一张 1024×768 的室内效果图，一句运动提示词，五秒后拿到一段可以发出去的镜头。这是图生视频里最省事的一档，也是我们六月份给渲见（RenVi）做营销素材时走的那条路。
结论先放这里：模型本身没坑，坑在两个参数的默认值上。
我们实际跑出来的东西
| 项目 | 实测值 |
|---|---|
| 模型 | wan2.6-i2v-flash |
| 输入 | 一张效果图，以 data URI 内联 |
| 请求参数 |
resolution: 720P、duration: 5
|
| 输出 | 1108×830、5.007 秒、H.264、约 5.5 MB |
| 附带音轨 | 有，AAC 立体声 44.1 kHz |
| 单条成本 | ¥1.50（本该是 ¥0.75） |
那个 AAC 音轨不是我们要的 —— 是没人告诉模型不要。下面三节就是那三个参数。
首尾两帧放在一起是这样，五秒里只有一次缓慢的推镜：
一、audio 默认是开着的，价格正好翻倍
官方文档在 audio 这一栏写的是：
可选值：true：默认值，输出有声视频。false：输出无声视频。
而价格页同一行模型是这样标的：720P 有声 0.3 元/秒，无声 0.15 元/秒；1080P 有声 0.5 元/秒，无声 0.25 元/秒。
也就是说，不写 audio 就是按有声计费。五秒的有声 720P 是 ¥1.50，无声是 ¥0.75 —— 差的这一块钱，买到的是一段你根本没打算用的 AI 环境音。
我们那批素材就是这么付的：三条片子的文件里都带着音轨，因为当时的脚本 parameters 里只有 resolution 和 duration。复现脚本现在默认 audio: false，要声音得显式写 --audio true。
二、resolution 不是清晰度开关，是像素预算 —— 而且默认 1080P
文档里这句话值得读两遍：
模型根据选择的分辨率档位，自动缩放至相近总像素，视频宽高比将尽量与输入图像 img_url 的宽高比保持一致。
所以选 720P 拿到的不一定是 1280×720。我们的输入是 4:3（1024×768），输出就是 1108×830 —— 91.96 万像素，和 1280×720 的 92.16 万几乎一样。它是「给够这么多像素，形状跟着你的图走」，不是「裁成 16:9」。
更要紧的是同一段文档的另一句：wan2.6-i2v-flash 的 resolution 默认值是 1080P。不写它，就按 1080P 的价钱算，哪怕你的输入图只有 1024 宽、根本喂不出真 1080P 的细节。
三、duration 是 2–15 的整数，不是 5/10 两档
网上关于图生视频的笔记很多写「只有 5 秒和 10 秒」，那说的是 wan2.6-i2v-us。flash 这一档的文档原文是：
取值为[2, 15]之间的整数。默认值为 5。
也就是说 7 秒、9 秒、13 秒都可以，单价按秒线性计费。做产品展示时，比「五秒切下一张」好看得多的用法是一张图 12 秒慢慢推，成本仍然是一秒一秒算的。
接口只有一个模式：异步
这个接口没有同步调用这一回事。请求必须带上 X-DashScope-Async: enable，否则直接报错 —— 原文是「HTTP 请求只支持异步，必须设置为 enable」，缺少这个头会返回 current user api does not support synchronous calls。
拿到 task_id 之后轮询，状态就六种：PENDING、RUNNING、SUCCEEDED、FAILED、CANCELED、UNKNOWN。UNKNOWN 不是「还没好」，是「任务不存在」 —— 任务 ID 只保留 24 小时，结果链接也是：
链接有效期 24 小时，可通过此 URL 下载视频。视频格式为 MP4（H.264 编码）。
所以「提交完先去干别的，回头再下载」这种做法，隔夜就失效了。脚本里轮询完成立刻落盘，不是洁癖，是必须。
复现
脚本在这个仓库里，零依赖，只用 Node 和 DashScope 的接口：
export QWEN_API_KEY=sk-... # 或 DASHSCOPE_API_KEY
node scripts/wan-i2v.mjs \
--image room.jpg \
--prompt "slow cinematic dolly-in through the cozy renovated living room, gentle smooth camera motion, soft warm natural light, photorealistic, stable, no people" \
--resolution 720P --duration 5 \
--log run.json
- 默认
--audio false（省钱那档），要声音加--audio true - 图片直接读本地文件转 data URI，不需要对象存储，也不需要先把图传到公网
- 每 8 秒轮询一次，最多 40 次；超时和
FAILED都会报错退出，不会留下一段空文件 - 跑完把
task_id、轮询次数、实际耗时、文件大小写进run.json
我们那批素材的量测日志在 research/wan-i2v/measured-2026-09-22.json，每条片子都带 sha256，尺寸、时长、音轨、字节数都可以自己复算。
这四个参数的取舍
| 参数 | 默认 | 建议 | 为什么 |
|---|---|---|---|
audio |
true（有声） |
显式写 false
|
无声 720P ¥0.15/秒，有声 ¥0.3/秒，正好一倍 |
resolution |
1080P |
按输入图的实际像素选 | 720P 和 1080P 是 ¥0.15 / ¥0.25 每秒；输入只有 1024 宽时，1080P 是白付的钱 |
duration |
5 |
2–15 的整数，按内容节奏选 | 按秒计费，镜头需要多久就给多久 |
watermark |
false |
保持 false
|
商用素材不该带「AI 生成」角标 |
这条链能做到哪、做不到哪
- 能做：把一张已经满意的静图变成有镜头运动的短视频，用于商品页、社媒、效果图转视频。成本是每条几毛到一块多。
-
不做：长视频、多镜头叙事（那是
shot_type: multi，另一档模型）、把糟糕的图救回来 —— 输入决定上限，模型只负责给它加运动。 - 一个真实的边界：我们这次是拿 AI 生成的效果图当首帧。真实照片同样可以，但房间的结构、透视关系会跟着动，出现金属反射、灯光逻辑错误时，多半要减小运动幅度重跑，而不是加大提示词。
五秒的镜头，成本七毛五。这个价钱意味着可以为每个风格各出一条，而不是精挑细选只做一条 —— 营销素材的供给量，比单条质量更容易做出差别。
证据
- 图生视频接口只支持异步调用：请求必须带 X-DashScope-Async: enable。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
- 缺少异步请求头时接口直接报错，不存在同步等待视频的用法。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
- resolution 决定的是总像素预算，输出宽高比会尽量跟随输入图，而不是固定裁成 16:9。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
- wan2.6-i2v-flash 的 resolution 可选 720P / 1080P，默认值是 1080P（也就是贵的那一档）。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
- wan2.6-i2v-flash 的 duration 取值是 [2, 15] 之间的整数，默认 5 秒，而不是只有 5 秒和 10 秒两档。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
- audio 的默认值是 true，也就是默认输出有声视频；想要无声必须显式写 false。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
- 官方文档写明 audio 直接影响费用，有声与无声按不同价格计费。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
- 结果视频的下载链接只有 24 小时有效期，格式为 MP4（H.264 编码）。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
- 异步任务的状态枚举包含 PENDING、RUNNING、SUCCEEDED、FAILED、CANCELED 和 UNKNOWN，其中 UNKNOWN 表示任务不存在而非尚未完成。 — https://help.aliyun.com/zh/model-studio/image-to-video-api-reference
- 北京地域 wan2.6-i2v-flash 按输出秒数计费：720P 有声 0.3 元/秒、无声 0.15 元/秒；1080P 有声 0.5 元/秒、无声 0.25 元/秒。 — https://help.aliyun.com/zh/model-studio/model-pricing
- 1024×768 的输入图，在 720P 档位下产出的是 1108×830（91.96 万像素，与 1280×720 的 92.16 万相当），印证了「相近总像素 + 跟随输入宽高比」。 — https://raw.githubusercontent.com/wangsheng1991/content-engine/main/research/wan-i2v/measured-2026-09-22.json
- 我们那批片子每条都带 AAC 立体声音轨，因为当时的请求没有传 audio，默认按有声生成（并计费）。 — https://raw.githubusercontent.com/wangsheng1991/content-engine/main/research/wan-i2v/measured-2026-09-22.json
- 量测出的成片时长是 5.007 秒，与请求的 5 秒一致。 — https://raw.githubusercontent.com/wangsheng1991/content-engine/main/research/wan-i2v/measured-2026-09-22.json
- 复现脚本每 8 秒轮询一次，最多 40 次。 — https://raw.githubusercontent.com/wangsheng1991/content-engine/main/scripts/wan-i2v.mjs
- 复现脚本显式发送 audio: false，不把「贵一倍」交给服务端的默认值。 — https://raw.githubusercontent.com/wangsheng1991/content-engine/main/scripts/wan-i2v.mjs
一张照片进去，几秒后出来一张能用的效果图
上面那条链的起点，是渲见（RenVi）里最常见的一个动作：把家里的房间照片传上去，选一个风格，等几秒。 效果图满意了，再往「变成镜头」这一步走。 视频只是素材的一种形态；真正决定转化的是第一张图好不好看、要等多久。
上传房间照片，免费出一张效果图: https://www.houseplusplus.com/?ref=wan-i2v-first-frame
