怎么把自己放进 AI 视频：61 段真人照片实录告诉我们什么

简单说： 把自己放进 AI 视频有两种做法。首帧页面上，你的照片就是开场第一帧，然后动起来，所以脸和照片一模一样，但地点也还是照片里的地点。参考图页面上，模型把你的照片当参考，把你画进新场景，所以你可以在海边跳舞、拥抱老了的自己，代价是脸会被重画一遍。我们在 Cicadas 上用真人照片实录了 61 段视频：参考图模式在大多数视频里保住了脸、发型和衣服；场景本身要改脸时就保不住；有时还会加上没人要的声音或路人。

我们做的是 Cicadas，一个通过 fal.ai 提供 MiniMax H3 Max 等模型的 AI 视频网站。下面每段视频都用 AI 生成的虚构成年人示例照片制作（两个纪念类页面用的是虚构的儿童或幼儿照片），按页面原样提示词只发一次，看完后写说明。每段都写了名字，可以去对应页面上看。

1. 两种机制，两种承诺

| | 首帧（图生视频） | 参考图（参考生视频） | |---|---|---| | 照片的作用 | 成为第一帧并动起来 | 给模型当参考，模型重新画你 | | 地点 | 照片里的背景，保留 | 页面描述的新场景 | | 你的脸 | 和照片一模一样 | 重画；通常接近，偶尔走样 | | 适合 | 给真实照片加一点变化 | 把你放到别的地方 | | 我们的真人照片视频 | 10 | 51 |

照片本身重要时，首帧页面更稳。在甩发页和哭泣滤镜页上，你上传的人像就是第一帧；走廊、光线和脸都不变，只有头发或表情在动。会说话的照片页也是这样，只是加上了说话。

大多数人说的“把我放进视频”，指的是参考图页面。站上有 39 个页面提供这种模式，从跳舞到纪念类都有（其中几页是给宠物的）。提示词把你写成 “the person from Image 1”（图 1 里的人），再描述新场景；模型画出这个场景，你在其中。

2. 保住了什么，走样了什么

51 段参考图视频里，我们看完后写的说明显示，绝大多数视频的脸、发型和衣服都跟着照片走。值得去看的几段：

• 一张照片，一个新地方。 万圣节装扮页的 costume-walk 里，男人披着吸血鬼斗篷走在摆满南瓜灯的街上，胡子和深色短发和照片一致。生日页的 birthday-candles 里，女人吹灭三根蜡烛笑起来，卷发和毛衣都保留了。
• 两张照片，两个人。 情侣页的 couple-beach 里，两人沿着海浪线走、拥抱；她的卷发和芥末黄毛衣、他的胡子和绿夹克都和照片一致。这段是本文封面。
• 一张照片，几个镜头。 加油站跳舞页的 gas-dance-night-solo 里，一张照片演三个角色，同一张脸和绿夹克贯穿跳舞、自拍和下车三个镜头。用三张照片时（gas-dance-dusk-trio），每个角色保住各自照片里的脸和衣服。

像度下降有四种情况，都是场景本身决定的：

1. 场景故意改脸。 丧尸特效页的 zombie-friend-hug 里，丧尸是一张通用丧尸脸，切镜之前只能靠衣服认出朋友。丧尸情侣页的 zombie-couple-road 里，男人的脸、发型和夹克在灰皮肤下都还在，所以结果看具体哪一次。
2. 年龄。 变老视频页的 age-portrait 把深色卷发变灰再变白，直到她看起来八十岁左右；毛衣和姿势让视频仍然和照片对得上。
3. 奇怪的身体。 人头鸽子页的 human-pigeon-bench 里，头比鸽子头大得多，而且一直在笑，没有啄食。
4. 道具挡脸。 costume-ghost 里墨镜最后戴在她脸上，只露出一部分脸。

3. 什么样的照片好用

这里每段视频都用同几张示例照片做的，都是正脸、光线均匀、只有一个人，所以别的照片我们没有测过。下面是参考图模式需要的条件，是建议，不是实测结论：

• 正脸，整张脸都露出来。 参考图要让模型看到它要重画的五官。四分之三侧脸、头发挡眼睛，模型只能猜。
• 光线均匀。 强烈的阴影会被画成五官的一部分。
• 画面里只有你。 照片里有第二张脸会和你抢。要两个人，就用两张照片。
• 穿你想保留的衣服。 几乎每段视频都保留了衣服，所以照片也决定了你穿什么，除非场景给你换装，比如精灵页和吸血鬼页。

4. 好用的提示词怎么写

参考图页面自带场景，很多页面的场景是固定的，不能改写成别的东西。可以编辑的页面上，我们视频里效果稳定的提示词有同一个结构：

1. 先写画面形式： “Vertical phone footage in a warm living room”（精灵跳舞页），或 “A locked-off full-body shot”。
2. 用参考来指你： “The person from Image 1”，第二张照片再加 “the person from Image 2”。
3. 一个动作： 走过来拥抱、吹蜡烛、举杯。动作列得太长，结果会走形：AI 跳舞页的 dance-studio 里，他弹跳、挥臂、转身，但不是我们写的那份动作清单。
4. 一镜到底， 除非页面本来就是做剪辑的。
5. 声音， 写成现场的环境声。

用平实的句子。标签和括号注释可能会出现在画面或声音里。

5. 模型自己加的东西

参考图模式是整幅场景重画，空白处会用它自己的想法补上。我们视频里的例子：

• 没人要的声音。 雨中跳舞页的提示词要求不要人声，模型在 raindance-pier 里加了轻柔的女声唱歌；raindance-solo 里嘴型跟着的是这段生成的人声，而不是一首歌。酒店大堂页的 hotel-lobby-duet 里，它加了一段用编造的词说唱的人声。
• 多出来的人。 Bulin 47 页的 bulin-night 里，围观的人是编出来的，而且长得很像。
• 屏幕上是你。 Babydoll 舞页的 babydoll-solo 里，架子上的手机屏幕显示的是她自己的照片。
• 节奏。 younger-self-bench-hug 里拥抱到最后一秒才出现；couple-dance 里两人都没有像场景要求的那样把头靠在对方肩上；Heads Will Roll 页的 heads-hallway 里两人一起跳，但动作不同步。

这些都没有毁掉一段视频，但发出去都会显得不对。先从头到尾看一遍、听一遍。

6. 长度和价格

| 长度 | 我们的参考图视频 | 能放下什么 | |---|---|---| | 5 秒 | 35 | 一个动作：一次拥抱、一次举杯、几步路 | | 10 秒 | 14 | 两个节拍，或三个短镜头 | | 15 秒 | 2 | 三个大约 5 秒的镜头 |

5 秒是几个动作，不是一整套舞：bulin-plaza 里她只跟着节奏走了几步。MiniMax H3 Max 480P 5 秒一段 63 积分，按 9.90 美元首充包算约 0.62 美元；每个页面生成前都会显示准确报价，生成失败会退回积分。

7. 我们不碰的线

• 你自己的照片，或同意了的成年人。 每次参考图请求都带同意确认。不要上传没点头的人。
• 不用名人和公众人物。 大多数这类页面上要勾选的确认原文写着 “No celebrities, public figures or children.”
• 儿童照片只用在专门为此做的页面上。 拥抱小时候的自己收你自己小时候的照片；从小到大收你自己或你孩子小时候的照片；如果你是父母或法定监护人，生日页也收你自己孩子的照片。younger-self-polaroid 和 grow-then-to-now 用的是虚构的小时候照片。其他真人页面只收成年人照片。
• 不是换脸。 这里没有把你的脸放进别人视频或素材的功能，这些页面也不做换脸、换头类搜索。模型根据你自己的照片画新场景。
• 不用热门歌曲。 跳舞页生成的是原创节拍；要加音乐，用你有权使用的。
• 标明 AI。 你从没去过的地方出现了你，这就是 AI。发布时说清楚。

我们怎么测的

本文引用和统计的 61 段视频，都是 2026 年 10 月 5 日到 10 月 28 日在 Cicadas 上通过 fal.ai 生成的，全部用 MiniMax H3 Max，照片是 AI 生成的虚构成年人示例照片（sample-woman、sample-man、sample-friend），两个纪念页用的是虚构的儿童或幼儿照片（sample-child、sample-toddler）。每次请求按页面原样提示词只发一次；某段是第二次重录时，页面上会写明。数字来自截至 2026 年 10 月 28 日我们实录的视频。方法见我们怎么测。