发布于 2026-08-28 · 更新于 2026-10-27
基础篇 | AI 多模态创作实战：从文本到图像、视频、音乐全打通
为什么要在同一个工作台里做多模态
跨媒介创作最耗时的部分，往往不是生成本身，而是在工具之间搬运上下文。你在 A 工具写好脚本，复制到 B 工具出图，再把图下载上传到 C 工具做视频，最后去 D 工具配乐 —— 每一步都在丢失信息和耐心。
星界AI 的做法是把这条链路收进同一个工作台：会话记录、生成结果、素材文件都在同一个上下文里，切换模态不需要重新描述一遍你的项目。
下面用一个真实场景走一遍：做一条 30 秒的品牌短视频。
一、用基础模型写脚本与分镜
这一步不需要旗舰模型。用 DeepSeek 或通义千问（基础模型，消耗基础点）即可：
请为下面这个产品写一条 30 秒短视频脚本，
按「镜头号 / 画面描述 / 口播文案 / 时长」四列表格输出，共 6 个镜头。
要求：开篇 2 秒必须有视觉钩子；口播口语化，单句不超过 12 字。
产品：一款主打"便携"的桌面显示器
受众：租房的远程办公年轻人输出的分镜表要细到「画面里有什么、镜头怎么动」，后面生成画面时才能直接用。
二、用绘画模型出关键帧
拿到分镜表后，逐个镜头生成画面。模型选择上有个简单的判断规则：
| 需求 | 推荐模型 | 原因 |
|---|---|---|
| 中文海报、电商图、需要文字排版 | GPT-Image | 中文提示词直出，画面内文字准确 |
| 概念插画、艺术感主视觉 | Midjourney | 审美上限高，风格化强 |
| 二次元、动漫、立绘 | Midjourney | 动漫风格表现好 |
| 写实产品图、批量素材 | Flux | 出图快，性价比高 |
| 需要精细控制构图 | Flux Kontext Pro | 以图改图，参考图可控修图 |
提示词可以这样写（GPT-Image 支持中文直出）：
产品特写摄影，白色亚克力台面，柔光箱三点布光，浅景深，
背景纯白，产品在画面中央占比 70%，高细节，商业摄影质感，8K省点数技巧：先用低分辨率批量跑 4-6 个版本确认方向，确认后再用高分辨率出终版。绘画点按次消耗，具体倍数以工作台内显示为准，直接用高分辨率试错的代价不小。
三、用视频模型生成动态画面
分镜与关键帧都确认后，进入视频生成。这一步视频按次付费，成本最高，更要先小后大：
| 需求 | 推荐模型 | 特点 |
|---|---|---|
| 通用短视频、口播 | Luma | 镜头语言自然，成片感强 |
| 图生视频、3D 感 | Luma | 镜头语言与 3D 感突出 |
| 创意特效、概念短片 | CogVideoX | 图生视频可控，成片稳定 |
图生视频（把上一步的关键帧变成动态画面）比纯文生视频的可控性高很多，推荐优先用这个方式。
四、旁白与配乐
音乐生成功能暂停中。这一步先做旁白：用基础 TTS 把口播文案读出来，再与画面对齐；配乐待功能恢复后再补，也可以先用无版权音乐库做临时配乐。
五、完整链路的点数账
以这条 30 秒短视频为例，算一笔账：
| 环节 | 消耗类型 | 大致用量 |
|---|---|---|
| 脚本与分镜 | 基础模型 | 消耗基础点 |
| 关键帧出图（含试错） | 绘画点 | 按次消耗 |
| 视频生成（6 镜头 × 试错） | 视频按次付费 | 视频按次付费，具体以工作台内显示为准 |
| 旁白 | 基础模型 | 消耗基础点 |
可以看到，文本环节几乎不花钱，成本集中在视觉生成上。这也是星界AI 把基础模型做成消耗基础点、把生成类能力拆成独立点数的原因 —— 你只为真正消耗算力的部分付费。
视频按次付费，用多少付多少，不必为此升级整个套餐。
六、成本控制：先小后大，别为试错买单
视觉生成的成本集中在出图与视频环节，三个习惯能省下大部分试错钱：
1. 出图先低分辨率试错。 先用低分辨率批量跑 4-6 个版本确认方向，确认后再用高分辨率出终版。绘画点按次消耗，直接用高分辨率试错的代价不小。
2. 视频先图生视频。 把确认过的关键帧变成动态画面，比纯文生视频可控得多。先做 1 个镜头验证风格，成片感对了再批量生成其余 5 个镜头。
3. 批量任务合并成一次请求。 需要生成 10 条产品描述时，一次让模型输出 10 条，比分开问 10 次省点数，一致性也更好。同理，长对话定期开新会话：上下文越长，单次请求携带的 token 越多，一个话题聊完就开新的。
如果点数还是不够用，先看是偶尔不够还是长期不够。偶尔不够就买加油包：绘画点加油包 ¥49（300 点）、视频按次付费 ¥99（30 点），永久有效、不清零；创造者月卡 ¥39/月含绘画 500 点。连续两三个月都见底，再考虑升级套餐，详情见订阅套餐。
七、常见问题
问：免费用户能跑通这条多模态链路吗？ 能跑通文本与出图环节。注册即送 50 高级点、5 绘画点，脚本、分镜、出图试错都够用；视频环节 按次付费只够小规模尝试，正式批量做视频前再买视频按次付费。
问：视频生成到底多少钱？ 视频按次付费，具体以工作台内显示为准。Luma、CogVideoX 的单次成本高于出图，所以更建议先图生视频、先小后大的做法。
问：音乐生成功能什么时候恢复？ 音乐生成功能暂停中，恢复时间以官方公告为准。现阶段先做旁白：用基础 TTS 把口播文案读出来，再与画面对齐；配乐可先用无版权音乐库做临时替代。