做图生视频时，真正卡住人的往往不是提示词，而是参考图怎么传、参数怎么配、失败之后从哪个环节查。可灵-Omni 视频参考这类能力被封装进 API 之后，接口行为、字段命名和默认值都可能随版本变化，照着旧教程照抄很容易踩坑。

这篇文章不打算给你一份"万能参数表"，而是把可灵-Omni 图生视频 API 的接入思路拆成三层：参考图怎么准备和上传、请求参数怎么组织、结果不符合预期时按什么顺序排查。看完之后，你应该能自己判断一份文档里哪些字段是必须的，哪些是可以先留默认值的。如果你希望把这类能力和其它模型放在同一套接口体系里管理，也可以顺路看看 通联AI中转站 的模型广场与控制台说明，具体上线模型与接入方式以页面实时展示为准。

可灵-Omni 视频参考与图生视频 API 的关系

图生视频的核心逻辑很简单：给一张静态图，模型根据提示词补出它在时间维度上的运动。而"视频参考"这类能力解决的是另一个问题——当你希望生成结果在风格、主体或构图逻辑上更贴近某段已有素材时，单靠文字提示词往往描述不准，这时候就需要把参考信息也作为输入的一部分交给模型。

可灵-Omni 属于把多种参考能力整合到同一入口的模型方向，它在图生视频任务里通常需要你同时提供两样东西：一张作为画面起点的参考图，以及一段描述运动与镜头变化的提示词。至于"参考图是当首帧用，还是当风格参考用"，这取决于你选择的模型模式，不同模式对输入图的要求并不相同。因此接入前第一件事不是写代码，而是把官方文档里当前版本的参数说明读一遍，确认每个字段的含义和取值范围。

参考图上传的几种常见形态

从 API 设计的角度看，参考图一般有三种提交方式，选择哪一种通常由服务端决定：

• 图片 URL：最省事，适合图片已经存放在可公开访问的对象存储里的场景。要注意 URL 的有效期和访问权限，带签名的临时链接过期后请求会直接失败。
• Base64 内联：适合本地生成、不方便公开托管的图片。缺点也很直接——请求体体积变大，大尺寸图片会明显拖慢上传速度，甚至触发请求体大小限制。
• 先上传再引用：部分平台提供独立的上传接口，先拿到一个文件标识，再在生成请求里引用该标识。这种方式对批量任务更友好，也便于复用同一张参考图。

无论用哪种方式，图片本身都要满足基本条件：格式在允许范围内、分辨率不超过上限、长宽比与目标视频比例大致匹配。如果原图比例和目标比例差距过大，模型要么裁切，要么补边，最终画面很容易出现主体被切掉或边缘变形。建议在提交前先用工具把图片裁剪到接近目标比例。

接入前需要确认的配置项

很多人接图生视频 API 时失败，并不是参数写错了，而是前面几步的配置没对齐。下面这张表可以作为你第一次联调时的检查清单，具体字段名和取值范围仍要以你所用平台当前文档为准。

一个最小请求结构长什么样

联调阶段建议先只保留必要字段，把视频时长、分辨率等都设成较小的值，跑通链路之后再逐步加参数。下面只是一个结构示意，字段名请替换成你所用文档里的真实名称：

POST {Base URL}/video/generation Authorization: Bearer {API Key} Content-Type: application/json { "model": "<模型名称，以控制台为准>", "image": "<参考图 URL 或 Base64>", "prompt": "镜头缓慢推近，人物转头微笑，背景光线渐亮", "duration": "<按文档取值范围填写>", "aspect_ratio": "16:9" }

参数不是越多越好。每多一个字段，就多一个可能出错的点。第一次接入时，能用默认值的地方就先用默认值，把变量控制在最小范围，后续排查会轻松很多。

参数配置思路：从画面到时长逐层调整

提示词是图生视频里最容易被低估的一环。写提示词时，建议按"主体动作 + 镜头运动 + 环境变化"三段式来组织，而不是堆砌形容词。比如"人物抬手整理头发，镜头缓慢右移，窗外光线由暗转亮"，比"超高清、电影感、氛围感拉满"这类描述更容易得到稳定结果，因为前者描述的是可执行的变化，后者只是画质期望。

时长、分辨率、生成模式这几个参数会直接影响调用成本。通常来说，时长越长、分辨率越高、参考约束越复杂，单次消耗就越大。所以不要一上来就用最长时长做试跑，先用低成本配置确认画面逻辑对不对，再逐步提规格。具体的计费方式、单价和余额扣减规则，应以控制台展示的实时信息为准，不要依赖第三方文章里的数字。

另外一个常被忽略的点是"参考强度"类的参数。它控制生成结果在多大程度上贴近参考素材：值偏高会更像原图，但运动幅度可能受限；值偏低画面更自由，但主体一致性容易漂移。这类参数没有通用最优解，需要结合你的素材自己试几轮。

结果不符合预期时的排查顺序

1. 先看错误码再看画面：请求报错和生成结果不满意是两类问题，前者查鉴权、模型名、参数格式，后者才需要调提示词。
2. 检查参考图本身：图片是否能被服务端正常读取、尺寸是否超限、比例是否接近目标比例。
3. 确认任务状态：视频生成多为异步任务，提交成功不等于生成成功，需要按文档说明轮询或等待回调结果。
4. 再动提示词：把动作描述写得再具体一点，减少相互冲突的指令。
5. 最后调参数：在提示词基本稳定后，再逐项调整时长、比例、参考强度等。

多模型场景下，统一入口能省掉什么

实际项目里，图生视频很少是孤立需求。你可能同时用到对话模型写脚本、图像模型做分镜、视频模型出片段，甚至还要接语音做配音。如果每个能力都单独申请账号、单独管理 Key、单独记忆一套 Base URL，后期维护成本会明显上升。

这正是 AI 中转站这类 AI 聚合平台的典型使用场景：通过一个 Base URL 接入多家模型，用统一的 API Key 管理调用，减少在多个控制台之间来回切换。通联在这类场景中提供的是模型广场、文档、控制台与调用管理等入口，你可以先在模型广场确认当前可用的模型与协议兼容方向，再决定哪些任务走哪个模型。需要提醒的是，不同模型的参数定义并不通用，即使接口协议兼容，像参考图字段、时长取值这类模型特有的参数，仍然要按对应文档来写，不能想当然地照搬。你可以直接到 通联AI中转站 查看当前的模型清单与接入说明。

最后给一个务实建议：把可灵-Omni 图生视频 API 的接入过程分成"链路跑通"和"效果调优"两个阶段。第一阶段只追求稳定返回一个可播放的视频文件，第二阶段再花时间打磨提示词和参数。混在一起做，很容易在调试参数时误以为是接口挂了，白折腾半天。