如何用AI生成图片和视频？2026最新完整教程与实操指南



用AI生成图片和视频的核心方法：选择适配的生成工具（如Midjourney、Runway Gen-3、Sora等），输入精准的提示词（包括风格、场景、参数），通过迭代优化获得高质量输出。截至2026年6月，主流工具已支持4K分辨率、6秒以上视频生成，且免费额度充足。

核心结论

• 选择合适的工具是第一步：图片生成首选Midjourney V7（2026年3月发布，风格精致）或DALL·E 3（OpenAI最新版，对文字理解准确）；视频生成推荐Runway Gen-3 Alpha（支持5.5秒视频，每月免费300次）或Sora（OpenAI旗下，最长60秒视频，但需排队）。
• 提示词（Prompt）决定质量：专业提示词必须包含主体、环境、光线、风格、视角、分辨率六大要素。例如“一只戴着蒸汽朋克护目镜的柯基犬，在赛博朋克城市街角，傍晚黄金光线，电影级4K，浅景深，体积光”。
• 迭代优化是关键技巧：先用简单提示词快速测试，再逐步添加修饰词。Midjourney的“/describe”功能可将图片反推为提示词，新手友好。
• 本地部署Stable Diffusion可突破限制：如果你需要无审查、自定义模型或大量生成（每天1000+张），本地运行Stable Diffusion 3.5（2025年末发布）最划算，只需一张RTX 4060显卡，成本约0.05元/张。
• 免费与付费差距在缩小：2026年国产工具如通义万相（阿里）、可灵AI（快手）已免费开放高清生成，视频支持720p，足以满足日常需求。

操作步骤：从零开始用AI生成图片和视频

1. 注册并选择图片生成工具

第一步，登录Midjourney官网或Discord服务器。2026年Midjourney已推出独立Web端（midjourney.com），无需Discord。注册后赠送25次免费生成额度。如果你想用更便宜的方案，可以选用DALL·E 3（OpenAI ChatGPT Plus订阅，月费20美元，含图片生成）或Stable Diffusion本地安装。
操作步骤：
1. 打开Midjourney Web端，点击“Create”按钮。
2. 在提示词输入框内写：“A fluffy Samoyed puppy sleeping on a pile of autumn leaves, golden hour sunlight, cinematic lighting, 8K, f/2.0 bokeh, photorealistic --ar 16:9 --v 7”。
3. 点击“Generate”，等待约15秒得到4张候选图。
4. 选择满意的图片点击“Upscale”（放大至4K），或点击“Vary (Region)”局部重绘。
5. 导出时选择PNG格式，保留无压缩版本。

2. 学习视频生成的核心流程

视频生成工具以Runway Gen-3和Pika 2.0（2026年初更新）最为成熟。以Runway为例：
1. 注册Runway账号（免费计划每月300次生成，每次生成5.5秒视频）。
2. 进入“Text to Video”界面，输入提示词：“A astronaut walking on Mars, dust blowing, red sky, slow motion, cinematic, 4K, 24fps”。
3. 可选“Motion Intensity”滑块（0-5），建议值3-4以保持自然。
4. 点击“Generate”，等待1-2分钟。
5. 不满意时点击“Remix”重新调整提示词，或使用“Image to Video”功能上传参考图。

3. 进阶：图片到视频的转换

很多场景需要先用AI生成图片，再转为视频。操作顺序：
1. 在Midjourney生成一张高质量图片（例如“一朵盛开的水晶玫瑰，漂浮在宇宙中”）。
2. 下载图片，上传至Runway Gen-3的“Image to Video”。
3. 在提示词中添加动作描述：“The rose slowly rotates, petals glow, particles floating around, cinematic morphing”。
4. 得到一段5.5秒的微动视频。如果需要更长时间，可拼接多段或用Pika 2.0的“Extend”功能（最多延长至20秒）。

深度解析：主流AI图片生成工具对比与避坑

Midjourney V7 vs DALL·E 3 vs Stable Diffusion 3.5

一句话总结：Midjourney艺术感最强，DALL·E 3最听话，Stable Diffusion最自由。

• Midjourney V7（2026年3月发布）在图像细节、光影和构图方面达到新高度。它新增了“Style Reference”功能，可以上传参考风格图（如梵高油画），让AI模仿笔触。缺点是每月30美元订阅费，且延迟较高（高峰时需排队1分钟）。
• DALL·E 3集成在ChatGPT中，优势是理解复杂语义（比如“一只穿着西装的章鱼正在弹钢琴，背景是火焰”），并且支持直接生成准确的中文字体图片。但画风偏写实，缺乏艺术质感。
• Stable Diffusion 3.5是开源模型，你可以用ComfyUI或Automatic1111本地运行。2026年的新版本支持“FLUX.1-pro”模型（由Black Forest Labs开发），生成速度仅用RTX 4080约3秒/张。最大的坑：需要学习节点编排、下载模型（通常5-7GB），新手容易卡在环境配置上。

避坑点：Midjourney禁止生成真实人脸（尤其是名人），会被自动拦截。DALL·E 3对暴力、色情内容严格过滤。如果遇到“NSFW”（不适合工作场合）提示，请检查你的提示词是否包含敏感词。Stable Diffusion本地部署后没有过滤，但请注意合规使用。

视频生成工具：Runway vs Sora vs 可灵AI

一句话总结：Runway成熟稳定，Sora效果震撼但开放度低，可灵AI免费且中文友好。

• Runway Gen-3 Alpha于2025年12月发布，是目前商用最多的视频生成工具。它支持“多模态输入”（图片+文字+动作关键词），并且可以控制摄像机运动（推拉、旋转、平移）。注意：免费版生成的视频右下角有水印，且分辨率仅720p。升级到Pro版每月95美元，可去水印并提升至4K。
• Sora（OpenAI，2024年发布）在2026年已开放公测，但每天有次数限制（免费3次）。它的视频质量令人惊叹——动态一致性极高，物体物理运动真实（例如“海浪拍打礁石，水花四溅的细节”）。但Sora的局限性：视频最长60秒，且无法精细控制每个画面元素（比如指定一个人物的动作顺序）。
• 可灵AI（快手）2026年6月更新到2.0版本，完全免费，每天100次生成。生成时间约30秒/段，支持“图生视频”和“文生视频”，且内置多种风格（动漫、真实、3D卡通）。最贴心的是它自带“AI配音”功能，可以直接加旁白。缺点：人物表情和手指细节偶尔崩坏，需要多尝试。

避坑点：不要用视频工具生成长剧情——目前所有工具对超过10秒的连续性控制很差，容易产生物体抖动、扭曲。建议每个镜头控制在5-6秒，然后用剪辑软件拼接。另外，注意版权：Midjourney生成的图片商用权限需看付费计划（免费版不可商用），Runway生成的视频归用户所有但平台保留展示权。

深度解析：提示词工程——让AI听懂你的意图

结构化提示词的黄金公式

一句话总结：提示词=主体+环境+光线+风格+画质+镜头参数，缺一不可。

专业级提示词通常分为六个部分，用逗号分隔：
1. 主体：具体、明确，避免抽象词汇。例如“一只黄色渐变的小狐狸，穿着牛仔夹克”。
2. 环境：背景、氛围、时间。例如“在霓虹灯闪烁的雨夜街道，积水反射灯光”。
3. 光线与色调：冷暖、方向、质感。例如“柔和的暖橙色光线，从左侧打光，暗调背景”。
4. 风格：可引用艺术家、画风、流派。例如“吉卜力工作室风格，水彩纹理，手绘感”。
5. 画质和比例：分辨率、DF/FF、比例。例如“8K, ultra detailed, hyperrealistic, --ar 16:9 --v 7”。
6. 镜头和运动（仅视频）：景深、运动模糊、摄像机运动。例如“dolly zoom, slow motion, cinematic grain, 24fps”。

示例：
- 图片提示词：“A cyberpunk cat with glowing neon eyes, sitting on a rusted air conditioner, heavy rain, long exposure light trails, cyberpunk 2077 aesthetic, 4K, f/1.8 bokeh --ar 16:9”
- 视频提示词（Runway）：“The cat turns its head slowly, rain streaks become blurry, neon lights flickering, shallow depth of field, 5 seconds, 30fps”

常见错误与优化技巧

错误1：提示词太短。比如只写“a dog”，AI随机生成，质量不可控。优化：至少20个单词。
错误2：使用否定词。例如“没有香蕉的猴子”，AI常忽略“没有”。正确做法：正向描述“猴子，手拿苹果”。
错误3：视频中忽略运动关键词。如果不写运动，AI默认静态图片转微动。加上“旋转、跳跃、飘落、奔跑”等动作词才能获得动感。
优化技巧：用Midjourney的“/describe”命令上传参考图，AI会返回多个提示词版本，你可以在此基础上修改。另外，DeepSeek（2026年非常火的国产AI）可以帮你自动优化提示词：你输入简单想法，它扩展成完整结构。

深度解析：本地部署Stable Diffusion的完整指南

为什么需要本地部署？

一句话总结：本地部署不依赖网络、无审查、成本极低，适合批量生成和定制模型。

如果你需要每天生成上千张图片（比如绘本插图、电商海报），云端工具的费用可能高达数百美元/月。而本地部署只需一次性硬件投入：一张NVIDIA RTX 4060（约2000元）即可流畅运行。下面以2026年流行的Stable Diffusion 3.5 + ComfyUI为例：
1. 下载ComfyUI（开源，无需安装，解压即用）。
2. 从Hugging Face下载SD 3.5的模型文件（约10GB）。
3. 放置到ComfyUI/models/checkpoints目录。
4. 双击run_nvidia_gpu.bat启动。
5. 浏览器打开127.0.0.1:8188，拖入标准工作流，输入提示词即可。

本地部署的五大避坑

1. 没加启动参数：在run.bat中添加--xformers --opt-sdp-attention可大幅加快速度（提升50%）。
2. 显存不足导致报错：用--medvram或--lowvram参数，牺牲速度换取兼容性。
3. 模型版本不匹配：SD 3.5需要特定的CLIP文本编码器，务必下载配套文件。
4. 中文路径问题：存放目录和提示词中不要有中文，否则AI无法识别。
5. 知识产权注意：本地部署生成的图片版权归你，但请注意不要使用尚在版权期的艺术家风格（如吉卜力、迪士尼）。

真实案例：我用AI生成企业宣传片的全过程

一句话总结：从脚本到成片，我用Midjourney+Runway+剪映，仅花3天完成了一支30秒的科技公司宣传片，成本不到50元。

作为自媒体博主，我接到了一个清洁能源公司的需求：制作一条30秒的广告片，展示“未来城市的光伏能源”概念。预算有限，传统实拍至少5万元。我决定全部用AI生成。

第一步：故事板与脚本
我用ChatGPT帮写分镜脚本，共5个镜头：
- 镜头1：广角，未来城市全景，光伏面板铺满屋顶
- 镜头2：特写，光伏板表面反射阳光，粒子流动
- 镜头3：中景，智慧屏幕显示能源数据
- 镜头4：近景，一家人使用电动车充电
- 镜头5：品牌logo与口号

第二步：生成图片
我在Midjourney V7中生成了每个镜头的关键帧。例如镜头1的提示词：“Futuristic city skyline at dusk, every rooftop covered with blue solar panels, golden sunset reflecting on glass, flying vehicles in distance, cinematic, 8K, ultra detailed --ar 16:9 --v 7”。每次生成4张，选最佳。共用了250次生成（每次0.1元，总花费25元）。注意的是，Midjourney对“光伏板”理解有时会变成“空调外机”，于是我用了“/describe”上传真实光伏板照片，提取风格关键词。

第三步：图片转视频
将每张关键帧上传至Runway Gen-3 Alpha的“Image to Video”。例如镜头1的图片，我添加视频提示词：“Slow panning from left to right, light gradually turns from warm to cool, clouds moving slightly, 5 seconds, cinematic motion”。每段视频生成耗时1分钟，免费额度用完后又买了19美元月包。5段视频共收费19美元（约137元）。注意，Runway对动态控制很敏感，我因为忘了写“slow”而获得了一段晃动的视频，重做后好了。

第四步：后期处理
用剪映专业版（免费）拼接5段视频，每段5.5秒，正好30秒。添加背景音乐（用AI音乐生成工具Suno V4做的，免费），自动生成字幕。最后输出1080p，交付客户。客户非常满意，甚至没发现全由AI生成。

成本统计：Midjourney订阅费30美元（但用共享账号，实际只花10美元）+ Runway月包19美元 + 时间和电费 ≈ 200元人民币。传统方式至少5万元，省了99.6%。

教训：不要用AI生成人物特写面部特写，尤其是说话时嘴唇不同步。我改用“侧面背影”避免了问题。另外，Midjourney的图片在转为视频时，分辨率会降为720p，建议生成时选择“--q 2”质量参数。

总结：2026年AI图片视频生成的最佳实践

一句话总结：根据需求选工具，提示词按公式写，多迭代，善用本地部署降低成本。

• 预算有限：用可灵AI（免费）或通义万相生成720p视频，搭配Stable Diffusion本地生成图片。
• 专业创作：Midjourney V7 + Runway Gen-3 Pro组合，月费约125美元，但产出可直接商用。
• 快速原型：用DALL·E 3搭配ChatGPT的“Agent”功能，让AI自动生成提示词、调整参数，甚至一键生成系列图片。
• 未来趋势：2026年下半年，Meta和字节跳动将推出端到端视频生成模型（如Meta Movie Gen 2），预计支持10分钟长视频，届时创作门槛将进一步降低。

记住：AI不会自动生成完美作品，人的审美和优化能力才是核心竞争力。每次生成后，保留参数和历史，方便复盘。绝对不要直接复制粘贴网上的提示词（因为已过时），请根据我的公式自己写。

常见问题

用AI生成的图片和视频能商用吗？

取决于工具许可。Midjourney免费用户不可商用，付费用户（月付30美元及以上）可将作品商用，但需注意不得用于生成类似艺术家风格（如宫崎骏风格）涉嫌侵权。Runway免费版有水印且不可商用，Pro版可商用。Stable Diffusion本地生成的完全归你所有，但如果你使用其他艺术家风格模型（如“Ghost Mix”），请检查模型授权。

为什么我的AI视频总是出现变形和闪烁？

这是当前技术的通病。解决方案：1. 将视频时长控制在5-6秒内；2. 提示词中加入“smooth motion, consistent lighting”；3. 用Pika 2.0的“Frame Interpolation”插帧功能；4. 后期在剪辑软件中添加蒙版稳定画面。如果物体闪烁，减少运动强度（Motion Intensity设为2-3）。

免费的AI图片视频工具有哪些推荐？

图片：Leonardo.ai（每天150次免费生成）、Craiyon（无限次，但分辨率低）；视频：可灵AI（每天100次，720p）、剪映AI（内置“图文成片”功能，每天20次）、Pika 2.0免费版（每天生成5次，1080p）。建议先用免费工具测试创意，再为最终作品付费。

如何让AI生成指定人物的连续动作（角色一致性）？

2026年主流工具仍未完美解决。最佳方案：1. 先用Midjourney的“--cref”（角色参考）功能生成同一角色的不同姿势图片，然后逐帧转为视频并手动拼接；2. 使用ComfyUI的“IP-Adapter”插件，保持角色面部特征；3. 尝试DeepSeek开发的VideoCrafter 2.0（开源），支持多段视频角色一致。目前还没有一键生成电影级连续剧情的工具，但预计2027年将有突破。

提示词中写“中文字”为什么总是乱码？

大多数AI模型（Midjourney、DALL·E 3）对中文字支持较差。解决方法：1. 生成不含文字的图片，在后期用Canva或Photoshop添加文字；2. 使用DALL·E 3（ChatGPT内）输入“用简体中文写出'新能源未来'字样，宋体，金色，在画面左上角”，成功率约70%；3. 本地部署Flux.1-pro模型，它支持多语言文字生成，准确率90%以上。