浏览文档
媒体生成
选择适合该工作的模型
根据所需的功能、创意限制、访问权限、速度和估计成本来选择模型，而不仅仅是名称。
最后审核日期：2026年9月25日
通过消除无法执行工作的路线来选择模型，然后将剩余选项与受控测试进行比较。型号名称、发布日期和受欢迎程度对于工作所需的能力来说是次要的。
1. 定义不可协商的事项
在打开选择器之前写下一行要求。包括：
- 输出类型：图像、视频或音频；
- 操作：生成、编辑、动画、变换、扩展、口型同步或组合；
- 所需的来源媒体和参考文献数量；
- 宽高比、分辨率和持续时间；
- 视频是否必须包含或响应音频；
- 产品、人、声音、标签或现有作品的保真度要求；
- 此尝试的最大可接受估计。
这些限制创建了一个候选名单。如果模型无法接受所需的源视频或对话音频，则其视觉质量与该工作流程无关。
2. 读取模型选择器
工作区按所选媒体类型对模型进行分组。按型号或提供商搜索，然后阅读每个选项旁边的状态。
| 信号 | 这意味着什么 | 这不意味着什么 |
|---|---|---|
| 已选择 | 该模型将用于具有可见设置的该节点 | 该模型最适合每项任务 |
| 热门 | 当前目录中精选的发现信号 | 质量保证或成本最低 |
| 新 | 根据目录日期，该版本是最近发布的 | 每个工作流程的成熟行为 |
| 高级或不可用 | 当前访问状态下路由可见但不可用 | 该路线将默默地回退到另一个模型 |
| 信用评估 | 当前路线和设置的预期使用情况 | 每次多步运行的固定最终费用 |
选择模型后，composer 会协调其控件。如果分辨率、持续时间、比率、语音或参考控件消失，则该路由不会声明当前模式的这些选择。
3.了解工作流程模式
| 模式 | 当 | 需要思考 |
|---|---|---|
| 生成 | 提示应创建新图像或声音 | 描述预期的结果和目的地 |
| 编辑 | 现有媒体必须保持基础 | 说明什么必须改变，什么必须保留 |
| 文字转视频 | 不需要起始帧 | 描述主题、动作、摄像机、节奏和结束状态 |
| 图像转视频 | 静态图像作为开场构图的锚点 | 保护身份并仅描述预期的动作 |
| 视频参考 | 多个兼容的源定义主题、风格、动作或音频 | 为每个参考提供明确的角色和优先级 |
| 第一帧和最后一帧 | 两个受控状态之间的过渡很重要 | 使两个框架兼容并描述它们之间的路径 |
| 延长视频 | 现有动议应继续进行 | 保持方向、摄像机逻辑、灯光和节奏 |
| 演讲或对话 | 文本应该成为表演的音轨 | 指定语音、语言、发音、语速和发言者轮流 |
| 声音场景、音乐或效果 | 结果是环境或非语言音频 | 描述听觉事件、结构、强度和结尾 |
模式名称描述的是能力，而不是质量。两条路由可以支持相同的模式，但会产生不同的结果或暴露不同的限制。
4. 选择图像艺术方向
对于新图像，比较宽高比、可用分辨率、提示限制以及路线是否支持后期编辑。对于受控艺术，检查编辑路径接受的参考数量。
将测试与工作相匹配：
- 产品保真度： 比较标签形状、材料、颜色、反射和小结构细节。
- 布局工作： 比较对负空间、裁剪、层次结构和相机位置的遵守情况。
- 排版敏感的工作： 检查每个生成的字符；当确切的文本很重要时，计划在一代之外添加最终的活动副本。
- 风格探索： 保持主题和构图稳定，同时仅改变视觉处理。
- 迭代： 当第一个输出应成为受控修订的源时，更喜欢具有兼容编辑模式的路由。
不要仅因为某条路线具有最大分辨率而选择该路线。具有实用分辨率的强大合成比结构错误的大文件更有用。
5.选择视频制作
视频选择从源工作流程开始。决定镜头是以文本为主导、以图像为主导、以参考为主导、以第一张和最后一张图像为框架、扩展还是编辑。
然后比较：
- 活动模式允许的持续时间；
- 宽高比和分辨率选择；
- 接受的参考文献的数量和类型；
- 端架支撑；
- 原生或驾驶音频支持；
- 身份、产品细节、摄像头和动作的连续性要求。
当您已经有了最终对话时，生成原生音频的路线可能仍然是错误的选择。对于由完成的音轨驱动的可见扬声器，请使用专用的 口型同步工作流程。对于多个批准的剪辑，请使用 组装 而不是要求一代人创造一个完整的序列。
! 打开实时视频模型目录并比较以图像为主导的视频的兼容路线。
6. 选择音频制作
从所需的模式开始。语音模型公开语音选择，并且可能在语言、交付控制、时间戳或输出格式方面有所不同。更广泛的声音模型可以支持对话、声音场景、音乐或效果，并且可以接受图像或音频参考。
对于声音比较，使用相同的短脚本并检查发音、节奏、情感契合度、一致性和噪音。对于音乐或效果，比较结构、可用的结尾、不需要的声音以及结果与预期编辑的契合程度。
7. 将模型与生产阶段相匹配
在发现概念时使用最低承诺支持的路线。只有在简介、参考文献和目的地格式稳定后，才能转到最终保真度所需的路线和设置。
- 探索： 测试核心思想和提示结构。
- 比较： 通过一个小的候选名单运行相同的受控概要。
- 细化： 当支持编辑时，使用最强的输出作为源。
- 完成： 选择所需的分辨率、持续时间或语音，并根据交付大小进行审查。
这并不是说“快速”模型总是适合草稿，或者昂贵的模型总是更好。采摘者和受控测试的结果就是证据。
8. 进行公平比较
保持提示、参考文献、宽高比、分辨率目标和审核标准固定。仅更改型号。记录每个结果的模型和设置。
对工作实际需要的内容进行评分：及时遵守、品牌契合度、主题保真度、构图、文本、解剖结构、动作连续性、音频质量、速度、可编辑性和估计。赢得电影景观测试的模型可能会输掉包装保真度测试。
9. 确认访问权限和费用
可用性取决于当前帐户、环境和服务配置。在围绕路由构建工作流之前，请确认该路由已启用。更改分辨率、持续时间、模式或参考后再次查看估计值。
如果没有单个模型支持每个约束，请将工作拆分为连接的节点。首先生成或编辑源图像，在兼容的视频路径中为其设置动画，单独创建音频，然后在适当的时候使用唇形同步或组合。
从产品目录生成
当前型号目录
这些表是从 Fuzzbucket 的当前产品目录生成的，因此模型名称和声明的功能与工作区保持一致。访问权限可能因帐户而异。打开模型选择器以确认可用性并查看您的确切设置的估计值。
图像模型15 当前目录中的型号查看隐藏
比较生成和编辑支持、参考能力以及每个图像路径声明的输出控件。
| 型号 | 模式 | 输入 | 输出控制 |
|---|---|---|---|
| GPT Image 2热门 | 生成、编辑 | 提示·最多 16 个参考 | 6 种纵横比 |
| Grok Imagine Pro热门 | 生成、编辑 | 提示·最多 3 个参考 | 1K、2K |
| Nano Banana 2热门 | 生成、编辑 | 提示·最多 14 条参考文献 | 0.5K、1K、2K、4K |
| FLUX 2 Pro | 生成、编辑 | 提示·最多 10 条参考文献 | 5 种纵横比 |
| GPT Image 2.5 Sunburst | 生成、编辑 | 提示·最多 16 个参考 | 1K、2K、4K |
| Grok Imagine Image | 生成、编辑 | 提示·最多 3 个参考 | 1K、2K |
| Ideogram V4 | 生成、编辑 | 提示·最多 1 个参考 | 5 种纵横比 |
| Krea 2 Large | 生成 | 提示 | 1K |
| Krea 2 Medium | 生成 | 提示 | 1K |
| Nano Banana Pro | 生成、编辑 | 提示·最多 14 条参考文献 | 1K、2K、4K |
| Qwen Image 2 | 生成、编辑 | 提示·最多 3 个参考 | 5 种纵横比 |
| Recraft V4.1 | 生成 | 提示 | 5 种纵横比 |
| Reve 2.1 | 生成、编辑 | 提示·最多 1 个参考 | 18 种纵横比 |
| Seedream 4.5 | 生成、编辑 | 提示·最多 14 条参考文献 | 2K、4K |
| Wan 2.7 Image | 生成、编辑 | 提示·最多 4 条参考文献 | 5 种纵横比 |
视频模型18 当前目录中的型号查看隐藏
比较源工作流程、参考容量、持续时间、分辨率以及路线是否可以生成或使用音频。
| 型号 | 模式 | 输入 | 输出控制 |
|---|---|---|---|
| Grok Imagine Video热门 | 文本到视频、图像到视频、视频参考、编辑、扩展视频 | 提示 · 最多 7 条参考文献 | 480p、720p · 1–15 秒 |
| Seedance 2.5热门 | 文本转视频、图像转视频、视频参考 | 提示·最多 30 条参考文献 | 480p、720p · 4–30 秒 · 具有音频功能 |
| Veo 3.1 Fast热门 | 文本到视频、图像到视频、视频参考、扩展视频、第一帧和最后一帧 | 提示·最多 3 个参考 | 720p、1080p · 4–8s · 具有音频功能 |
| FLUX 3 | 文本到视频、图像到视频、第一帧和最后一帧、扩展视频 | 提示 | 720p、1080p · 5–20 秒 · 具有音频功能 |
| Gemini Omni Flash | 文本到视频、图像到视频、视频参考、编辑 | 提示·最多 10 条参考文献 | 2 种纵横比 · 3–10 秒 |
| Kling Video O3 Standard | 文本转视频、图像转视频、视频参考 | 提示·最多 4 条参考文献 | 3 种宽高比 · 3–15 秒 · 具有音频功能 |
| Kling Video V3 Pro | 文字转视频、图像转视频 | 提示 | 3 种宽高比 · 3–15 秒 · 具有音频功能 |
| LTX 2.3 | 文本到视频、图像到视频、第一帧和最后一帧、扩展视频 | 提示、图像、视频、结束帧 | 1080p、1440p、2160p · 2–20 秒 · 具有音频功能 |
| MiniMax H3 | 文本转视频、图像转视频、视频参考 | 提示、图像、视频+3 | 480P、768P、2K、4K · 5–15 秒 · 具有音频功能 |
| MiniMax H3 Max | 文本转视频、图像转视频、视频参考 | 提示、图像、视频+3 | 480P、768P · 5–15 秒 · 具有音频功能 |
| MiniMax H3 Max Turbo | 文字转视频、图像转视频 | 提示、图像、结束帧 | 480P、768P · 5–15 秒 · 具有音频功能 |
| PixVerse V6 | 文本到视频、图像到视频、第一帧和最后一帧、扩展视频 | 提示、图像、视频、结束帧 | 360p、540p、720p、1080p · 1–15 秒 · 具有音频功能 |
| Seedance 2.0 | 文本转视频、图像转视频、视频参考 | 提示·最多 9 个参考 | 480p、720p、1080p、4k · 4–15 秒 · 具有音频功能 |
| Seedance 2.0 Fast | 文本转视频、图像转视频、视频参考 | 提示·最多 9 个参考 | 480p、720p · 4–15 秒 · 具有音频功能 |
| Sora 2 | 文本转视频、图像转视频、编辑 | 提示 | 4-20秒 |
| Veo 3.1 | 文本到视频、图像到视频、视频参考、扩展视频、第一帧和最后一帧 | 提示·最多 3 个参考 | 720p、1080p、4k · 4–8s · 具有音频功能 |
| Vidu Q3 | 文本到视频、图像到视频、第一帧和最后一帧、视频参考 | 提示、图像、最多 4 个参考、结束帧 | 360p、540p、720p、1080p · 1–16s · 具有音频功能 |
| Wan 2.7 | 文本到视频、图像到视频、第一帧和最后一帧、扩展视频、视频参考、编辑 | 提示、图像、视频+3 | 720p、1080p · 2–15 秒 · 具有音频功能 |
音频型号4 当前目录中的型号查看隐藏
比较语音和声音生成模式、可接受的源类型、格式、持续时间和语音选项。
| 型号 | 模式 | 输入 | 输出控制 |
|---|---|---|---|
| ElevenLabs Turbo v2.5 | 演讲 | 提示 | MP3·8种声音 |
| ElevenLabs v3 | 演讲 | 提示 | MP3·8种声音 |
| Seed Audio 1.0 | 语音、对话、声音场景、音乐、音效 | 提示、图像、音频、最多 3 个参考 | 长达 120 秒 · WAV、MP3、PCM、OGG_OPUS |
| Seed Speech TTS 2.0 | 演讲 | 提示 | MP3、OPUS · 10 种声音 |