原生同步音訊
音訊與影片在同一次生成中完成,聲音跟著畫面發生,不是單純疊在上面。環境音、音效與人聲,都由提示詞指揮。想自己配樂,切換一個開關就能關閉音訊。
Flux 3 Video 提示詞指南
Flux 3 Video 提示詞指南,帶你掌握 Black Forest Labs 的影片模型,生成畫面的同時,也把聲音一起完成。從提示詞、單張圖片、兩張圖片,或現有影片片段開始都行。最長 20 秒,支援六種長寬比,包含 21:9 超寬幅,以及 720p 或 1080p 解析度。
多數影片模型只給你無聲片段,聲音得自己補。Flux 3 Video 在同一次生成中完成畫面與音訊,讓聲音精準對上畫面。每一步都有腳步聲,門關上的瞬間就響起關門聲,空間底噪則鋪滿整個鏡頭。你用提示詞主導聲音,不必等畫面完成後再加。
三種起手方式,全在同一頁。輸入提示詞,就能用文字生成影片;附上起始影格,就能用圖片生成影片,也能加上結束影格,讓模型補出通往終點的動態。改附影片片段,模型就會接續或改造原片。片長為 5 至 20 秒,可選 720p,每秒 5 點數,或 1080p,每秒 9 點數。影片延長每次上限為 15 秒,費率也較高。
20s
最長片長
6
長寬比
音訊
與畫面同步生成
音訊與影片在同一次生成中完成,聲音跟著畫面發生,不是單純疊在上面。環境音、音效與人聲,都由提示詞指揮。想自己配樂,切換一個開關就能關閉音訊。
圖片與影片欄位留空,提示詞就會直接生成影片。附上起始影格,就讓那張畫面動起來;附上影片片段,模型就會接著往下生成。同一頁、同一個提示詞輸入框,沒有模式選單,也不怕選錯。
提供起始影格與結束影格,模型就會生成銜接兩者的動態。適合精準控制揭曉過程、在兩張算圖之間做匹配剪接,或打造起點與終點都必須準確到位的變形效果。
單支片段可生成 5 至 20 秒,足夠安排完整的節奏、拍完一支產品短廣告,或讓氛圍鏡頭慢慢展開。影片延長每次最多 15 秒,之後還能接續延長。
21:9 適合變形寬銀幕風格與片頭,16:9 適合標準橫式影片,4:3 與 3:4 呈現經典比例,1:1 適合社群方形內容,9:16 則用於直式影片。影片模型少見的超寬幅選項,這裡原生支援,不靠裁切。
先用 720p 試作,再以 1080p 完稿。高解析度能保留細緻紋理,對氛圍影像、產品材質與畫面中的微小細節尤其重要。人物與動作鏡頭,720p 通常就能撐住畫面。
每個範例都附上生成該成果的完整提示詞,一鍵就能複製。
21:9 超寬幅 · 開啟音訊
Ultra-wide cinematic drone shot sweeping across a vast desert canyon at golden hour, anamorphic look, dust catching the light, deep engine-less silence broken by wind
用一個流暢的大範圍運鏡帶過開闊主體,正是 21:9 的強項。留意提示詞最後的聲音指令:先寫出寂靜,再指定唯一能打破寂靜的聲音,比只要求風聲更能得到乾淨的聲音底層。
16:9 · 開啟音訊
Close-up of an elderly fisherman's weathered face as he looks out to sea at dawn, gentle camera drift, seagulls calling in the distance
特寫需要輕柔運鏡,也需要一張有特徵的臉。「飽經風霜」與「年邁漁夫」比一整段描述更有力;遠處的海鷗叫聲則交代了場景,不必在畫面裡多放任何東西。
16:9 · 開啟音訊
Anime-style schoolgirl running along a cherry-blossom lined river path, petals swirling in the wind, vibrant spring colors, upbeat mood
風格提示詞也需要動作動詞。「奔跑」加上「花瓣盤旋」,讓模型同時處理兩層動態,這正是動畫鏡頭與靜態插畫平移鏡頭的差別。
1:1 方形 · 開啟音訊
Square product spot of a luxury wristwatch rotating on a black pedestal, dramatic rim lighting sweep, dust particles in the beam, deep ambient tone
當整個鏡頭都在拍產品,就讓主體動,別讓攝影機動。旋轉展示台搭配掃過表面的燈光,帶出物件的各個角度;光束裡的微塵,則讓光線清楚可見。
16:9 · 開啟音訊
Northern lights dancing over a snow-covered pine forest, stars visible, slow upward tilt, ethereal ambient tones
氛圍鏡頭的關鍵,是一個緩慢運鏡,加上一個自行流動的元素。鏡頭向上仰拍,逐步揭露天空,同時讓極光持續流動,畫面就不會有呆等的空白。
9:16 直式 · 開啟音訊
Vertical shot of a parkour athlete vaulting across rooftop gaps at sunset, dynamic tracking camera, city sprawling below, sneakers scraping concrete
製作 9:16 動作鏡頭時,明確指定跟拍運鏡與一種接觸聲。「運動鞋磨過水泥地」是跟著動作發生的具體聲響,放進混音裡,比泛泛的城市環境音更有表現力。
不管你有沒有描述聲音,Flux 3 Video 都會生成音訊。你不說,它就自己猜。在提示詞末尾點名一到三種具體聲音,就能得到你要的聲音底層。
電影感提示詞常讓配樂不請自來。在提示詞結尾加上「不要音樂」,就能只保留環境音與音效,適合後續剪輯時另有配樂的片段。
選一種就好:緩慢推進、橫向漂移、升降鏡頭上升、90 度環繞,或手持跟拍。同一段提示詞塞進兩種運鏡,容易讓動態混亂。需要第二種運鏡,就另做一支片段,或用影片延長。
提示詞要像舞台指示。「她呼氣,玻璃蒙上霧氣,接著擦出一個清晰的圓」就有戲。「公車上一位沉思的女子」沒有交代任何可動的行為,模型只會給你近乎靜止的畫面。
20 秒片段需要三到四個動作節點,否則節奏就會散;5 秒片段只需要一個。讓動作數量配合片長,別花點數買提示詞根本填不滿的秒數。
720p 每秒 5 點數,適合用來找出你要的鏡頭。動態與音訊都到位後,再用同一段提示詞以 1080p 重新生成,製作正式交付版本。提示詞相同、結構相同,細節更多。
附上起始影格或來源影片後,長寬比就由素材決定。想用圖片生成 21:9 影片,請先把圖片裁成 21:9 再上傳。
製作蒙太奇、打算在後製為所有片段配上同一條音軌時,直接關閉音訊。反正最後都要靜音,就別生成用不到的聲音底層。
1. 場景與主體。開頭先交代看什麼,以及鏡頭有多近。「夜晚,一名女子坐在布滿雨痕的公車窗邊,中近景」,一句就定下取景、主體、場景與時間。開頭越模糊,生成的素材就越平庸。
2. 鏡頭運動。只指定一種運鏡,並寫清楚速度。「鏡頭持續穩定向前推進」、「緩慢環繞 90 度」、「手持跟拍,隨行進起伏」。速度和方向一樣重要;沒指定運鏡的片段,往往就停在原地。
3. 動態與動作動詞。像寫舞台指示一樣,依序列出動作節點。「她呼氣,玻璃蒙上霧氣,接著擦出一個清晰的小圓。」5 秒片段安排一個節點,15 至 20 秒安排三到四個。這一段,才是真正把會動的照片變成鏡頭的關鍵。
4. 聲音指示。模型會生成聲音,就要由你來指揮。在提示詞結尾寫清楚想要的聲音:「遠處海鷗鳴叫」、「運動鞋磨過水泥地」、「沒有引擎聲的深沉寂靜,被風聲打破」。通常一到三個指示就夠,只要環境音時,再加上「不要音樂」。
5. 風格與氛圍。最後交代視覺風格:色調、光線、鏡頭、調色與渲染風格。例如「冷藍色陰影,搭配日出暖光勾邊,變形寬銀幕電影調色」,或「平塗賽璐珞上色、清晰線稿、溫暖琥珀色系」。把風格放最後,才不會搶走動作的重點。
附上起始影格,Flux 3 Video 就會從那張畫面開始生成動態。影格已經定義主體、構圖與整體視覺,因此模型會忽略長寬比設定,直接以圖片決定畫面比例。上傳前,先把圖片裁成你要的比例。圖片生成影片與文字生成影片採相同費率,完整支援 5 至 20 秒片長。
Flux 3 Video 提示詞教學的首要原則:寫動態,不要寫畫面。這是圖生影片最常見的失誤。圖片已經交代場景長什麼樣子,再描述一次主體,只會讓模型偏離原圖。把整段提示詞都用來說清楚:什麼在動、鏡頭怎麼走,以及有哪些聲音。
加入結束影格,模型就會生成兩張靜態圖片之間的轉場。起訖畫面都會保留,讓影片精準收在你指定的結尾圖片。適合用來掌控揭曉效果、銜接兩張算圖的匹配剪接,或製作起點與終點都必須精準的前後變化。結束影格必須搭配起始影格,不能單獨使用。
同時使用起訖影格時,要描述中間怎麼變化,而不是重述兩端的畫面。「鏡頭逐漸拉遠,霧氣散去,光線從藍色轉為琥珀色」,這才是在告訴模型如何抵達終點。重複描述任一張圖片中已經看得到的東西,只是在浪費提示詞。
改為附上影片片段,而不是圖片,任務就會進入影片轉影片模式。模型會接著你的素材往下生成;如果提示詞要求改變風格或場景,就會轉換原片。來源片段決定畫面尺寸,因此這個模式同樣會忽略長寬比設定。
影片延伸每次任務上限為 15 秒,點數費率也較高:720p 每秒 13 點,1080p 每秒 16 點。多花的點數,換來的是能與原片銜接的延續畫面,不必拿全新生成的片段硬剪。想要更長的段落,就把延伸結果再延伸。
提示詞要寫接下來的發展,不要重述前情。「鏡頭持續向前推進,峽谷逐漸展開,露出燈火明亮的山谷」,才能給模型明確方向。描述來源片段已經發生的事,不只浪費提示詞,還可能讓模型重播你剛花點數生成的橋段。
同一次任務不能同時使用影格圖片與來源影片。請選擇一種輸入方式。如果想讓延伸片段的結尾靠近某張指定圖片,先生成延伸片段,再取出最後一格,另外執行一次起訖影格生成。
| 設定 | 數值 | 說明 |
|---|---|---|
| 提示詞 | string (required) | 場景、鏡頭運動、動作節奏、聲音提示、風格。請參考上方的五段式架構。 |
| 起始影格 | image URL (optional) | 切換為圖生影片,費率與文字生影片相同。圖片決定畫面尺寸,因此會忽略長寬比設定。 |
| 結束影格 | image URL (optional) | 必須搭配起始影格。模型會生成兩張靜態圖片之間的轉場。 |
| 來源影片 | video URL (optional) | 切換為影片延伸,點數費率較高,上限 15 秒。不能與影格圖片合用。 |
| 解析度 | 720p · 1080p | 文字與圖片生成每秒 5 或 9 點。影片延伸每秒 13 或 16 點。 |
| 長寬比 | 21:9 · 16:9 · 4:3 · 1:1 · 3:4 · 9:16 | 僅適用於文字生影片。提供起始影格或來源片段時,此設定會被忽略。 |
| 片長 | 5 to 20 seconds | 提供來源影片時,支援 5 至 15 秒。請依片長安排動作節奏的數量。 |
| 生成音訊 | On / Off | 預設開啟。如果片段要放進已有音軌的剪輯專案,請關閉。 |
可以。聲音與畫面會在同一次生成中產生,並配合畫面中的事件,讓音效準確落在動作上,不會錯位。在提示詞結尾寫出想要的聲音,就能引導音訊生成。關閉音訊開關,就會得到無聲片段。
文字生影片與圖生影片支援 5 至 20 秒,是 Flux 系列中最長的。影片延伸每次任務上限為 15 秒。想再加長,就將生成結果再次延伸。
文字生影片與圖生影片在 720p 下每秒 5 點,1080p 下每秒 9 點,所以一支 10 秒的 720p 影片需要 50 點。影片延伸在 720p 下每秒 13 點,1080p 下每秒 16 點,反映銜接既有片段所需的額外處理。
可以,這也是它最強大的功能之一。同時提供兩張圖片,模型就會生成從第一張銜接到第二張的動態,並精準收在指定的結束影格。結束影格必須搭配起始影格使用,兩者都不能與來源影片合用。
因為你附上了起始影格或來源片段。這些模式會依照你提供的素材決定畫面尺寸。上傳前,請先把圖片或影片裁成想要的比例;如果需要指定長寬比,請使用文字生影片。
共 6 種:21:9 超寬螢幕、16:9 橫式、4:3、1:1 正方形、3:4,以及 9:16 直式。21:9 是原生生成,不是裁切而來,這在影片模型中並不常見,很適合寬銀幕變形鏡頭風格與片頭字幕製作。
調整動態與音訊時,先用 720p 試做,再把效果最好的提示詞改用 1080p 重新生成。氛圍鏡頭、產品材質,以及畫面中有細小細節的內容,都值得投入點數升級。快速動作場景通常用 720p 就很夠。
可以。Canvas 提供兩種工具:Flux 3 Video 可將圖片或提示詞生成為動態影片,Flux 3 Video Extend 則用來延伸片段。公開 API 端點為 /api/v1/models/flux-3-video/run,支援 prompt、image、last_frame_image、video、resolution、aspect_ratio、duration 與 generate_audio 欄位。