OpenRouter 对比 Veo 3.1、Seedance、Kling 与 Grok Imagine Video 的图生视频能力与价格

如果你已经有视频起始所需的图像，那么选择图像到视频模型就取决于第一帧之后必须发生什么。片段可能需要以第二张精确图像结束、时长超过几秒、包含生成的音频，或者保持在每秒价格以下。

我们提供的视频模型对这些要求的处理方式各不相同。本文涵盖四个模型系列：Veo 3.1、Seedance、Kling 和 Grok Imagine Video。它们并非图像到视频的全部目录。视频模型合集中有完整列表。

你可以通过同一个 视频生成 API 调用它们。提交、轮询和下载的生命周期对每个模型都相同。但每个模型接受的时长、分辨率、帧角色、音频选项和价格则不同。本文比较这些设置，然后展示如何使用 TypeScript SDK 提交图像到视频任务。

摘要

• Veo 3.1、Fast 和 Lite 生成 4、6 或 8 秒的片段，支持首帧和末帧控制以及生成音频。Veo 3.1 和 Fast 最高支持 4K，Lite 止步于 1080p。
• Seedance 2.5 生成 4 到 30 秒的片段，分辨率为 480p 或 720p，接受首帧和末帧，并最多可接受 50 个图像、视频和音频参考素材。Seedance 2.0 系列覆盖 4 到 15 秒。
• Kling v3.0 Standard 和 Pro 生成 3 到 15 秒的片段，分辨率为 720p，支持首帧和末帧控制。音频为可选，并会改变价格。
• Grok Imagine Video 1.5 仅从首帧生成 1 到 15 秒的片段，分辨率为 480p、720p 或 1080p，并带有生成音频。
• 本文中的每个模型都使用 POST /api/v1/videos。GET /api/v1/videos/models 返回每个模型支持的设置和定价 SKU。

图像在视频请求中的使用方式

图像可以定义成片中的某一帧，也可以作为参考素材。我们用两个不同的请求字段来处理这两种情况。

文本到视频、图像到视频和参考到视频

使用 文本到视频 时，模型仅根据你的提示词构建场景。除了提示词所描述的内容之外，你无法控制开场帧。

使用 图像到视频 时，图像会成为首帧、末帧或两者。如果产品视频必须以精确的产品镜头开场，这就是要使用的模式。

使用 参考到视频 时，模型接收源素材，但不会将其固定到某个帧位置。你可以提供某个角色的多张图像，让模型在构建新镜头时保持其外观。

如果图像必须出现在片段中的特定位置，请使用图像到视频。如果它只需要引导结果，请使用参考到视频。

frame_images 和 input_references 字段

我们将这两种模式作为 POST /api/v1/videos 上的独立字段暴露出来。

每个 frame_images 条目都带有一个 frame_type，取值为 first_frame 或 last_frame。并非每个模型都支持这两种角色。视频模型目录中的 supported_frame_images 数组会告诉你某个模型接受哪些角色。

如果你在一个请求中同时发送两个字段，frame_images 优先，我们会将该任务视为图像到视频。

图像到视频模型对比

这些表格涵盖 Veo、Seedance、Kling 和 Grok Imagine Video 系列。我们也提供其他图像到视频模型，视频模型合集是当前目录。

分辨率、时长、帧角色和音频设置来自GET /api/v1/videos/models。价格来自各模型页面。我们在 2026 年 9 月 11 日检查了两者。视频定价因分辨率、音频和输入类型而异，因此请将这些数字视为对比参考，并在估算制作成本前查看模型页面。

输出设置

参考输入和价格

关于阅读这些表格的三点说明。

• 可选音频意味着模型公开了generate_audio请求参数。Grok Imagine Video 模型没有公开该参数。Grok Imagine Video 1.5 的描述称该模型会生成音效、环境音和对话，因此表格将其标记为“是”。较早的 Grok Imagine Video 描述未提及音频，因此表格将其标记为“未列出”。
• 参考输入反映的是模型在其 OpenRouter 页面上的描述所述内容。未列出意味着描述未提及参考图像、视频或音频。这并不意味着我们测试后发现参考会被拒绝。reference-to-video cookbook 说明了如何在你基于此构建之前确认支持情况。
• Seedance 价格是按视频 token 计费，而不是按秒计费。Seedance 2.0 模型页面说明，token 数量为高度乘以宽度乘以时长乘以 24，再除以 1,024。表格中的每秒数字是模型页面针对 480p 输出显示的起始费率。Seedance 2.5 列出每百万视频 token $10.70，Seedance 2.0 在 480p 和 720p 下列出 $7.00，1080p 和 4K 另有费率，Fast 列出 $4.20，Mini 列出 $3.50。带视频输入的请求使用更低的每 token 费率。

因为大多数模型按秒计费，时长也是一项成本决策。按 Seedance 2.5 每秒 $0.1028 的起价计算，一段 4 秒片段起价约 $0.41，一段 30 秒片段起价约 $3.08。在 720p 或不同输入配置下费用更高。

如何选择

时长和帧控制会先缩小候选范围。一旦你确定了片段必须多长，以及是否需要固定首帧、尾帧或两者都要，就可以在剩余模型之间比较音频、分辨率和成本。

8 秒及以下且带生成音频的片段

Veo 3.1、Veo 3.1 Fast 和 Veo 3.1 Lite 可生成 4、6 或 8 秒片段，支持 16:9 或 9:16，具备首帧和尾帧控制，并提供 generate_audio 选项。Veo 3.1 和 Fast 支持 720p、1080p 和 4K。Lite 支持 720p 和 1080p。

Lite 在 720p 无音频时起价为每秒 $0.03，Veo 3.1 在无音频时起价为每秒 $0.20，因此在提示词和运动仍在调整时，Lite 或 Fast 成本更低。image-to-video cookbook 正是出于这个原因使用了 google/veo-3.1-lite。

Veo 3.1 Fast 和 Lite 的模型描述中列出了 SynthID 水印，这是 Google 为 AI 生成内容添加的不可感知标记。如果你的工作流有来源或水印要求，请查看你计划使用的 Veo 变体的模型描述。

最长 30 秒的片段和大量参考素材

Seedance 2.5 可生成 4 到 30 秒片段，支持 480p 或 720p，接受首帧和尾帧，并最多可接受 50 个图像、视频和音频参考素材。它是本次比较中唯一能在一次生成中产出 20 或 30 秒镜头的模型。

Seedance 2.0 系列以更低的起价覆盖 4 到 15 秒。Seedance 2.0 支持 480p、720p、1080p 和 4K。Fast 和 Mini 支持 480p 和 720p。三者的描述中都列出了图像、视频和音频参考。

如果你不需要 30 秒窗口或 50 个素材的额度，2.0 系列以更低的价格覆盖相同的首帧和尾帧工作流。

所有 Seedance 模型都仅通过托管 API 运行。我们没有找到其中任何模型的公开权重或模型许可证，因此它们都无法在本地或气隙环境中运行。

3 到 15 秒的首帧和尾帧控制

Kling v3.0 Standard 和 Pro 可生成 3 到 15 秒片段，支持 720p、16:9、9:16 或 1:1，并具备首帧和尾帧控制。音频为可选。Standard 无音频时每秒 $0.084，带音频时每秒 $0.126。Pro 分别为 $0.112 和 $0.168。快手将 Pro 描述为更高视觉质量层级。

Kling Video O1 可生成 5 或 10 秒片段，支持 720p，具有相同的帧角色，费用为每秒 $0.112。当这两个时长之一已经适合该镜头时使用它。

一个起始帧和最长 15 秒的片段

Grok Imagine Video 1.5 可生成 1 到 15 秒片段，支持 480p、720p 或 1080p，以及七种宽高比。它的 supported_frame_images 数组只列出 first_frame，因此你可以固定开场图像，但不能固定结尾图像。模型描述称其可生成音效、环境音和对话。

更早的 Grok Imagine Video 最高支持 720p，且每秒成本更低。其描述列出了最多七张参考图像的 reference-to-video，而 1.5 的描述未提及这一点。

如果片段必须以第二张精确图像结束，请改用 Veo、Seedance 或 Kling。

提交 image-to-video 任务

选定模型后，请检查源图像是否可通过稳定、可直接下载的 HTTPS URL 访问，以及该模型是否支持你需要的帧角色。

URL 在浏览器中能正常访问，但提供商抓取时仍可能失败，例如它依赖会话 cookie、通过 HTML 页面重定向，或位于机器人检测之后。在花费额度进行生成之前，请先直接检查该 URL。

curl -I "$FIRST_FRAME_URL"

你需要一个 200 状态和一个图像内容类型，例如 image/jpeg、image/png 或 image/webp。

下面的示例使用 google/veo-3.1-lite 生成一段 4 秒 720p 的片段，将提供的图像作为第一帧并关闭音频。REST API 使用 snake_case 字段名，TypeScript SDK 会将其映射为 camelCase。frame_images 变为 frameImages，frame_type 变为 frameType，image_url 变为 imageUrl，generate_audio 变为 generateAudio。诸如 first_frame 和 image_url 这样的值保持不变。

该示例还将 { retries: { strategy: "none" } } 作为第二个参数传给 generate。默认情况下，SDK 会对返回 5XX 状态的请求进行重试，采用指数退避，最长持续一小时。视频提交会启动计费工作，因此如果服务器接受了任务，但在你收到任务 ID 之前返回了瞬时错误，自动重试会提交第二个付费任务，而客户端只能看到第二个。提交时关闭重试后，失败的提交会以错误形式暴露出来，由你决定是否重新提交。按调用设置的选项会让只读的 getGeneration 轮询调用保留默认重试，这些调用可以安全地重复执行。

import { OpenRouter } from "@openrouter/sdk";

const apiKey = process.env.OPENROUTER_API_KEY;
const firstFrameUrl = process.env.FIRST_FRAME_URL;

if (!apiKey) {
  throw new Error("Set OPENROUTER_API_KEY first.");
}

if (!firstFrameUrl) {
  throw new Error("Set FIRST_FRAME_URL to a directly downloadable image URL.");
}

const openRouter = new OpenRouter({ apiKey });

const job = await openRouter.videoGeneration.generate(
  {
    videoGenerationRequest: {
      model: "google/veo-3.1-lite",
      prompt:
        "The camera slowly pushes in as the subject turns toward warm window light, cinematic, realistic motion",
      duration: 4,
      resolution: "720p",
      aspectRatio: "16:9",
      generateAudio: false,
      frameImages: [
        {
          type: "image_url",
          imageUrl: { url: firstFrameUrl },
          frameType: "first_frame",
        },
      ],
    },
  },
  { retries: { strategy: "none" } },
);

console.log(job.id, job.status);

成功提交后返回的是一个任务，而不是完成的 MP4。存储任务 ID 并轮询 GET /api/v1/videos/{jobId}，直到状态为 completed，然后从任务的 unsigned_urls 数组中下载视频（SDK 将其暴露为 unsignedUrls），并在 Authorization 请求头中带上你的 API 密钥。在 failed、cancelled 或 expired 时停止轮询。我们的视频生成指南建议轮询间隔为 30 秒。

let current = job;

while (!["completed", "failed", "cancelled", "expired"].includes(current.status)) {
  await new Promise((resolve) => setTimeout(resolve, 30_000));
  current = await openRouter.videoGeneration.getGeneration({ jobId: job.id });
}

if (current.status !== "completed") {
  throw new Error(current.error ?? `Video generation ${current.status}.`);
}

如果模型支持提供最后一帧，请添加第二个 frameImages 条目，并设置 frameType: "last_frame"。

frameImages: [
  {
    type: "image_url",
    imageUrl: { url: firstFrameUrl },
    frameType: "first_frame",
  },
  {
    type: "image_url",
    imageUrl: { url: lastFrameUrl },
    frameType: "last_frame",
  },
],

如果你的应用允许用户切换模型，请在构建请求之前查询 GET /api/v1/videos/models。响应包含每个模型的 supported_durations、supported_resolutions、supported_aspect_ratios、supported_frame_images、generate_audio 标志以及 pricing_skus。如果请求包含不受支持的时长、分辨率或宽高比，会返回一个 400，其中列出支持的值。

常见问题

OpenRouter 上有哪些图生视频模型可用？

视频目录包括 Veo 3.1 及其 Fast 和 Lite 变体、Seedance 2.5 和 Seedance 2.0 系列、Kling v3.0 Standard 和 Pro、Kling Video O1，以及 Grok Imagine Video 1.5 及其前代产品等。视频模型合集和 GET /api/v1/videos/models 列出了当前可用的集合。

图生视频和参考生视频有什么区别？

图生视频使用 frame_images。图像会成为确切的第一帧、最后一帧，或两者兼有。参考生视频使用 input_references。模型将图像、视频或音频用作指导，而不将它们放在固定帧上。如果请求同时包含这两个字段，frame_images 优先，我们会将该请求视为图生视频。

图生视频生成费用是多少？

大多数视频模型按输出秒数计费，费率可能随分辨率、是否生成音频以及请求是否包含视频输入而变化。Seedance 模型则按视频 token 计费。每个模型页面都会列出当前费率，GET /api/v1/videos/models 会返回每个模型的定价 SKU。

图生视频任务需要多长时间？

视频生成是异步的。POST /api/v1/videos 会立即返回一个任务，你轮询 GET /api/v1/videos/{jobId} 直到状态为 completed。我们的文档建议轮询间隔为 30 秒。周转时间因模型、时长和分辨率而异。

如果视频生成任务失败会怎样？

任务可能以 failed、cancelled 或 expired 结束。当状态达到其中任一值时停止轮询，并读取 error 字段。轮询请求本身的瞬时错误并不代表任务失败，因此应针对同一任务 ID 重试状态请求，而不是提交新的付费生成。