圖生影片技術地圖：2026 年 I2V 的架構、模型與真實價格

TL;DR 圖生影片（I2V）在 2026 年的骨幹清一色是 latent diffusion + DiT，畫質已經不是選型軸；真正的軸是原生音訊、能不能自架、每秒多少錢。三個容易踩的坑：Sora 的 app 已在 4/26 關閉、API 9/24 關；Wan 2.7 被大量文章稱為 Apache 2.0 開源但一手來源查無權重；Veo 3.1 官方價是 $0.40/s 而非二手網站流傳的 $0.75/s。

#image-to-video #video-generation #video-diffusion #diffusion-transformer #open-weights #veo #cosmos

一、I2V 難在哪：不是畫質，是約束
二、管線長什麼樣：VAE 壓縮、DiT 去噪、超分收尾
三、可控性全在條件注入這一層
四、省算力才是主軸：step distillation 與移除 CFG
五、模型現況，以及 Sora 的停運
六、開源這條線：Wan 2.7 一個廣為流傳的錯誤
七、價格：Veo、Runway、Kling 的官方數字
八、限制：長片還是接出來的
整體來說
參考資料

🌏 English version

給一張圖、一句話，生出一段會動的影片——這件事在 2026 年已經不稀奇，但選型比兩年前更難，因為「畫質」不再是有效的區分軸。從 Artificial Analysis 的 Image-to-Video 榜（2026-07-27 快照）看，前七名的 Elo 從 1200 到 1088，中間擠了七個模型，肉眼幾乎分不出高下。真正會影響決策的是別的東西：要不要原生音訊、能不能自架、控制面板夠不夠細、以及每秒實際多少錢。

這篇把 I2V 的技術管線拆開講，然後用官方 pricing page 而非評測站的數字談成本。查證過程中修正了三個在二手文章裡流傳很廣的錯誤，會在對應段落標出來。

一、I2V 難在哪：不是畫質，是約束

2026 年 5 月的 Image-to-Video Diffusion: From Foundations to Open Frontiers（arXiv:2605.17248）是目前唯一一份把 I2V 當獨立主題處理的 survey，它開宗明義點出 I2V 跟文生影片（T2V）的差別：

Compared with broader video generation settings, this task places stricter demands on content consistency, identity preservation, and motion coherence.

拆開來講，T2V 只要「好看且合理」，I2V 還多背三個約束：內容一致性（不能長出參考圖裡沒有的東西）、身分保持（人臉不能漂掉）、動作連貫（不能幀間跳動）。這也是為什麼實務上 I2V 反而比 T2V 好用——參考圖把輸出空間鎖住了，結果更可預測。

該 survey 把整個領域壓成四個設計軸：條件編碼（condition encoding）、時間建模（temporal modeling）、noise prior 設計、時空升採樣（spatial-temporal upsampling）。所有模型的差異基本上都落在這四條線上。

二、管線長什麼樣：VAE 壓縮、DiT 去噪、超分收尾

參考圖 ──┐
提示詞 ──┼─→ 條件編碼 ──┐
         │              ↓
     3D causal VAE ─→ latent ─→ DiT 去噪 ─→ latent' ─→ VAE 解碼 ─→ 480p/720p
      (壓縮 16×/4×)                                                   ↓
                                                          獨立超分網路 ─→ 1080p

三個關鍵設計決定：

1. 在 latent space 擴散，不在 pixel space。 HunyuanVideo 1.5 技術報告（arXiv:2511.18870）的規格很具體：一個 8.3B 參數的 DiT，配上空間壓 16×、時間壓 4×、latent channel 32 的 3D causal VAE。不壓縮的話 token 數直接爆炸，訓練與推論都不可行。

2. U-Net 讓位給 DiT。 早期做法是把文生圖的 2D U-Net 插入 1D 時間層（本質是 pseudo-3D），好處是能免費繼承成熟的 T2I backbone。DiT 則把影片切成 spacetime patch 當 token 丟進 Transformer，換來的是可擴展性。survey 明確記錄了這條從 U-Net 到 DiT 的遷移，而現在幾乎所有量產模型都在 DiT 這邊。

3. Cascade 而非一次到位。 HunyuanVideo 1.5 是兩階段：DiT 先出 480p–720p、5 到 10 秒，再交給獨立的 video super-resolution 網路拉到 1080p。這把「動作生得對不對」和「畫面清不清楚」解耦——動作錯了重生很貴，清晰度不夠則可以便宜地補救。

三、可控性全在條件注入這一層

I2V 好不好用，幾乎完全由條件注入的設計決定。survey 歸納出四種型態，控制力遞增：

型態	代表	能做什麼
Image-only	SVD	讓圖動起來，但模型猜不到你想要什麼動作
Image + Text	DynamiCrafter 起，現在主流	用文字說明想要的動態語意
Image + Motion	軌跡 / camera path / motion field	指定鏡頭怎麼走、主體往哪動
多參考圖 / 首尾幀	Seedance、Kling O3 等	鎖角色、鎖起訖畫面、跨鏡頭一致

如果你的需求是「商品照要有指定的推鏡」，那第三、四類才是該找的東西，光看榜單 Elo 沒有意義。

四、省算力才是主軸：step distillation 與移除 CFG

這一年最值得注意的技術動向不在畫質，在推論成本。三條線同時在推：

Step distillation。 NVIDIA 在 7 月 20 日開源的 Cosmos3-Super-Image2Video-4Step，官方說明寫得很直白：

They cut sampling from 50 denoising steps to just 4, and remove the need for classifier-free guidance — which otherwise doubles the work per step — for up to 25× faster inference than the base model, with little to no loss in generation quality.

注意這裡是兩件事疊加：步數砍掉，加上移除 classifier-free guidance（CFG 本來每步要算兩次前向傳播）。更有意思的是結果——NVIDIA 表示蒸餾版在 Artificial Analysis 的 I2V 榜上是開源權重第一名，排在它自己的 teacher 前面。25× 這個數字來自 NVIDIA 自述，目前沒有第三方複現，讀的時候打點折扣。

Sparse attention。 HunyuanVideo 1.5 的 SSTA（Selective and Sliding Tile Attention）剪掉冗餘的時空 kv block，官方報告在 10 秒 720p 合成上相對 FlashAttention-3 有 1.87× 的端到端加速。這是針對 DiT 注意力成本隨 token 數平方成長的直接對策。

Autoregressive 這條支線還沒起來。 理論上逐塊生成的 AR 模型延伸長片更便宜、長程連貫性更好，但誤差會沿序列累積、每 clip 推論更慢。到目前為止它沒有在量產取代 DiT，多半只是掛在 DiT 模型上的延伸功能。

五、模型現況，以及 Sora 的停運

Artificial Analysis I2V 榜的 2026-07-27 快照（Elo，盲測偏好）：

排名	模型	開發者	Elo
1	Gemini Omni Flash	Google	1200
2	Dreamina Seedance 2.0 720p	ByteDance Seed	1199
3	grok-imagine-video-1.5-preview	xAI	1118
4	HappyHorse-1.1	Alibaba-ATH	1110
5	Wan 2.7	Alibaba	1100
7	Veo 3.1	Google	1088
11	Kling 3.0 1080p (Pro)	快手	1075

榜單本身要保留：這是盲測偏好的 Elo，跟「你這個 case 好不好用」不是同一件事，而且月月變動。前兩名差 1 分，實務上等於同分。

Sora 已經收了。 這是規劃時最容易漏的一條，OpenAI 官方說明頁寫得很清楚：

The Sora web and app experiences were discontinued on April 26, 2026. The Sora API will be discontinued on September 24, 2026.

也就是說，如果你的架構裡還有 Sora，剩下不到兩個月可以遷移。這件事也是單一供應商風險的現成教材。

六、開源這條線：Wan 2.7 一個廣為流傳的錯誤

先講結論：Wan 2.7 沒有開源權重，是 API-only。

網路上大量文章（包括我第一輪搜尋撈到的多篇）把 Wan 2.7 描述成 Apache 2.0 開源、可下載自架。查一手來源就會發現對不上：Wan-Video 的 GitHub organization 目前只有 5 個 repo，最新的影片模型是 Wan2.2；Hugging Face 上的 Wan-AI 組織，權重同樣只到 Wan2.2 系列。Runpod 的說明講得最直接：

You may see third-party posts claiming an Apache 2.0 release for Wan 2.7; that isn't supported by Alibaba's announcement or by anything on Hugging Face.

從 Wan 2.5 開始，Alibaba 就把新世代留在 API 後面，2.2 是最後一代有可下載權重的。所以榜上那個 Wan 2.7 是雲端 API 模型，不要拿它當自架方案規劃。

那目前真正能自架的 I2V 是什麼：

模型	規格	授權
Cosmos3-Super-Image2Video-4Step	720p、189 frames @ 24fps（約 8 秒）、4 步取樣	OpenMDW 1.1，可商用
HunyuanVideo 1.5	8.3B DiT，480p–720p 再超分到 1080p，主打消費級 GPU 可跑	Tencent Hunyuan Community
LTX-2.3	22B distilled 檢查點，音訊影片同步生成，文字編碼器用 gemma-3-12b	自訂 LTX license（不是 Apache 2.0，v1 的 LTX-Video 才是）
Wan 2.2	I2V-A14B / TI2V-5B，480p 與 720p	Apache 2.0

Cosmos 3 的定位要特別注意：NVIDIA 把它做成 physical AI 的 world foundation model，目標是機器人、自駕、工業模擬的合成訓練資料，不是拍片工具。拿它做創意內容會覺得手感怪，那是因為它本來就不是為此而生。

七、價格：Veo、Runway、Kling 的官方數字

這是這次查證收穫最大的一段。二手評測站給 Veo 3.1 的價格從 $0.03/s 到 $0.75/s 都有，落差 25 倍。Google 官方 Gemini API pricing 的實際數字是：

模型	720p	1080p	4K
Veo 3.1 Standard（含音訊）	$0.40/s	$0.40/s	$0.60/s
Veo 3.1 Fast	$0.10/s	$0.12/s	$0.30/s
Veo 3.1 Lite	$0.05/s	$0.08/s	不支援

Runway 的官方 API 定價以 credit 計，1 credit = $0.01：gen4.5 是 12 credits/s（$0.12/s）、gen4_turbo 5 credits/s（$0.05/s）、gemini_omni_flash 圖生影片 10 credits/s 再加首幀圖 1 credit。有個好用的交叉驗證：Runway 上的 veo3.1 (audio) 是 40 credits/s = $0.40/s，跟 Google 直連同價，兩邊互相印證。

Kling 的官方 API 文件在登入牆後面，但 2026-02-06 的 VIDEO 3.0 User Guide 費率被多個來源一致引用：無音訊 6 credits/s（720p）、8 credits/s（1080p）；含原生音訊 9 / 12 credits/s；voice control 再加 2 credits/s。換算美金要看預付包，單價落在 $0.10–$0.14 per unit，所以 720p 無音訊大約 $0.06–$0.084/s。

一個常被忽略的細節：Kling 的 API 失敗任務不扣 credit，消費端 app 則會扣。做大量迭代時這個差異不小。

八、限制：長片還是接出來的

Veo 3.1 是這批裡唯一一次生成就給同步音訊的，其餘都要另外接 TTS 或音效，多一段延遲跟成本——這在算總成本時常被漏掉。

更根本的限制是時間長度。整個 DiT 家族共享同一組 failure mode：注意力成本隨 token 數平方成長讓長片指數級變貴，而長程時間連貫性本來就弱。這不是工程細節，是還沒解決的研究問題——ICML 2026 直接開了一整場 workshop（From Frames to Stories）談這件事，它的問題陳述值得原文引用：

Across minutes of generation, current systems often suffer from identity drift, scene inconsistency, narrative breakdown, and weak responsiveness to user intent.

實務上的意思是：多數模型單次穩定生成 5 到 10 秒，超過就開始漂。長片請當成多個 shot 接起來的工程問題，不要指望一次生成。

整體來說

選型順序建議倒過來想，先問自己四個問題：

需要原生音訊嗎？ 需要就是 Veo 3.1，因為只有它一次生成。不需要就別付這個溢價。
資料能不能出門？量大不大？ 要自架就從 HunyuanVideo 1.5 或 LTX-2.3 開始；Wan 系列請認 2.2，不要被 2.7 的開源傳言誤導。
需要多細的控制？ 要指定鏡頭運動、鎖角色、跨鏡頭一致，就去看多參考圖與 motion 條件的支援，不是看榜。Runway 的控制面板仍是這批裡最好的，即使它的 Elo 已經被超車。
成本結構是什麼？ 按每秒算，Veo 3.1 Lite（$0.05/s）到 Standard（$0.40/s）差 8 倍，先確認你的通路真的需要那個畫質層級。

最後提醒一句：這個領域的資訊半衰期很短，而且二手內容的錯誤率高得驚人。這篇裡的 Wan 2.7 授權和 Veo 價格，都是廣為流傳但錯誤的說法。要下採購決定前，回官方 pricing page 和官方 repo 各看一眼，成本很低，省下的麻煩很大。

參考資料

論文與技術報告

模型與 repo

官方定價與公告

站內相關文章