AI 模型指南
NGMC 集成了四大家族的 AI 模型 —— 图像、视频、音频与对话。每个模型都有独特的能力、强项和局限。本指南帮你选对模型、用好模型。
图像模型
从文字提示词与参考图生成、编辑静态图像。
| 模型 | 速度 | 最高分辨率 | 参考图像 | 核心强项 |
|---|---|---|---|---|
| GPT Image 2 | ~45 秒 | 4K (3840x3840) | 支持 | 忠实还原提示词的生成 + 编辑,三档画质 |
| GPT Image 2 Agent | 2–30 分钟 | 4K (3840x3840) | 最多 6 张(全帧共享) | AI 规划的多帧成组输出 —— 一次运行出故事板 |
| Nano Banana Pro | ~45 秒 | 4K (6336x5504) | 最多 6 张 | 专业品质,多轮编辑 |
| Nano Banana 2 | ~15 秒 | 4K (4096x4096) | 最多 14 张 | 参考图最多,0.5K 草图模式 |
| Nano Banana 2 Lite | ~2 秒 | 1K | 最多 14 张 | 最快最便宜的迭代 |
| Grok Image Pro | ~15 秒 | 2K | 最多 3 张 | 多图融合、自适应 + 手机屏比例、单次 4 张 |
| MAI Image 2.5 | ~30 秒 | ~1.3K | 1 张 | 照片级写实 + 图内文字渲染 |
| Seedream 5.0 Pro | ~30 秒 | 2K | 最多 10 张 | 涂鸦/区域引导编辑,图层工作台 |
视频模型
从文字、图像或参考生成视频 —— 甚至编辑现成素材。
| 模型 | 速度 | 最高分辨率 | 时长 | 音频 | 核心强项 |
|---|---|---|---|---|---|
| Veo 3.1 | ~2 分钟 | 4K | 4 / 6 / 8 秒 | 原生音频 + 对白 | 最高品质,视频延展 |
| Veo 3.1 Fast | ~45 秒 | 4K | 4 / 6 / 8 秒 | 原生音频 + 对白 | 快速迭代,分辨率档位齐全 |
| Seedance 2.0 | ~2 分钟 | 4K | 4–15 秒(连续) | 可选原生音频 | 电影级品质,图像+视频+音频混合参考 |
| Seedance 2.0 Fast | ~45 秒 | 720p | 4–15 秒(连续) | 可选原生音频 | Seedance 快速迭代 |
| Seedance 2.0 Mini | ~30 秒 | 720p | 4–15 秒(连续) | 可选原生音频 | 最便宜的 Seedance 草稿 |
| HappyHorse 1.1 | ~1 分钟 | 1080p | 3–15 秒(连续) | 无 | 9 张参考图、物理真实感、支持种子 |
| Grok Video 1.5 | 1–3 分钟 | 1080p | 1–15 秒(连续) | 原生音频 + 口型同步对白 | 1 秒起步时长,自适应比例 |
| Gemini Omni Flash | ~1 分钟 | 720p | 最长 10 秒 | 原生音频 | 视频编辑 + 30 张参考图 |
音频模型
音乐、音效与配音旁白。
| 模型 | 类别 | 速度 | 时长 | 核心强项 |
|---|---|---|---|---|
| Lyria 3 Clip | 音乐 | ~30 秒 | 固定 30 秒 | 音乐快速迭代,图像参考 |
| Lyria 3 Pro | 音乐 | ~1 分钟 | 最长 2 分钟 | 完整歌曲结构,时间戳控制 |
| ElevenLabs Music V2 | 音乐 | ~30 秒 | 3 秒 – 10 分钟(精确) | 精确长度整曲,免版税 |
| ElevenLabs Sound Effects | 音效 | ~10 秒 | 最长 30 秒 | 拟音/braam/环境音,无缝循环 |
| Seed Audio 1.0 | 多模态 | ~30 秒 | 最长 2 分钟 | 参考音频风格引导,图像引导氛围 |
| Gemini 3.1 Flash TTS | 配音 | ~10 秒 | 最长 3 分钟 | 30 音色,双人对话,音频标签 |
| Qwen3 TTS Flash | 配音 | ~10 秒 | 最长 3 分钟 | 36 音色,含 8 种中文方言 |
| Qwen3 TTS Instruct | 配音 | ~10 秒 | 最长 3 分钟 | 自然语言演绎指令 |
对话模型
用于写作、规划与分析的 AI 对话节点 —— 支持视觉与超长上下文。
| 模型 | 上下文 | 推理力度 | 核心强项 |
|---|---|---|---|
| Claude Opus 4.6 | 100 万 token | None – High | 编剧主力,又快又深 |
| Claude Fable 5 | 100 万 token | Low – X-High(思考常开) | 最难的推理 + 长线写作(Max 套餐) |
| GPT 5.5 | 100 万 token | None – X-High | 最宽力度区间,结构化规划 |
三者都能看到连接的图像(最多 10 张)、读取连接的文档(最多 100 个),并把回复流式写进画布对话。
在提示词里引用图像
你可以在提示词中使用 @ 提及,精确告诉模型每张参考图像的用途。
工作方式
在提示词输入框中键入 @ 打开引用选择器。选中一张图像后,一个类似 @[Image 1] 的提及会插入到该位置。生成时,模型会在你文本的那个确切位置看到实际图像,获得精准的上下文。
示例:
参照 @[Image 2] 再添加一只布偶猫,并把背景换成
@[Image 1] 里的风景。
模型在"参照"之后收到 Image 2、在"风景"处收到 Image 1,因此清楚每张图像的用途。
不使用 @ 提及
如果不用 @,所有参考图像会追加在提示词文本之后。模型仍然能看到它们,但需要自行推断每张图的用途。简单场景(单一参考、风格迁移)没有问题;需要模型区分多张图像时请使用 @。
选型建议
- 快速迭代想法? 图像用 Nano Banana 2 Lite(~2 秒);视频用 Seedance Fast/Mini、Veo 3.1 Fast 或 Gemini Omni Flash。
- 最终成片品质? 图像用 Nano Banana Pro 或 Seedream 5.0 Pro;视频用 Veo 3.1 或 Seedance 2.0 的 4K 档。
- 需要很多参考图? Nano Banana 2 / Lite 收 14 张;Seedream 5.0 Pro 收 10 张;视频侧 Omni Flash 收 30 张。
- 混合参考输入(图像 + 视频 + 音频)? Seedance 2.0 同一次运行接受全部三种模态。
- 要编辑现成素材? Gemini Omni Flash 是唯一的视频编辑模型。
- 视频里要对白? Veo 3.1 / Fast 会把提示词中带引号的文本生成为语音。
- 一次运行出整套故事板? GPT Image 2 Agent 规划并渲染最多 10 张连贯帧。
- 配音? Gemini TTS(对话、标签)、Qwen3 TTS(中文方言)或 Seed Audio 1.0(参考音频风格引导)。
- 精确长度的音乐? ElevenLabs Music V2 按秒渲染 3 秒–10 分钟。
- 精准空间编辑? Seedream 5.0 Pro 的涂鸦 + 坐标标记编辑。