AI 视频里的首尾帧是什么？

首尾帧的工作方式就像多了一个锚点的图生视频。模型把你的第一张图片放在片段开头、最后一张图片放在结尾，把两者都标记为要保留的帧，再从噪声中生成两者之间的帧，直到它们按提示词描述的方式把两端连起来。

在文生视频中，一切都由模型创造；给一张图片，开头之后的一切由模型创造。给两张图片，模型就有了终点，它的任务变成寻找一条可信的路线：这种模式适合有计划的变化，而在根本不存在这样的路线时就会吃力。

深入原理：固定两帧，生成中间

开源模型 Wan 的技术报告描述了常见的设计：图片经过压缩后放在第一帧，后面接空白帧，再用一个二值掩码标出哪些帧保留、哪些帧生成。图像编码器还会读取图片的内容，让它的样子延续到它从未出现的帧里。报告指出，同样的设计也可以扩展到首尾帧变换和视频续写。

FLF2V 这个名字就来自这一系列：Wan 团队于 2025 年 4 月 17 日发布了 Wan2.1 FLF2V（first-last-frame-to-video，首尾帧生视频），仅支持 720p。

学术界把这项任务称为关键帧插值或中间帧生成（inbetweening），这个说法来自动画师在两个关键姿势之间绘制中间帧的工作。一篇 ICLR 2025 论文拿一个训练成从一张图片沿时间向前推进的图生视频模型，微调出一个反向推进的副本，再让两者同时运行，每一步都融合来自两端的预测。

首尾帧提示词怎么写

描述变化，而不是描述图片：两张图片都已经固定了。说清楚什么在动、按什么顺序动，以及镜头如何从第一个构图移动到最后一个构图。Kling 的 O1 模型指南给出了这样的写法：把第一张图片作为首帧，第二张作为尾帧，再描述两者之间的变化。

• 写一个把第一张图片变成最后一张的动作：“她从窗边转过身来，面向镜头”。
• 写一个从一个构图到另一个构图的运镜：“从全景缓慢推近到特写”。
• 说明片段如何收尾：“慢慢稳住”“静止下来”“光线逐渐亮到最满”，这样最后一秒就不会突然跳变。
• 不要写两张图片里已有的内容：面孔、衣服、房间。

图片可以用好几种方式引导视频。选哪一种，决定了镜头里有多少由你掌控、有多少由模型创造。

在这些方式中，只有首尾帧能固定镜头在哪里结束；更长的段落就是把多个这样的镜头剪在一起。

大多数失败在写提示词之前就已注定：两张图片在给定的时长内根本连不起来。Kling 的首尾帧指南要求使用主题相同、内容相近的两张图片，并提醒差异过大可能会触发镜头切换：直接切过去，而不是运动过去。

• 让两张图片的形状和尺寸都与片段一致，这样两端都不会被裁剪或拉伸。
• 保持主体、光线、镜头和风格不变；只改变一两处，比如姿势、机位或一天中的时间。
• 让变化与时长相匹配：转头放得进 5 秒，城市上空的日出放不进。
• 用第一张图片做出最后一张：用 AI 图片编辑器修改一份副本，或用 AI 扩图把它扩成更宽的构图，这样两张图片里你没改动的细节都完全相同。
• 让面孔、手和文字在两张图片里都又大又清晰：中间的帧是创造出来的，小细节最先被重画。

每家模型厂商都有自己的限制。以下是我们在 2026 年 10 月 29 日查阅时，它们页面上的说法：

• 转场：同一条街的白天和黑夜、空房间和布置好的房间、从夏天到下雪。
• 前后对比：改造、装修、一道菜的生与熟，两端都和拍摄或设计的样子完全一致。
• 停在预先设计好的最终画面上的揭晓：一件产品、一张标题卡或一个 Logo。
• 产品从正面转到背面，两个视角都完全准确。
• 角色在分镜里画好的两个姿势之间移动。
• 循环视频，两端用同一张图片。

在 DreamBench 上，Seedance 2.5、Seedance 2.0、Veo 3.1 及其 Fast 和 Lite 版本、Kling 4.0、Kling 3.0、Wan 3.0、Wan 2.7、MiniMax H3 和 LTX-2.3 都可以指定结尾画面。HappyHorse 1.1、Grok Imagine 1.5 和 Vidu Q2 只能从首帧开始。下表读取的是 DreamBench 创作面板所用的同一套设置：

“仅首帧”是指模型可以从你的图片开始，但无法指定在哪里结束：结尾交给提示词决定。

为什么我的视频没有停在尾帧上？首帧会被原样放置，而尾帧只是一个目标：模型生成最后几帧去接近它；如果路径走得太慢，或者变化太大而时长不够，结果就只会停在它附近，或在最后一刻突然跳到它。两张图片越接近，落点就越准。

• 中间的帧仍可能闪烁或漂移：这是时序一致性出了问题，两端相差越远就越严重。
• 两端只能固定一个镜头。一个人要在多个镜头中保持同样的样貌，就需要在每个镜头里使用同样的图片，这就是角色一致性。
• 有些模型会拒绝某些图片：ByteDance 的教程指出，Seedance 2.5 不接受含有真人面孔的图片。
• 只使用你有权使用的图片；要让别人的照片动起来，请先征得对方同意。

Logo 动画工具就是 DreamBench 的首尾帧功能。你上传 Logo 并选择一种风格，模型会拿到你上传的原样 Logo，放在它自己的背景上，作为结尾画面。首帧取决于风格：扫光用的是 Logo 本身，揭晓类用的是空背景，其他风格则用根据 Logo 绘制的画面，比如故障风是打散的 Logo，霓虹是暗淡的轮廓，3D 旋转是侧面朝前的 Logo。

每次运行都会在 Kling 3.0 上生成一段 5 秒的片段：720p 无声、1080p，或 1080p 带声音。有些运行不能干净地停在 Logo 画面上；如果最后一秒看起来不对，就再运行一次。

图生视频工具是单张图片的版本：一张照片成为 5 秒片段的首帧。当你描述一部影片时，DreamBench 会把它写成多个镜头，根据你的参考图为每个镜头绘制开场画面，再由视频模型据此生成镜头；镜头走向写在它的提示词里。