在 Zorival 中，视频创作以位置语义参考图和精准首帧控制为核心，将静态资产稳定驱动为具有连续动作、平滑机位运镜、精准台词口型与原生音效的高品质视听短片。
视频生成具有四个独立的档位，创作者可根据成片需求选择对应的支持规格：
| 档位名称 | 分辨率支持 | 支持时长范围 | 参考图上限 | 音频支持 | 核心特长与适用场景 |
|---|---|---|---|---|---|
| 极速档 (Fast) | 480P / 720P | 5~15 秒（默认 5 秒） | 1 格首帧（其余参考格仅用于出首帧） | 支持原生说话 (不支持参考音色) | 轻量快速打样。有首帧从首帧生成，无首帧按文字生成；参考格仅用于生成首帧。 |
| 标准档 (Standard) | 540P / 720P / 1080P | 最长 15 秒 | 最多 10 张 | 支持参考音色 (≤12秒，最多3段) 与原生音画 | 支持 540P / 720P / 1080P 分辨率与纯文字直接出片；支持挂载参考音色；多参考图支持人物与场景组合。 |
| 专业档 (Pro) | 480P / 720P / 1080P | 最长 30 秒 | 最多 10 张 | 支持参考音色与多轨配音 (≤15秒)；支持参考视频 | 高品质画质；单镜头支持到 30 秒长镜头口播；多角色独立台词配音；高难度连续形变。 |
| 旗舰 · 敬请期待 (Flagship · Coming soon) | — | 即将发布 | — | — | 新的旗舰模型即将发布，敬请期待。 |
视频一致性依赖于素材的装填方式。理解坑位定义与各档位的首帧行为，是获得预期成片效果的前提。
1. 坑位的位置语义与排列规则
- 坑位标准排队顺序：首帧 → 主角 → 场景 → 配角 → 道具 ... 专业档支持后扩 5 格：配角2、配角3、道具2、服装、环境（最多 10 格）。
- 为什么位置不能随意挤占：模型理解图意时依赖提示词中对“图n”的点名对应。如果第 2 格场景留空，直接在第 4 格放入道具，系统会自动剔除空格并将素材按有效顺序发往模型，提示词中的编号与实际解析顺序需完全吻合。未点名的素材不会建立正确映射。
2. 首帧在各档位的界面定义与开场表现
不同档位在首帧格的界面定义与成片开场行为如下（与操作界面提示保持一致）：
| 档位 | 格子名称 | 界面说明文字 |
|---|---|---|
| 极速 480P | 首帧 | 首帧：视频从这张图开始 |
| 极速 720P | 首帧 | 首帧：视频从这张图开始 |
| 标准档 | 首帧 | 仅放首帧不挂音色时视频从该图开始；多参考图或挂音色时从该图附近开始 |
| 专业档 | 首帧 | 首帧：用于确定开头画面，结果可能略有变化 |
3. 零参考图时的生成行为
- 极速档：无首帧时按文字生成，规格支持 480P/720P，时长 5~15 秒，支持原生声音。
- 标准档：支持纯文字生成，支持 540P/720P/1080P 分辨率，时长最长 15 秒，支持原生音效生成。
- 专业档：不支持零参考图，提交前界面将提示并要求至少提供一张图。
4. 参考音频与台词配音的用法
Zorival 视频支持挂载参考音频，其工作流分为两种核心用途：
- 只借音色：模型提取音频中的音色特质，朗读提示词中书写的台词。专业档的嗓音性别与人像长相高度相关（女性画面配男声时，成片会偏向女声）。
- 连台词配音：将参考音频直接作为成片音轨，模型照着音频发音匹配口型。台词输入框中需一字不差地输入音频中的原话以精准对齐发音波形。
1. 基础公式与进阶公式
- 基础动态公式 = 【主体运动】 + 【镜头运镜】 + 【环境动态】
- 进阶全要素公式 = 【主体外貌与服装锁定】 + 【首帧状态衔接】 + 【动作时序演进】 + 【摄影机运动轨迹】 + 【光影/粒子物理反应】 + 【负向禁令】
2. 首帧图生视频与一镜到底时序公式
以下案例均为 Zorival 官方实跑成片作品，参数均与线上环境一致，支持在平台上一键带入参数复现。
1. 运动爆发与一镜到底运镜
赛车弹射起步(一镜到底·带首帧)
图1为主体：ZORIVAL 赛道，黑橙 07 号赛车与白橙赛车并排。严格保持图1的画风、车辆涂装、赛道与看台环境一致。开画瞬间两车已同时弹射离线：后轮疯狂空转，轮胎炸出大团白烟，排气口喷出橙蓝色火舌，车尾下坐、车身猛地窜出，并排撕开烟幕向前狂奔，速度持续攀升。摄影机贴地低机位紧贴车尾同步加速跟拍，被气浪与轰鸣震得剧烈抖动；路面、龙门架与看台在画面两侧高速向后拉扯，满屏速度线与强烈动态模糊，看台人群起立挥旗。保留车身、龙门架与围栏上的 ZORIVAL 涂装与字样。全程一镜到底，不切镜头、不转场、不切换机位。
巨龙喷火(带参考图)
低机位缓慢推进，巨龙静伏尘土中，喉部裂隙自内亮起橙白高温光，热浪扭曲空气，浮尘被吸向龙口形成气流旋涡；随即巨龙猛然张口，一道高密度烈焰横向喷出贯穿画面，火焰呈螺旋冲击形态并炸开细碎火星与冲击波气浪，地面被照亮呈熔金色反光，镜头轻微后拉并侧向跟随，强化火焰的长度与速度。全程一镜到底，不切镜头
2. 机械结构连续形变与物理音效
机甲鞋变形穿戴(带首帧)
【场景锁定】完整保持首帧画面中的环境不变：浅色橡木地板、白色墙面、侧窗射入的 自然光、背景的玻璃陈设与绿植。环境、光线、色调全程不得改变，不要出现实验室、 车间、金属台面或人造冷光。 【镜头锁定】一镜到底，全程不切换镜头、不转场、不跳切。机位固定不动， 不推近、不摇摄、不变焦。构图与首帧完全一致。 【动作】一只穿着深色短袜的脚从画面上方缓缓踏入鞋内。脚掌落稳后，鞋侧装甲板 由前向后依次合拢，包裹住脚背与脚踝；液压杆收缩，齿轮转动咬合，绑带自动收紧。 鞋子始终停在原地不移动、不转向，完成变形后保持与首帧完全相同的位置和角度。 【发光克制】鞋跟的能量核心由微弱待机变为明亮，冷蓝色光仅限于核心本身及其周围 一小圈，不要蔓延到整只鞋，不要出现贯穿全身的发光线条。 【品牌】鞋侧装甲板上的 ZORIVAL 蚀刻字样，变形过程中可以随装甲板一同运动、 被短暂遮挡或产生透视变化；但变形完成后，必须清晰完整、拼写准确地出现在画面中。 【声音】连贯的一段机械穿戴音：先是液压杆伸缩的低沉气压声，接着是装甲板逐块 咬合的清脆金属咔哒声，由密到疏、由快到慢，最后落在能量核心启动时一记短促的 电流充能声。全程音效厚重、连贯、无断层，与画面动作精确同步。 无背景音乐，无人声，无环境噪音。
3. 微表情递进与情绪长镜头
微表情控制(15秒一镜到底)
⚠️ 这是一镜到底的单一连续长镜头。全片无剪辑、无跳切、无转场、 不切换机位、不改变景别、不改变焦距。以下时间轴描述的是**同一个镜头内** 表演随时间的连续推进，不是分镜列表。各阶段之间必须平滑演化、无缝衔接， 严禁出现任何画面跳变、表情突变或人物位置突变。 固定机位，镜头全程绝对静止，不推不摇不移。景别与首帧完全一致， 人物面部特征、发型、衣着、光线严格保持与首帧一致。 全程无台词、人物不说话、嘴唇不做发声动作。 起始（约0–2.5秒）：几乎静止。维持首帧那份沉下去的安静，像是已经认了。 呼吸很浅，视线落在斜下方的虚空。极缓慢地眨一次眼。 紧接着（约2.5–5秒）：不间断地，她听见了什么。瞳孔骤然收拢， 上眼睑掀起一点，视线开始从斜下方缓慢上抬——眉心极轻微地皱了一下：她还不敢信。 顺势（约5–7.5秒）：视线继续平滑上抬到接近水平，落在镜头外的某个人身上。 眼眶自内眼角向外泛红，泪水在下睫毛处聚集、晶莹反光。 嘴角向下压了一下——第一次忍住了。 不停顿地（约7.5–10秒）：第二波涌上来，更凶。喉咙明显滚动一次， 下巴极轻微地发抖，鼻翼张了一下。泪水聚满到临界，摇摇欲坠—— 但她仍然咬住，没有让它落下。这是全片最紧的一刻。 随即（约10–12.5秒）：绷不住了。唇角缓慢向上扬起，形成一个颤抖的、克制的笑； 几乎在同一瞬间，第一滴泪越过下睫毛滑落，划过颧骨。 是笑着哭，不是哭着笑——笑意先到，泪水随后。 最后（约12.5–15秒）：肩膀明显松下来。头极轻微地向镜头方向转了一点点， 像是终于敢正眼看向对方。第二滴泪落下，眼睛因为笑而弯起。 最后一秒归于平静的释然，呼吸重新变长。 以上全部发生在一个不间断的连续镜头里。 画面中不得出现任何文字、字幕、水印或标注。
4. 连续多动作分秒编排
连续动作编排(比心→墨镜)
固定机位中景半身，人物位置与背景保持不动。开场1秒：她看向镜头，轻轻抿嘴微笑。第2至4秒：双手抬到胸前，十指相扣比出一个完整清晰的爱心手势，指尖对齐。第5至6秒：放下左手，对着镜头俏皮地眨眨眼，头微微向右侧倾。第7至10秒：右手从画面下方拿起一副黑色墨镜，自然地戴到眼前，戴稳后收手，嘴角上扬定格。全程发型、服装、妆容、光线与背景严格保持一致，无镜头推拉、无剪辑转场、无字幕。
5. 30 秒单人长镜头角色口播
30秒一镜到底·角色口播
她坐在木桌前正对镜头说话，神情从容自信，偶有自然的手势，暖色午后侧光，背景是虚化的分镜稿墙，镜头极缓慢地轻推。她从头到尾连贯地说完下面这段话，不重复、不停顿过久、不即兴发挥，口型与每一个字精确同步。她说的台词是：「做漫剧最崩溃的是什么？第二镜的角色，和第一镜长得不一样了。重画一遍，第三镜又变了。Zorival 换了个做法：把角色、商品、场景和声音，一次性存成资产；之后每一镜，都从同一份资产里取。所以脸不会飘，商品不会走样。小说丢进来自动拆成分镜，商品图直接出海报和成片。提示词全部公开，点一下就能复现。」
6. 双人同框各说各话对话视频
双人对戏·各说各的话
雨夜街头，两人共撑一把伞面对面站着，霓虹灯在湿地面上反光。镜头缓慢平移，两人依次开口说话，口型清晰可见。女子说：「你要走的话，就别回头了。」男子答：「我回头，是想告诉你我会回来。」全程一镜到底，不切镜头、不转场
7. 商业模特手持产品广告
模特手持商品(三张参考图)
模特手持香水瓶缓缓抬至锁骨前方，指尖轻扶瓶身，目光转向镜头。镜头极缓推进，瓶身金色标签始终朝向镜头且清晰可辨，发丝与光影自然流动。商业广告质感，全程一镜到底，不切镜头
8. 拍打斗与大动作（实战解析）
拍打斗、交锋与大幅度动作，容易出现画面自行切镜、画风突变或武器凭空增减的问题。通过实测验证，以下是稳定出片的可复现要领：
- 首帧画在动作进行中途：首帧图建议画在动作已经爆发、进行到一半的瞬间（如腾空出剑、双剑交锋、衣袂飞扬的瞬间），避免使用静止站立对峙的画面。模型从一个已经在高速运动的画面接着演进，能带来更充分的动态幅度。
- 一个镜头一镜到底，不切镜头：提示词中明确写入「一镜到底，不切镜、不转场」。模型自作主张的硬切往往是武器多出或服装画风变样的根源。若需要切换视角或景别，应当在分镜中新开一个镜头，重新绘制对应机位的首帧。
- 写明道具数量与持握状态：明确指出画面中道具的具体数量与归属。例如：「全程只有两柄剑，他右手一柄、她右手一柄」。为剑客左手安排剑鞘或明确手势，有助于大幅减少凭空多出武器的概率。
- 对白安排在打斗前后：打斗激烈交锋的段落不宜安排台词，将对白放在动作展开前或收招之后。
- 角色节点与人像音色支持：在画布中，可通过「视频角色」节点正常引入角色人像与音色，在保证打斗动作的同时维持角色与声音特征。
画布示例：大漠对决
两位古风真人角色（谢珩、云裳）用定装合成大漠首帧；两个「视频角色」节点分别绑上各自的人像和音色，一镜到底完成 15 秒的对打：打斗前后各有两句对白，中间快攻快挡、黄沙飞溅。共 8 个节点，可在电脑端直接在画布中打开、一键复现，换成你自己的角色、声音和台词即可。
- 运镜方式：locked-off camera / static shot（固定机位，静止）, slow push-in（镜头缓慢推近）, ground-level tracking shot（贴地跟拍）, slow pan（平缓横摇）
- 镜头约束：one continuous take / single shot（一镜到底）, no cuts, no transitions, no jump cuts（无剪辑、无转场、无跳切）, framing identical to first frame（构图与首帧保持一致）
- 人物微动态：subtle breathing / shallow breathing（轻微呼吸起伏）, slow blink（缓慢眨眼）, pupils contract sharply（瞳孔收缩）, corners of mouth press down（嘴角微抿下压）
- 物理动态：pneumatic hiss and metallic clacks（气压声与金属咬合声）, motion blur and speed streaks（动态模糊与速度线条）, splashing water / swirling smoke（水花飞溅 / 烟幕涡流）
- 起步税规律与动作前置：模型从静止的首帧过渡到大幅运动存在约 1 秒的固有启动开销。提示词开头写明“开画瞬间动作已在发生”，有助于引导模型迅速进入高动态。
- 单镜头专注单一运镜指令：避免在同一个镜头提示词内堆叠复合运镜（如“一边俯冲一边盘旋再穿过缝隙”），容易退化为普通推镜。分拆成独立镜头生成更为稳健。
- 保持主体画面大占比以锁住细节：高速运动的主体如果远离镜头缩成小点，服饰和涂装容易产生细节漂移。摄影机紧跟主体贴近拍摄能有效保持特征稳定。
- 慎用全局禁文字通用词：如果画面包含车身赞助商字样或包装标签等有意植入的文字，切忌添加“画面中不要出现任何文字”的通用负向词，反向指明保留自创字样。
- 单镜头时长上限：专业档单镜头最长支持 30 秒，标准档最长 15 秒，极速档最长 15 秒（默认 5 秒）。
- 参考音频时长上限：标准档单段样本为 3~12 秒（最多 3 段，长于 12 秒取前 12 秒）；专业档单段最长 15 秒、合计不超过 15 秒。只借音色模式下长样本会自动智能截短而不丢失另外书写的台词；配音模式下请先精简录音时长。
- 多角色发声人数：视频页一个镜头最多 4 位角色各用各的声音，画布一个视频节点最多 5 位。