍」交给服务端的默认值。 — https://raw.githubusercontent.com/wangsheng1991/content-engine/main/scripts/wan-i2v.mjs

一张照片进去，几秒后出来一张能用的效果图

上面那条链的起点，是渲见（RenVi）里最常见的一个动作：把家里的房间照片传上去，选一个风格，等几秒。效果图满意了，再往「变成镜头」这一步走。视频只是素材的一种形态；真正决定转化的是第一张图好不好看、要等多久。

上传房间照片，免费出一张效果图: https://www.houseplusplus.com/?ref=wan-i2v-first-frame

SHARP：单张图的秒级 3D 高斯视图合成

Sheng Wang — Tue, 22 Sep 2026 09:48:32 +0000

单目视图合成要解决的问题很直接：给你一张照片，生成它附近视角的新画面，而且要看起来像真的。难的地方在于，一张照片没有视差，深度、遮挡、反射都缺信息。此前的做法往往要在「更真」和「更快」之间做取舍。

Apple 的 SHARP 给出的答案是把取舍绕开：不一步步重建场景，而是让神经网络把整张照片直接读成一份 3D 表示。

SHARP 在做什么

按官方仓库 README 的描述，SHARP 接收一张照片，回归出这个场景的 3D 高斯（3D Gaussian）表示参数。整个过程是一次神经网络前馈，在标准 GPU 上耗时不到 1 秒。生成的 3D 高斯表示随后可以被实时渲染，输出附近视角的高分辨率写实图像。

README 还提到两点对开发者很关键：

第一，这个表示是 metric 的，带绝对尺度，因此支持米制相机运动——你给出的相机位移是有物理单位的，而不是一个随意缩放的相对量。

第二，坐标约定遵循 OpenCV（x 向右、y 向下、z 向前），而 3DGS 场景中心大致位于 (0, 0, +z)。这意味着把 .ply 交给第三方渲染器时，需要自己缩放和旋转，把场景重新居中。

按 README 的描述，整个过程不针对单个场景做迭代优化，而是一次前馈就把参数吐出来。这一点对工程上的意义很直接：推理路径短，你不需要为每张新图重新跑一轮训练式的流程。

关键数字一览

维度	此前最佳模型	SHARP
LPIPS	README 未给出绝对值，作为对比基准	相对降低 25–34%
DISTS	README 未给出绝对值，作为对比基准	相对降低 21–43%
合成耗时	README 未给出绝对值，作为对比基准	降低三个数量级；标准 GPU 上不到 1 秒
生成方式	README 未说明	单次前馈（single feedforward pass）
输出形式	README 未说明	3D 高斯泼溅（3DGS），`.ply` 文件，兼容公共渲染器
泛化能力	README 未说明	论文称具备跨数据集的鲁棒零样本泛化

表格里凡是 README 没写的，就空着，不替论文补数字。这些百分比描述的是相对此前最佳模型的改善幅度，不是绝对分值——LPIPS 和 DISTS 都是越低越好，所以「降低」是好事，但 README 没有给出绝对分值，这里也就不做换算。

从仓库到第一条预测命令

README 给出的上手路径很常规：建环境、装依赖、跑 CLI。

conda create -n sharp python=3.13
pip install -r requirements.txt
sharp --help

权重不需要手动准备：第一次运行时模型 checkpoint 会自动下载，并缓存在 ~/.cache/torch/hub/checkpoints/。如果你更想自己管理权重，README 也给了直接下载 .pt 文件的方式，再用 -c 参数把本地 checkpoint 指给命令。

真正的推理只有一行：

sharp predict -i /path/to/input/images -o /path/to/output/gaussians

输出目录里是 3D 高斯泼溅文件。如果你还想额外拿到一条相机轨迹的视频，加上 --render；也可以从中间结果出发单独渲染：

sharp predict -i /path/to/input/images -o /path/to/output/gaussians --render
sharp render -i /path/to/output/gaussians -o /path/to/output/renderings

适合谁用，以及现在还不能做什么

按 README 的描述，它的定位是「单张图进、附近视角出」：适合照片量少、没有多视角采集条件，但又想要可自由换视角画面的场景，也适合把已有图像资产快速转成可实时渲染的 3D 资产。因为表示带绝对尺度，涉及真实位移的场景也能对得上单位。

另一个按 README 可以合理推断的好处来自耗时：既然单次前馈不到 1 秒，这一步就有可能放进交互式流程里，而不用当成一次离线批处理任务。不过 README 没有给出吞吐、并发或显存方面的数据，真要拿它做线上服务，还是得自己压测。

局限同样来自 README，写清楚比夸大更有用：

高斯预测本身在 CPU、CUDA、MPS 上都能跑，但用 --render 渲染相机轨迹视频目前要求 CUDA GPU，也就是说只有 CUDA 机器能直接出视频；
gsplat 渲染器首次启动时初始化要等一会儿；
接第三方 3DGS 渲染器需要按上面的坐标系约定缩放旋转、重新居中；
README 把定量与定性评估都指向论文和项目页，本页只复述 README 与摘要里的数字，不做额外推断。

自己跑一遍

conda create -n sharp python=3.13
pip install -r requirements.txt
sharp --help
sharp predict -i /path/to/input/images -o /path/to/output/gaussians

把 -i 换成你自己的图片目录，权重会在首次运行时自动下载。如果你的目标只是先把手里图片的质量提上去，也可以直接在线试 AI 图像增强，不必先跑通本地环境。

证据

SHARP 通过单次前馈在标准 GPU 上以不到 1 秒的时间回归出场景的 3D 高斯表示参数。 — https://raw.githubusercontent.com/apple/ml-sharp/main/README.md
SHARP 产出的 3D 高斯表示可以被实时渲染，生成附近视角的高分辨率写实图像。 — https://raw.githubusercontent.com/apple/ml-sharp/main/README.md
该表示是 metric 的，带绝对尺度，支持米制的相机运动。 — https://raw.githubusercontent.com/apple/ml-sharp/main/README.md
实验结果展示了 SHARP 跨数据集的鲁棒零样本泛化能力。 — https://raw.githubusercontent.com/apple/ml-sharp/main/README.md
在多个数据集上，SHARP 相对此前最佳模型把 LPIPS 降低 25–34%、DISTS 降低 21–43%，同时把合成耗时降低三个数量级。 — https://raw.githubusercontent.com/apple/ml-sharp/main/README.md
预测结果是以 3D 高斯泼溅（3DGS）形式存放在输出目录中的可渲染结果。 — https://raw.githubusercontent.com/apple/ml-sharp/main/README.md
官方 CLI 的预测入口是 sharp predict，用 -i 指定输入图像目录、-o 指定输出高斯目录。 — https://raw.githubusercontent.com/apple/ml-sharp/main/README.md
模型权重在第一次运行时自动下载，并缓存到 ~/.cache/torch/hub/checkpoints/。 — https://raw.githubusercontent.com/apple/ml-sharp/main/README.md
高斯预测在 CPU、CUDA 和 MPS 上都能工作，但通过 --render 渲染相机轨迹视频目前需要 CUDA GPU。 — https://raw.githubusercontent.com/apple/ml-sharp/main/README.md
输出的 3DGS 遵循 OpenCV 坐标约定（x 右、y 下、z 前），场景中心大致在 (0, 0, +z)，接第三方渲染器时需要自行缩放与旋转来重新居中。 — https://raw.githubusercontent.com/apple/ml-sharp/main/README.md

图像的鲁棒表示已经有了，你的照片也可以先变清楚

SHARP 展示了一件值得记住的事：一张普通照片里，本来就藏着足够多的信息，只要有一个足够鲁棒的表示方式把它读出来。在你自己的照片上，最实用的第一步往往不是重建 3D，而是先把图像本身的质量拉起来。 DLSS 5 是一个在线 AI 图像编辑器，把手里已有的图画上传上去，就能试试我们的 AI 超分与画质增强。

上传图片，试试 AI 增强: https://www.dlss5nvidia.com/?ref=ml-sharp