做 MV 时图生视频、参考生视频、改视频分别干什么

副歌第二镜，歌手换了一件外套。不是你不会写「cinematic」。是你把一张分镜图、三张锁脸参考、一段别人的运镜示范，全塞进同一个开关里。模型按它收到的合同工作：有图当首帧，它就把那张图画活；有一叠脸，它才答应跨镜头不换人；你喂进去的是成片，它才是在改视频，不是在重新生成。

这其实是一个输入合同的选择，不是「哪个模型分数更高」。图生视频、参考生视频、改视频、延长、超分，在厂商页上会拆成十几条入口。做 Suno 歌曲出 MV 时，你真正要用的通常只有一条默认路径，外加两三个升级开关。

多数对照文按厂商名排队。本文按镜头任务排队：默认出片、锁脸、改已有 clip、再谈超分。模型名只在它真的改变合同的时候出现。

目录

• 为什么副歌第二镜会换一张脸
• 六个入口，按你手里有什么选
• 默认路径：分镜静帧走图生视频
• 什么时候才升级到锁脸、改片、超分
• 各家模型在 MV 里真正能接的槽
• 怎么选，以及算力大概怎么烧
• 常见问题

为什么副歌第二镜会换一张脸

一首三分钟的歌，按镜头切，常常是四十到五十镜。单镜再长，也救不了主角在副歌换脸。时长是镜头级杠杆；参考容量才是整支 MV 的杠杆——连载内容死于角色漂移，不死于片段质量。

Business of Apps 对 Suno 的统计 写过一个刺耳的数字：平台日产约 700 万 首歌，而分发位是固定的。歌已经太多了。你要竞争的是「被看见」：同一张脸、同一件外套、同一盏霓虹，能不能撑过整段副歌。

所以先问手里有什么，再问用哪家模型。没有分镜静帧，再贵的旗舰也在猜构图。有了静帧却去走纯文字生成，等于把已经画好的首帧扔掉。有了角色卡却只喂一张首帧，模型没有合同去记住第二镜的脸。

示意图：SunoMV Team · 音乐视频的默认合同是把一张分镜图画成 clip，不是从空白 prompt 里长出整支 MV

实用规则： 先定这一镜的输入合同（静帧 / 锁脸 / 成片），再挑模型。合同错了，换模型只是换一种错法。

六个入口，按你手里有什么选

厂商页上的标签（图生视频、参考生视频、文生视频）不是四个产品，是同一套生成按输入拆的入口。音乐视频里只需要记住六种合同：

你手里有什么	合同	MV 里干什么	别当成
只有文字	文生视频	还没配分镜图时的兜底	默认出片
一张分镜静帧	图生视频	默认出片：把图画成跟歌词切齐的 clip	锁脸
两张静帧（进 / 出）	首尾帧	副歌进出、转场两端钉死构图	锁脸
多张角色 / 服装 / 场景图	参考生视频	锁脸：跨 verse / chorus 同一人	改片子
一段已经生成的 clip	改视频	改衣服、天气、一件道具，其余尽量不动	锁脸
一段 720p 成片	超分	把已有运动拉到 1080p 或 4K	重新生成

参考生视频才是锁脸。改视频是拿已有片子当底片。FLUX 3 的「改视频」在厂商页上打的就是 video-to-video，不要叫成参考生视频。延长是往后续秒；超分是分辨率，不负责把静帧画活。

实用规则： 听到「参考」，先问参考的是脸、是运镜，还是整段成片。三个东西进三个槽。

默认路径：分镜静帧走图生视频

做 MV 的默认动作非常具体：先出分镜静帧，再把每一张静帧变成四到十五秒的 clip，按歌词行切开。这就是图生视频。你在 把歌曲做成音乐视频 里走的，也是这条路径。

首尾帧是图生视频的双锚变体。副歌开头要人已经站在雨里，副歌结束要镜头推到霓虹招牌——两张静帧比一段形容词更硬。Seedance 把尾帧挂在同一条图生视频上；FLUX 3 有单独的首尾帧入口。对你来说都是「两端钉死」，不是新模型。

文生视频只在还没配图时兜底。Kling O3 / O3 Pro 在我们这边甚至不接纯文字：它要图，或要参考。Kling O3 可复制模板 把这件事写得很死：第一行不是 duration、画幅或 @Image1 is…，你就是在装饰一个模型已经替你选好的镜头。默认出片长这样：静帧、出 clip、再按拍切开。

示意图：SunoMV Team · 默认三步是静帧 → 图生视频 → 按拍切开，不是先选旗舰再想构图

一条可执行的默认流程：

1. 按歌词行拆镜头，一行一镜，副歌切点必须落在句首。
2. 每镜先画一张静帧：一个人、一个动作、一个机位。
3. 把静帧送给图生视频，时长对准这一行（常见 5–10 秒，再修剪）。
4. 同一角色即将跨镜出现时，再打开参考生视频，而不是从第一镜就上锁脸。
5. 某一镜已经对了、只想改一件衣服，走改视频，不要整镜重跑。
6. 整支歌 720p 能看，再考虑超分；不要在草稿上烧 4K。

JSFILMZ 用 Seedance 2.5 做完整支幻想风 MV，公开账是大约 300 美元 的生成成本——他在成片里强调的是角色连续和运镜，不是「每一镜都开最贵档」。下面这条成片就是同一条路径：参考把人钉住，再按节拍切开。

视频：JSFILMZ · Seedance 2.5 幻想风音乐视频，约 300 美元生成成本

什么时候才升级到锁脸、改片、超分

默认路径能打 70% 的镜头。剩下 30% 才值得升级。升级的理由只有三个：身份、运动、清晰度。

锁脸（参考生视频）。 同一歌手要出现在主歌、桥段、副歌。Seedance、MiniMax H3 / H3 Max、Wan 3.0 吃多张参考图；Kling O3 用 @Image1 先绑定再写动作，上限四张，写法见官方 Kling prompt guide。FLUX 3 没有角色库锁脸——它的关键帧是时间轴上的插值，不是「这是同一个人」。

运动参考。 你有一段已有 MV 的运镜、或深度图驱动的运动。Seedance 把参考视频放进参考生视频的视频槽；FLUX 3 把源片送进改视频。深度图这条，站点上有单独的 视频转深度图 入口：先把运动从成片里抽出来，再交给能吃运动参考的模型。

改视频。 副歌已经对了，只是外套颜色错了。重跑图生视频会连站位一起改掉。改视频的合同是「改这一处」。FLUX 3 这条比重新生成便宜一个数量级（厂商页生成约每秒 0.17 美元，改视频约每秒 0.03 美元，2026 年 8–9 月）。Grok Imagine 在 fal 上也挂了改视频 / 延长，产品侧默认出片仍走它的图生视频。

超分。 FLUX 3 有独立的视频放大：精准档和创意档，1080p / 2K / 4K。它不负责发明新运动。草稿阶段不要用。产品入口目前还没对选择器打开——你先按 720p 把歌做完，比先买 4K 草稿更接近成片。

示意图：SunoMV Team · 锁脸是把参考图钉在角色上，不是把更多形容词写进 prompt

决策过滤器： 这一镜要解决的是构图、身份，还是修补？构图走图生视频；身份走参考生视频；修补走改视频。三问只能留一个答案。

各家模型在 MV 里真正能接的槽

Kling 自己对 2026 视频模型的对照 把 Seedance 2.5、Wan 3.0、Kling 3.0 放在「多镜 + 参考驱动」一侧，把短、可导演的单镜放在另一侧。做 MV 时，这个分类比跑分有用。下面是按 音乐视频默认出片 看过的槽，不是把厂商页 13 条全抄进来。

家族	默认 MV 槽	锁脸	改已有片 / 延长 / 超分	我会什么时候点它
Seedance	图生视频（首尾帧走同一条）	真锁脸，可带参考视频 / 音频	无改视频、无超分	默认成片；跨镜同一人
MiniMax H3 / H3 Max	图生视频 + 首尾帧	H3 / H3 Max 真锁脸；Turbo 没有锁脸	无改视频	要快：Turbo；要锁脸：H3 Max
Grok Imagine	图生视频	可带多图参考	fal 上有改视频 / 延长，默认出片不走	要快出 720p 草稿
Kling O3	图生视频 + 首尾帧（不接纯文字）	@Image1 绑定，最多四张	厂商页有 video-to-video，选择器未开	要按官方槽位写 prompt
Wan 3.0	图生视频 + 首尾帧	真锁脸，可带参考视频 / 音频，最长约 30 秒	Happy Horse 另有 video-edit	要更长的单镜
FLUX 3	图生视频 + 单独首尾帧	无角色库锁脸	改视频、延长、独立超分	改已有副歌；以后做放大

MiniMax 的选择器里，H3 Max 是快档，不是 2K 那一行。Turbo 更快更省，但没有参考生视频——你不能指望它记住副歌第二镜的脸。H3 本尊才扛 2K。

Kling 厂商页比 O3 选择器热闹：4K、video-to-video、motion-control、口型、Avatar。口型在我们这边是生成之后的精修，不是换一个生成模型。4K 和 video-to-video 还没进选择器，写进 prompt 也不会被送到那个槽。

Wan 3.0 的参考容量大、单镜可以更长，适合桥段里「人一直走、镜头一直跟」。Happy Horse 能参考生视频，但没有首尾帧——副歌两端要钉死构图时，别点它。

FLUX 3 是后处理最完整的一家：改视频便宜，延长更贵，超分独立计价。它不替代 Seedance 做锁脸。把它当「默认生成模型」会浪费它真正值钱的槽。

示意图：SunoMV Team · 改视频的合同是改一处，不是把整镜送回去重新抽卡

怎么选，以及算力大概怎么烧

按任务选，不要按 logo 选。

• 迭代预览、先看整支歌能不能成立： MiniMax H3 Max Turbo，或 Seedance Fast。图生视频，够快。
• 同一张脸要撑完整支副歌： Seedance 2.5、H3 Max、Wan 3.0。这是参考生视频的活。
• 已经对了、只改一件事： FLUX 3 改视频。不要升到关键帧，也不要整镜重跑。
• 720p 能看、平台要更清： 将来走 FLUX 3 超分。现在先把切点和脸做对。
• 要对口型： 生成之后做口型精修，别指望生成模型把歌词唱准。

算力按秒走，720p 是基准。充值卡零售大约 1 算力 = 0.01 美元。Seedance Fast 大约每秒 50 算力；H3 Max Turbo 大约每秒 16；FLUX 3 生成大约每秒 70，但它的改视频成本大约是生成的六分之一——产品侧目前仍按模型扣、不按任务拆，所以改视频会偏贵，这是已知口径，拆开之前宁多扣。4K Seedance 大约每秒 600 算力，不该出现在草稿里。

示意图：SunoMV Team · 超分放大的是已经成立的运动，不是用来拯救一张空 prompt

实用规则： 草稿用便宜的图生视频把 40 镜走通；只给「会换脸的角色」和「已经对了的副歌」升级。4K 和超分是成片步骤，不是探索步骤。

常见问题

做 MV 是不是只需要图生视频？

默认出片是。分镜静帧当首帧，就是图生视频。不是「只接这一个、其余全砍」：首尾帧已经有入口；锁脸和改视频是升级，没传参考就不会抢默认路径。

参考生视频和改视频有什么不一样？

参考生视频管身份：这是同一个人。改视频管修补：这段已经拍过，只改一处。FLUX 3 的改视频不是 Seedance 那种多图锁脸。

FLUX 3 为什么不能锁脸？

它没有角色库参考生视频。关键帧是时间轴插值。要跨镜同一张脸，换 Seedance、H3 Max、Wan 3.0，或 Kling 的 @Image1。

超分能不能替代 4K 生成？

超分放大的是已有运动。4K 生成是从第一帧就按高分辨率采样，贵一个数量级。先 720p 把歌做对，再放大，通常比直接开 4K 草稿更接近能发的成片。

Kling 厂商页那么多入口，选择器里怎么只有几条？

因为音乐视频用得上的是图生视频、首尾帧、O3 的锁脸，外加生成后的口型精修。trainer、4K、video-to-video 还没接到出片路径。写进 prompt 不会自动跳槽。

把分镜图变成跟歌词切齐的 clip，从 Suno 链接出 MV 开始。先走图生视频；脸要稳再开参考；片子已经对了再改、再放大。

现在就做一支跟歌词切开的 MV：

• 🌐 SunoMV： https://suno.bi/zh
• 🎬 音频出视频： https://suno.bi/zh/audio-to-video-ai-generator
• ✨ Suno 链接直接出片： https://suno.bi/zh/features/suno-to-video