返回指南
多模态·2026年5月25日·更新于 2026年10月10日·阅读约 10 分钟

多模态 AI 指南——通过一个兼容 OpenAI 的 API 处理文本、图像、视频和音频

大多数聚合平台只覆盖文本。Kunavo 在同一 API 上提供图像(Nano Banana、GPT-Image)、视频(Veo 3.1)和音频(Suno)。本指南介绍何时使用哪个模型,以及如何将它们串联成生产级多模态工作流。

最后审核于 。

大多数 LLM 聚合平台止步于文本。产品一旦需要生成图像、编辑照片、将静态图动画化为视频、为广告配音或创作音乐,您就又要管理三个供应商、三笔账单和三个 SDK。Kunavo 通过同一个 OpenAI 兼容 API 提供全部能力。本指南介绍何时选择哪种模态、每种模态的模型菜单,以及如何将它们串联成生产级多模态流水线。

模态菜单(以及每种模态的用途)

  • 文本生成——Claude Opus/Sonnet/Haiku 和 GPT。用于推理、聊天、结构化输出。/docs/chat
  • 图像生成(文生图)——Nano Banana Pro、GPT-Image-2、Nano Banana 2。选择取决于使用场景(见下方对比)
  • 图像编辑(图生图)——Nano Banana Edit、GPT-Image-2 Edit。替换包装上的文字、更换背景、改变风格
  • 视频生成——Veo 3 Lite/Fast/Quality、Seedance 2 和 Seedance 2 Fast、Wan 2.7。支持文生视频和图生视频
  • 音频——音乐——Suno V5 / V5.5。根据提示词生成完整歌曲

在 /models 浏览完整目录。

选择图像模型——30 秒规则

  • 需要图像中有清晰文字(UI 模拟图、海报、标牌)?→ Nano Banana Pro。没有悬念
  • 字面、详细的提示词?→ GPT-Image-2。提示词理解能力强;所有分辨率均为统一价格
  • 高量处理且关注成本?→ Nano Banana 2。1K 下最便宜,保真度也足够高
  • 需要有景深的电影感?→ Nano Banana Pro。散景确实具有电影感

完整深度解析见我们的图像模型对比——实时图像模型比较。

选择视频模型

目前有三大系列,它们采用不同的计费单位——Veo 3 按视频计费,Seedance 和 Wan 按输出秒数计费。以下价格为目录费率:

模型Kunavo 价格计费单位适用场景
veo-3-quality$1.60+每段视频总体保真度最佳,原生音频
veo-3$0.36+每段视频适合大多数生产片段的最佳平衡点
veo-3-lite$0.18+每段视频构思阶段的低成本迭代
seedance-2$0.114+每秒视频运动表现强,提示词遵循度高
seedance-2-fast$0.093+每秒视频牺牲部分保真度以换取速度
seedance-2-mini$0.0245+每秒视频每秒最便宜,适合高量短片段
wan-2-7$0.096+每秒视频电影质感的文本生成视频,720p 或 1080p

由于端点与模型无关,切换系列只需修改 model 字段,其他无需更改。视频快速入门见我们的 Veo 3 视频快速入门;各模型详情见Seedance API和Wan API指南。

生成图像——基础知识

image.py
# Text-to-image: same OpenAI SDK, different model slug
img = client.images.generate(
    model="nano-banana-pro",          # Google's flagship — best text rendering
    prompt="a marketing hero for a fintech app, isometric, soft blue palette",
    size="1024x1024",
)
print(img.data[0].url)  # permanent: https://files.kunavo.com/...

结果 URL 是永久的,图像和视频都一样:Kunavo 会将每个结果归档到其 files.kunavo.com CDN,并返回归档文件的 URL。

图生视频——让现有资产动起来

您已经在网站上拥有产品摄影图。Veo 3 可以将其中任何一张动画化为 8 秒产品片段:

image_to_video.py
# Image-to-video: upload a hero image, animate into an 8-second product clip
# (every Veo clip is 8 seconds; the Veo models ignore "duration").
# The OpenAI SDK has no method for the video route, so post to it with the
# same client.
video = client.post(
    "/video/generations",
    body={
        "model": "veo-3",
        "prompt": "camera slowly orbits, soft cinematic light, product hero shot",
        "image_url": hero_image_url,
        "aspect_ratio": "9:16",   # vertical for Reels / TikTok / IG short
        "resolution": "1080p",
    },
    cast_to=object,
    options={"timeout": 600.0},   # a clip takes minutes
)
print(video["data"][0]["url"])

此前每次视频拍摄花费 $500-1500 的营销团队,现在可以将其压缩为一个片段,费用从 $0.18+(Veo 3.1 Lite)到 $1.60+(Veo 3.1 Quality),再加约 30 秒计算成本。尤其适合电商主视觉动画、App Store / Play Store 截图和社交媒体产品展示。

串联多种模态——真正的超能力

有趣的工作流会按顺序混合多种模态。一条营销片段生产线:

pipeline.py
# Pipeline: GPT-Image generates a marketing hero, Veo 3 animates it,
# Suno scores the BGM. One API, one bill.
# Here client is AsyncOpenAI(api_key=..., base_url="https://api.kunavo.com/v1").
async def make_marketing_clip(product: dict) -> dict:
    # 1. Hero image
    img = await client.images.generate(
        model="gpt-image-2",
        prompt=f"hero shot of {product['name']}, premium aesthetic",
        size="1024x1792",
    )

    # 2. Animate to 8s vertical (the length of every Veo clip). The SDK has
    #    no method for the video and music routes, so post to them directly.
    video = await client.post(
        "/video/generations",
        body={
            "model": "veo-3",
            "prompt": f"camera orbits {product['name']}, cinematic lighting",
            "image_url": img.data[0].url,
            "aspect_ratio": "9:16",
        },
        cast_to=object,
        options={"timeout": 600.0},
    )

    # 3. BGM
    bgm = await client.post(
        "/audio/music",
        body={
            "model": "suno-v5",
            "prompt": "upbeat synth, 30 seconds, brand-friendly",
        },
        cast_to=object,
        options={"timeout": 600.0},
    )

    return {"video": video["data"][0]["url"], "bgm": bgm["data"][0]["url"]}

使用 asyncio.gather() 并行处理 100 个 SKU,您就拥有了一条营销目录生产流水线。端到端总成本约为每个 SKU $1-2。相比之下,创意机构每个资产收费 $500-2000。

实际注意事项

  • 结果 URL 有效期:图像和视频在 Kunavo 的 files.kunavo.com 上都永久有效;其他域名下的 URL 是归档失败时返回的上游临时 URL(请重新托管)
  • 生成时间:图像约 5-30 秒,视频约 30 秒-3 分钟,音乐约 30 秒。服务端使用 force-dynamic,并向用户展示进度
  • 生成失败不收费——Kunavo 永远不会对 4xx/5xx 收费,因此可以自由迭代提示词
  • 视频中的文字渲染:Veo 3 在视频中处理多词文字时表现不佳。请在后期制作中渲染文字(CapCut、Final Cut、浏览器端 canvas),不要要求模型进行渲染
  • 真实面孔 / IP:所有主要模型都会拒绝生成名人、政治人物和受版权保护的角色。请坚持使用原创角色或已获授权的 IP
  • 宽高比:9:16(竖屏短片)、16:9(横屏)、1:1(信息流)、4:5(Instagram 纵向)。视频通过 aspect_ratio 传入;图像则使用 size="1024x1792" 等

常见多模态使用场景(附起始提示词)

  • 电商产品主视觉动画——图生视频、环绕式镜头、8 秒、9:16
  • 房地产虚拟布置——编辑图像,为空房间添加家具
  • 营销轮播图 / Reels 制作——使用您的品牌风格批量生成图像 + Veo 动画
  • 教育讲解片段——将幻灯片生成为图像,使用 Veo 3 制作动画,使用 Suno 配乐
  • 播客片头和音频品牌——使用 Suno 根据提示词为节目生成音乐床和短音效
  • 游戏 / 应用资产生成——通过 Nano Banana Pro / GPT-Image-2 生成角色肖像、物品图标和环境背景

何时不应使用多模态

  • 严格的品牌资产——即使提示词严谨,模型输出也会漂移。使用 AI 为人工设计的主版本生成变体,而不是替代主版本
  • 真实人物的面孔——所有主要模型都会拒绝;绕过限制会带来法律/IP 风险
  • 实时视频 / 实时生成——当前模型每个片段需要 30 秒-3 分钟。尚不适合实时使用场景
  • 高风险准确性场景——医学影像、法律证据、科学出版物。多模态生成是创意性的,而非事实性的

单一账单下的多模态能力正是 Kunavo 的真正用途。从 /docs/images 或 /docs/video 开始查看端点参考,或按类别筛选浏览 /models。

有关这些流水线背后的各模型价格表,请参阅图像生成 API 对比和视频生成 API 对比。

常见问题

AI 视频生成每个片段的费用是多少?

在 Kunavo,Veo 3.1 Quality 的价格是 $1.60+ 每段视频,Veo 3.1 Fast 的价格是 $0.36+ 每段视频,而 Veo 3.1 Lite 的价格是 $0.18+ 每段视频,适合低成本迭代。Seedance 和 Wan 则按输出秒数计费:Seedance 2 为 $0.114+ 每秒视频,Seedance 2 Fast 为 $0.093+ 每秒视频,Wan 2.7 为 $0.096+ 每秒视频。此前每次视频拍摄花费 $500–1,500 的营销团队,现在可以以以上价格加约 30 秒计算成本获得相当的片段。

生成的图像和视频 URL 有效期多长?

两者都是永久的:Kunavo 会将每张生成的图像和每个视频归档到自己的 CDN,并返回不会过期的 files.kunavo.com URL。如果 URL 位于其他域名,那就是归档失败时返回的上游临时 URL;请重新托管这类文件。

图像、视频和音乐生成需要多长时间?

图像大约需要 5–30 秒,视频需要 30 秒至 3 分钟,音乐约需 30 秒。这使当前模型不适合实时或即时使用场景。

失败的图像或视频生成会收费吗?

不会。Kunavo 永远不会对 4xx 或 5xx 响应收费,因此反复调整提示词直到成功,除了成功生成本身之外不会产生额外费用。

我应该选择哪个图像模型?

当图像必须包含清晰文字(UI 模拟图、海报、标牌)以及需要电影感景深时,选择 Nano Banana Pro。对于字面、详细的提示词,选择 GPT-Image-2;所有分辨率均为统一价格。需要高量处理且关注成本时,选择 Nano Banana 2;它在 1K 下最便宜,同时保真度也足够高。

每个资产的完整多模态流水线费用是多少?

在 Kunavo 上,将图像生成、图生视频和音乐伴奏串联起来,每个 SKU 端到端的费用约为 $1–2;创意机构每个资产的费用则为 $500–2,000。三种模态都通过同一个 OpenAI 兼容 API 运行,并从同一余额中扣费。