目 录
一、两种能力，两条成本曲线 为什么要把文生图和图生视频放在一起看
二、文生图：国内外主力阵营 分辨率、出图数、编辑能力
三、图生视频：国内外主力阵营 时长、帧率、有没有声音
四、效果怎么比才公平 把「好看」拆成可核实的维度
五、价格对比 先统一计价单位，再比数字
六、实际案例：一个镜头走完全链路 从提示词到 5 秒成片
七、选型建议 按场景、按预算、按团队
关于 LinkTokenView 一个密钥，接入你所有的大模型
附、数据来源与说明 哪些核实了，哪些没有
阅读提示：本文分两类内容------「规格与能力」来自厂商官方文档，可以逐条核对；「价格」因为各家定价与活动变动频繁，本文只写计价单位差异与官方自己给出的档位关系，绝对单价请以各官网实时报价为准。
一 两种能力，两条成本曲线
文生图和图生视频经常被放在一起讲，但它们的成本结构完全不同。文生图是按「张」卖的：出一张就是一张的钱，想多要几张就乘以几。图生视频是按「秒」卖的，而且还要乘上分辨率档位：同样 5 秒，1080P 和 480P 不是一回事。
把这两件事分开算，再合起来算一次，是这份文档的基本方法。因为在真实项目里，你几乎总是先出图、再让图动起来，两笔钱是连着花出去的。一条 15 秒的品牌短片，可能是 4 张候选图加 3 段视频拼起来的，成本要按整条链路算，而不是按单次调用算。
▪ 文生图看的是候选率。 按张计价，成本随「候选数量」线性增长。做设计的人都知道，真正花时间的是挑选和改稿，所以 4 张候选往往比 1 张更划算。
▪ 图生视频看的是成片率。 按秒计价，成本随「时长 × 分辨率」增长，而且失败的片段（比如人物手部畸变、镜头穿模）也要付钱。
▪ 两者是串联关系。 图片决定「像不像」，视频决定「动不动得对」。图没选好，视频再贵也救不回来。
二 文生图：国内外主力阵营
2026 年的文生图格局已经很清楚了：第一梯队是少数几家闭源旗舰，第二梯队是能力接近但便宜得多的「平衡款」，第三梯队是只求快和便宜的量产款。国内外厂商在这三个档位上基本是一一对应的。
图 1 国内外文生图与图生视频的主力模型分布
2.1 国内：三个系列覆盖三个档位
国内最强的一档是千问图像 3.0 与万相 2.7 的旗舰版。按官方文档，qwen-image-3.0-pro 支持文生图与编辑，单次最多 6 张，分辨率上限 2048×2048，主打中英文文本渲染与贴合物理材质的表现；wan2.7-image-pro 则把文生图的上限拉到 4096×4096，并支持多图参考（最多 9 张）、品牌色调色盘与角色一致性。
中间档是 qwen-image-3.0 与 wan2.7-image，能力对齐旗舰但速度更快、分辨率收到 2K。最下面一档是 z-image-turbo，只做纯文生图、不支持编辑、单次出一张，官方给的说法是「生成速度快 10 倍，价格约为 1/5」。这句话很关键，因为它是官方自己给出的、可以引用的成本倍数关系。
图 2 文生图的分辨率上限与出图能力对比
2.2 国外：旗舰更卷，但档位结构一样
国外的第一梯队是 Nano Banana 系列（Google）与 GPT Image 系列（OpenAI），以及 Midjourney v7、FLUX.2 / FLUX 3、Imagen 4 Ultra 这些专门做图像的玩家。阿里云在自己的官方迁移对照表里，把 Nano Banana Pro、GPT Image、Seedream 4.0 列为「高质量档」，把 Imagen 4 Ultra 与 Midjourney v7 列为「平衡档」，把 FLUX.2 列为「快速低成本档」------这个分档本身就说明，国内外的产品结构是对齐的。
表 1 文生图的关键能力维度
|----------|--------------------------------------|--------------------|
| 能力维度 | 旗舰档（国内 / 国外） | 对实际项目意味着什么 |
| 分辨率上限 | 4K（wan2.7-image-pro）/ 各家不同 | 决定能不能直接做印刷或大屏 |
| 单次出图数 | 6 张（qwen-image-3.0）/ 组图 12 张（wan2.7） | 决定挑选空间，也决定单次成本 |
| 是否可编辑 | 多数旗舰支持；z-image-turbo 不支持 | 不支持编辑就得重新生成，隐性成本更高 |
| 多图参考 | 最多 9 张（wan2.7-image-pro） | 做角色一致性、品牌视觉统一的关键 |
| 文本渲染 | 官方明确：长文本仍易错字漏字 | 图上的字最好后期加，别指望模型写对 |
三 图生视频：国内外主力阵营
视频这边的分化比图片更明显，分水岭只有两条：能不能出声、能跑多长。按官方文档，wan3.0-video 支持 1080P、2 到 30 秒、30fps，而且是「有声视频」，还带声音开关、智能时长、自适应长宽比；happyhorse-1.1-i2v 支持 1080P、3 到 15 秒、24fps，同样有声。再往下的老款模型，基本就是 720P、5 秒、无音频。
图 3 图生视频的时长上限与声音能力对比
3.1 关键差异：不只是长短
▪ 有声与无声。 wan3.0-video 与 happyhorse-1.1 系列都标注为有声视频，意味着环境音与音效能跟画面一起出来。老款 wan2.1 系列明确「无音频」，后期必须自己配音效。
▪ 首帧、首尾帧、参考。 首帧生视频是最常见的用法。wan2.7-i2v 还支持首尾帧、视频续写、音频驱动；wan2.2-animate-move / mix 则能做动作迁移和视频换人。
▪ 想突破 30 秒怎么办。 官方推荐的做法是：把上一段的末帧当作下一段的首帧，一段段串起来，就能突破单次时长上限。这是目前做长视频最稳的路径。
表 2 图生视频主力模型的规格对比
|---------------------|---------------|--------|----------|--------|-----------------|
| 模型 | 分辨率 | 时长 | 帧率 | 有声 | 特色 |
| wan3.0-video | 480/720/1080P | 2-30 秒 | 30fps | 是 | 全能参考、智能时长、自适应比例 |
| happyhorse-1.1-i2v | 480/720/1080P | 3-15 秒 | 24fps | 是 | 首帧生视频 |
| wan2.7-i2v | 720/1080P | 2-15 秒 | 30fps | 是 | 首帧/首尾帧/续写/音频驱动 |
| wan2.2-animate-move | 720P | 2-30 秒 | 15/25fps | 否 | 动作迁移，std/pro 两档 |
| wan2.1-i2v-plus | 720P | 5 秒 | 30fps | 否 | 老款，建议升级 |
3.2 国外阵营
国外这一侧的代表是 Sora 2（OpenAI）、Veo 3.1（Google）与 Runway Gen-4。阿里云的迁移对照表把它们与 Kling 3.0 并列为「文生视频、图生视频」的参考对象，把 Seedance 2.0 与 Runway Gen-4 列为「参考生视频」的参考对象。也就是说，在国际厂商的视角里，国内的可灵、即梦已经是对标对象而不是追随者。
四 效果怎么比才公平
「哪个效果更好」是最容易变成主观争论的问题。我的处理办法是：不评判审美，只比可核实的东西；审美部分引用第三方盲测榜单，但不编造分数。
4.1 生图效果：拆成四个可核实的维度
表 3 生图效果的四个可核实维度
|--------|------------------|----------------------|
| 维度 | 怎么看 | 为什么重要 |
| 分辨率上限 | 官方文档的像素上限 | 决定能不能直接用于印刷、大屏、4K 视频 |
| 画面内文字 | 官方自己的说明：长文本易错字漏字 | 海报、包装、UI 稿的硬需求，最考验模型 |
| 角色一致性 | 是否支持多图参考（最多几张） | 做系列物料、IP 形象时必须 |
| 可控性 | 是否支持调色盘、种子、反向提示词 | 能不能稳定复用同一套视觉风格 |
需要说清楚一点：官方文档自己也承认，画面内长文本「难以逐字精准还原，易出现错字、漏字或形近字替代」，并建议缩短画面内文字或后期编辑。这条限制对所有模型基本都成立，不是某一家的问题，所以做海报时把关键文字放到后期加，是更省钱的工程做法。
4.2 生视频效果：拆成五个维度
表 4 生视频效果的五个可核实维度
|--------|------------------------|---------------------|
| 维度 | 怎么衡量 | 现状 |
| 时长 | 单次生成秒数上限 | 国产旗舰已到 30 秒，主流 15 秒 |
| 分辨率 | 480P / 720P / 1080P 分档 | 1080P 已是主流档 |
| 音画同步 | 是否原生有声、能否音频驱动 | 新一代普遍支持 |
| 运动稳定性 | 人物肢体、镜头运动的合理性 | 仍需人工筛选，废片率是主要成本 |
| 可控性 | 首帧/首尾帧/参考图/动作迁移 | 首尾帧是长视频的关键 |
关于「谁的效果最好」这类排名，第三方盲测榜单（例如 Artificial Analysis 的Image Arena 与 Video Arena）是相对可靠的参考，它用大量盲选投票算 Elo。但榜单分数会随模型版本快速变动，本文抓取时该站点由前端渲染、未能取到可引用的具体分值，因此不在此处给出数字。建议在真正选型时直接去看当日榜单，再做小样本实测。
五 价格对比
价格这一节要格外小心。原因有两个：一是各家都在做活动，挂牌价和实付价经常不一样；二是计费单位不统一，「每张多少钱」和「每秒多少钱」根本没法直接相乘比较。所以这一节先统一计价单位，再给官方自己给出的档位关系。
图 4 文生图按张、图生视频按秒，两套计价体系不能直接换算
5.1 计价单位是第一个坑
官方文档写得很明确：文生图的费用等于「单价乘以成功生成的图片张数」，也就是说，你把 n 设成 4，就是 4 张的钱。视频则按时长计，并且分辨率越高单价越高，480P、720P、1080P 通常分属不同价格档。如果要横向比价，必须先把自己项目的用量折算成同一种单位------比如「一条 15 秒 1080P 成片」折成「多少张图加多少秒视频」。
5.2 官方给出的三档关系
阿里云的官方迁移对照表本身就是一份价格档位说明：它把能力分成高质量、平衡、快速低成本三档，并给出对应的国产模型。再结合官方对 z-image-turbo 的表述------「生成速度快 10 倍，价格约为 1/5」------可以拿到两个可以引用的相对倍数：快速档约为旗舰档的五分之一价格。
图 5 官方自己给出的三档划分与相对成本
5.3 一个能直接套用的成本公式
比起记一堆单价，更实用的是把成本拆成可调参数。建议用这个式子：单条成片成本 ＝ 图单价 × 张数 × 尝试次数 ＋ 视频单价_秒 × 秒数 × 分辨率系数 × 尝试次数 ＋ 失败重试成本 ＋ 后期人工。
这里面最容易被忽略的是「尝试次数」。同一条提示词，旗舰模型可能一次就成，便宜模型要试三次。当尝试次数是 1 比 3 时，单价便宜一半反而更贵。所以比价的正确做法是：拿你自己的 5 条真实需求，在候选模型上各跑一轮，统计一次成型率，再乘单价。
▪ 批量调用能省一半。 官方支持批量调用，输入输出单价按实时推理价格的 50% 计费（以文本模型口径为例），图像侧也有类似的分层优惠。量大时这是最直接的成本杠杆。
▪ 分辨率降一档常常省一半。 文生图能出 4K、视频只要 1080P，就先在 2K 档出图、选定后再放大，不要一上来就顶格跑。
▪ 别为存储疏忽重复付费。 图片 URL 有效期 24 小时（官方说明），生产环境必须立刻转存到自己的存储，否则重新生成就是重复付费。
六 实际案例：一个镜头走完全链路
下面这个例子是真实可复现的：给 LinkTokenView 的品牌短片做一个 5 秒镜头------画面里是一个悬浮的发光球体，周围环绕细小的方块，背景是深色渐变。整条链路只用官方文档里写明的参数。
图 6 一个镜头的完整链路与三条成本路线
6.1 第一步：文生图
用的提示词大意是：深色背景，中央一个青绿色发光球体，外圈有三条细环，均匀环绕六个小方块，霓虹质感，电影感打光，左侧留出暗部用于放文字。参数上选 16:9，也就是官方推荐的 2688×1536（2K 档），一次出 4 张候选。
这里有个实用细节：官方默认开启提示词智能改写（prompt_extend），会给短提示词自动加细节，代价是多 3 到 5 秒。如果你的提示词已经写得很细，建议显式关掉，既省时间也避免画蛇添足。
6.2 第二步：图生视频
从 4 张里挑 1 张作为首帧，交给图生视频模型，参数是 1080P、5 秒、30fps、开启有声。如果这一版镜头感不够，官方推荐的办法是把这段的末帧取出来，当作下一段的首帧继续生成，而不是重新抽卡。
6.3 第三步：三条路线的成本对比
表 5 同一镜头的三条成本路线
|--------|-----------------------|--------------|----------|--------------|
| 路线 | 文生图 | 图生视频 | 相对成本 | 适合场景 |
| 旗舰 | 1 张 2K 旗舰档 | 5 秒 1080P 有声 | 1.00 | 品牌主视觉、需要一次成型 |
| 平衡 | 1 张 2K 中档 | 5 秒 720P | 约 0.45 | 日常内容、可接受一轮筛选 |
| 快速 | 1 张 2K（z-image-turbo） | 5 秒 480P | 约 0.20 | 批量铺量、社媒素材 |
表里的相对成本是按官方档位关系折算的，用来比较结构，不是报价。把当日真实单价代入「5.3 的公式」，五分钟就能算出这个镜头的绝对成本。按经验，一个 5 秒镜头的纯生成成本通常远低于一次人工修改的时间成本，所以真正的决策点不是单价，而是「要不要为了省这点钱去接受更高的废片率」。
七 选型建议
把上面所有信息压缩成几句可以直接用的话。
▪ 做品牌物料：旗舰图 + 中档视频。 先用旗舰档出 4 张，选定后如果需要放大再提分辨率。图片是一次性成本，值得多花。
▪ 做社媒铺量：全程快速档。 图片用快速档（z-image-turbo），视频用 720P，用数量换筛选空间，靠人工挑出可用的。
▪ 做长视频：把链路拆开。 选支持首尾帧续写的模型，用「末帧接首帧」的方式串成长片，不要指望单次生成就够长。
▪ 要选型：先跑小样本。 接多个模型，用同一组提示词横评一次成型率，再按「单价 × 尝试次数」排序，而不是按单价排序。
上面这些模型，不需要分别注册、分别充值、分别对接。LinkTokenView 是 AI 一站式服务平台：一个密钥，接入你所有的大模型。文生图与图生视频在同一套接口下切换，价格与用量在一处看清，团队不必为了比价而在五个后台之间来回登录。
附 数据来源与说明
1 阿里云百炼官方文档《图片生成与编辑》。用于：qwen-image-3.0 / 3.0-pro、wan2.7-image-pro / wan2.7-image、z-image-turbo 的分辨率、出图数、编辑能力、多图参考、组图、调色盘、思考模式；以及官方「从闭源模型迁移」三档对照表。
2 阿里云百炼官方文档《视频生成与编辑》。用于：wan3.0-video / -prime、happyhorse-1.1-t2v / i2v / r2v、wan2.7-t2v / i2v、wan2.2-animate 系列的分辨率、时长、帧率、有声与参考能力；首尾帧串联做长视频的做法；以及官方「从闭源模型迁移」中 Sora 2、Veo 3.1、Kling 3.0、Seedance 2.0、Runway Gen-4 的对照关系。
3 阿里云百炼官方文档《文本生成图像》。用于：计费口径「费用 = 单价 × 成功生成的图片张数」、prompt_extend 默认开启且额外耗时 3-5 秒、分辨率范围与推荐尺寸表、画面内长文本难以逐字精准还原的官方说明、图片 URL 24 小时有效期、水印默认关闭且文案为「AI生成」。
4 阿里云百炼官方文档《图片生成与编辑》中的选型说明。用于：z-image-turbo 「生成速度快 10 倍，价格约为 1/5」这一相对价格表述。
5 Artificial Analysis 图像模型页。用于：当前在榜的模型名称范围（Nano Banana 系列、GPT Image 系列、FLUX 系列、Ideogram 等）。该站榜单分值为前端渲染，本次未能取到可引用的具体数值，故正文未给分数。
6 关于价格的说明：各厂商定价页多为前端渲染或超出单次抓取长度，本文未能核实到可引用的绝对单价。因此正文只呈现计价单位差异、官方自己公布的三档划分与倍数关系，以及可套用的成本公式。任何具体报价请以对应厂商官网的实时价格页为准。
7 关于效果的说明：本文把「效果」拆成分辨率、时长、帧率、音画同步、可控性等可核实维度进行对比，未对审美作主观评分，也未编造榜单分数。选型时建议在当日榜单之外，用自己真实需求做小样本实测。