【AI实测】免费生成视频到底行不行？实测 Agnes AI 视频模型

在上一篇《免费出图到底行不行？实测 Agnes AI 图片模型》里认真测过——不涉及汉字的图，质量确实够用，还免费。但它卡在图像尺寸上：公众号封面要的比例它就不支持，所以我手头的工作流暂时还是用不上它，顶多在没有积分消耗的其他场景里当个候选。图片这条线，后面还得再多验证、多尝试。

至于视频，我当初也弃用过——理由更直接：“又慢又不可控”，做视频流水线时塞进去没几天就撤了。不过当初测得太敷衍，这次再认真测一下视频生成。

这次延续图片篇的测法，照着业界通用的测试题来跑，每个场景多试几次，画面再用别的工具核对一遍——一共 28 条 1080p 视频，同一个提示词会反复跑 5 次看稳不稳，还试了”图生视频”（给一张图当开头，让它接着往下生成）。

视频模型是 agnes-video-v2.0，接口兼容 OpenAI 格式——去 platform.agnes-ai.com 注册拿 API Key，base_url 改成 https://apihub.agnes-ai.com/v1、Bearer Token 认证就能跑。这篇文章每一段视频都是真跑 API 跑出来的，提示词都写在对应场景里，接口上面也给了，有兴趣可以自己跑跑看。

TL;DR · 太长不看

• 只算勉强能用，跟最新模型差一截：逐题实测没有多腿、变形、塑料感这类明显瑕疵，但画面精细度、动态质感追不上一线模型，稍微复杂点的镜头变化也扛不住——能稳跑的多是简单场景、缓节奏运动。
• 真正的短板是锁不住角色：同一条提示词反复跑 5 次，每次都符合描述（遵循度高），但姿态、背景各不相同（一致性差），拼不成连续镜头——文生视频基本就是”抽卡”。
• 想画面一致，得靠图生视频：先用文生图锁定主体做关键帧，再让它接着动起来，3 个场景主体一致度全”高”，这是唯一能锁住角色的路。
• 慢：生成耗时约是成片的 60 倍，做 1 分钟 1080p 成片要等约 1 小时（单条约 209 秒）；片段做得长一点，单位成本反而更低。
• 并发对个人够用：8 条一起跑能拿到约 6.5× 加速、成功率 100%，偶尔撞上网络抖动或限流重试即可。
• 免费，但每日有调用限额：拿来试水、做副链路、跑实验都行，真要上量得多备几个 API Key 轮换——别把生产主力押在免费上。
• 支持真 1080p（1920×1080），这点比图片接口强，图片接口出不了真 1080p。

下面是完整过程。

一、视频生成：画面过关，但慢、锁不住角色

逐题实测（视觉复核）

基础 4 个维度各跑 3 条，下面每个场景都列了各次的封面帧（=视频中间帧）；公众号图文单篇最多嵌 10 个视频，所以每组只有第 1 次是可播放视频（点第 1 次封面帧即可看动态），其余几次只展示封面帧。每个都标了视觉复核的结论。

1. 单主体运动 · 橘猫海滩走（VBench 经典运动项）

提示词：A fluffy orange cat walking along a beach at sunset, gentle waves in the background, cinematic, slow motion（81 帧 @24fps ≈3.4s，1920×1080）

第 1 次	第 2 次	第 3 次

4 条腿、身体比例正常、无变形/融合/塑料感，物理合理 — 过关。

2. 复杂多动态 · 夜间城市航拍（VBench 多动态元素）

提示词：Aerial drone shot of a busy city intersection at night, cars with headlights moving, neon signs, rain on the streets（81 帧 @24fps ≈3.4s，1920×1080）

第 1 次	第 2 次	第 3 次

俯瞰航拍正确，车灯轨迹/霓虹/湿街反光都在，远处招牌文字虽然乱码——不过免费 AI 要啥自行车，算勉强过关。

3. 运镜控制 · 科幻走廊推镜头（VBench camera motion）

提示词：Dolly zoom shot moving forward through a long futuristic corridor with glowing blue lights, camera continuously pushing in, dramatic perspective, cinematic（81 帧 @24fps ≈3.4s，1920×1080）

第 1 次	第 2 次	第 3 次

发光走廊、强透视纵深、远端汇聚点正确（单帧判不了镜头是否真”持续前推”，看 mp4） — 过关。

4. 特殊场景 · 水下海龟（流体渲染）

提示词：Underwater scene, a sea turtle swimming over a coral reef, sun rays filtering through the water surface, schools of fish, cinematic, slow motion（81 帧 @24fps ≈3.4s，1920×1080）

第 1 次	第 2 次	第 3 次

海龟/珊瑚/鱼群/阳光光束都在，水清澈自然、无塑料感 — 过关。

5. 长视频 · 夜市街道（161 帧 ~6.7s，时序一致性难点）

提示词：A night market street with food stalls, steam rising from dumplings, people walking, lanterns swaying, cinematic, 4k（161 帧 @24fps ≈6.7s，1920×1080）

第 1 次	第 2 次	第 3 次

食物摊位、蒸汽、灯笼、行人都在，无明显变形或闪烁 — 长视频质量稳住，没崩。

✅ 画面这关没翻车——但也就勉强能用、谈不上多好；它还不是最卡的，下一节的一致性才是重头戏。

复现性：同一条提示词反复跑 5 次，能不能对上

先说清楚这一节看什么：同一条提示词反复跑 5 次，看两件事——每次生成的画面符不符合提示词（遵循度，决定单条能不能用），以及这几次之间像不像、是不是同一个画面（一致性，决定能不能锁住角色、做连续镜头）。文生视频不固定随机种子，每次生成都带随机，所以这两件事要分开看：遵循度高不代表一致——每次都给你一只橘猫（符合描述），但可能是 5 只不同的橘猫（锁不住角色）。

6. 简单场景 · 窗台橘猫看雨

提示词（5 次都用同一条）：A fluffy orange cat sitting on a windowsill watching rain outside, cozy indoor lighting, cinematic（81 帧 @24fps ≈3.4s，1920×1080）

5 次生成的画面如下（仅第 1 次可点开看动态，第 2–5 次为封面帧）：

第 1 次	第 2 次	第 3 次

第 4 次	第 5 次

• 遵循度（每次对照提示词”橘猫坐窗台看雨”）：5 次都符合——都是橘猫、都坐在窗台、窗外都是雨天。
• 一致性（彼此之间）：差——每次的具体画面都不一样：姿态（第 3 次从坐姿变趴姿）、窗台材质、窗外景物（花园 / 铁丝网 / 建筑）各不相同。

单条都符合提示词、能用；但每次不是同一只橘猫、同一扇窗，锁不住角色，拼不成连续镜头。

7. 复杂场景 · 夜市摊位

提示词（5 次都用同一条）：A bustling night market stall with steam rising from a food cart, warm lantern light, vendors and customers, cinematic（81 帧 @24fps ≈3.4s，1920×1080）

5 次生成的画面（仅第 1 次可点开看动态，第 2–5 次为封面帧）：

第 1 次	第 2 次	第 3 次

第 4 次	第 5 次

• 遵循度（对照”夜市摊位、蒸汽、灯笼、顾客”）：5 次都符合——核心元素都在。
• 一致性（彼此之间）：核心元素稳定（摊位 / 蒸汽 / 灯笼都在），但构图取景、人群密度、食物种类每次有出入。

复杂场景命中核心元素容易（遵循度高），细节也比橘猫稳；但要做”同一个摊位、同一批人”的连续镜头，照样锁不住。

结论：同一条提示词反复生成，主体大类稳得住（都橘猫、都夜市），但姿态、场景细节每次都不一样——没法稳定复现同一个画面，也锁不住角色。所以用文生视频基本就是”抽卡”：多跑几次碰运气，挑一条能用的，别指望它稳定给你想要的那一版。需要镜头连贯、角色一致的剧情，这条路走不通——下一节的图生视频才是解法。

二、图生视频：文生救不了的，图生能救

既然文生视频锁不住角色（同一条提示词每次都生成不一样的画面），业界标准解法是”关键帧 + 图生视频首帧锁定”——先用文生图锁定主体，再以该图为首帧生成视频。下面直接做个对比：同一个主体，文生视频和图生视频各生成一遍，看图生到底能不能锁住角色。

链路（关键约束）：文生图（agnes-image-2.1-flash）返回的 image_url 是公网 URL，直接喂视频接口 --image <url>。关键帧 prompt 锁定主体，motion prompt 只写运动/运镜（不重复主体，避免漂移）。尺寸值得一提：关键帧请求 1920×1080，实际只给到 1312×736（图片接口档位制，出不了真 1080p，这点 01 图片篇测过）；但以它做首帧生成的视频是 1920×1088（真 1080p，H.264 把高度对齐到 16 的倍数 1088）。也就是说，视频接口能把缩水的关键帧”放大”成真 1080p 输出——这也是视频接口比图片接口强的地方。

3 个场景，每个：左为文生图关键帧（锁定主体），右为以关键帧做首帧的图生视频（点开看动态）：

1. 动物 · 窗台橘猫

关键帧提示词（文生图锁定主体）：A fluffy orange cat sitting on a windowsill watching rain outside, cozy warm indoor lighting, photorealistic, sharp focus

motion 提示词（图生视频）：The cat slowly turns its head, rain streaming down the window, subtle breathing, camera static, cinematic

关键帧（文生图）	图生视频

主体/姿态/场景一致度：高（橘猫毛色、坐姿、窗台雨景完整保留）。

2. 人物 · 地铁青年

关键帧提示词（文生图锁定主体）：A tired young man in his late 20s sitting alone in a late-night subway car, wearing a wrinkled shirt and loosened tie, head slightly bowed, dim carriage lighting reflecting on the window, melancholic cinematic mood, photorealistic

motion 提示词（图生视频）：The man slowly lifts his head, subtle breathing motion, eyes blinking, camera static, cinematic

关键帧（文生图）	图生视频

主体/姿态/场景一致度：高（青年穿着、低头姿态、地铁车厢完整保留）。

3. 食物 · 夜市小笼包

关键帧提示词（文生图锁定主体）：A close-up of steamed dumplings on a bamboo steamer in a night market stall, steam rising, warm lantern light, photorealistic

motion 提示词（图生视频）：Steam rising from the dumplings, warm lantern light flickering, gentle camera push-in, cinematic

关键帧（文生图）	图生视频

主体/场景/色调一致度：高（蒸笼小笼包、夜市摊位、暖灯笼光完整保留）。

3/3 场景主体一致度”高”。对比第一节文生视频 cat 场景构图 0%，图生视频完胜文生——这正是”文生视频锁不住角色、必须靠关键帧 + 图生视频兜底”的直接证据。

图生视频单条耗时与文生视频 81 帧同档（首帧锁定不显著增加耗时），且关键帧生成只要 ~28 秒。用图生视频做多镜头剧情，比硬指望文生视频一致，靠谱得多。

三、耗时规律：1 分钟成片等 1 小时，外加 3 个 API 坑

这一部分是给想自己上手跑的人看的：生成到底有多慢、调接口有几个坑。

耗时：60 倍定律（生成耗时约是成片的 60 倍）

视频接口是异步的：先 POST /v1/videos 创建任务拿 video_id，然后轮询 GET /agnesapi?video_id=&model_name=（注意这个轮询端点不在 /v1 下，是独立路径），等 status=completed，最后从 remixed_from_video_id 字段拿下载链接。

1080p（1920×1080）单条端到端实测：

做 1 分钟 1080p 成片，光生成要等约 1 小时。161 帧虽然总耗时长，但成片也长，单位时长成本反而比 81 帧低 15%——做长片段比拼接多条短片段划算。

💡 分辨率对耗时影响显著：低分辨率（0.9MP）只要 137 秒，1080p（2MP）要 190-237 秒，慢 40-70%。

三个容易踩的 API 坑

代码注释里都标了，照着调 API 的话提前知道能少走弯路：

1. 帧数必须是 8n+1（即 8 的倍数加 1：81/121/161/241/441），传别的值会被拒。
2. 下载链接在 remixed_from_video_id 字段，不在直觉以为的 video_url。
3. 图生视频的 image 参数只接受 http(s) 网址，不支持本地文件 / base64——想用本地图，得先传到能公网访问的地方。

四、并发实测：8 条并行 6.51× 加速，偶有网络抖动、对个人够用

视频接口支持并发。偶发的失败多半是网络抖动——少数任务在创建阶段超时，重试即可，不是并发能力问题。

实测结果（4 条、8 条各跑多轮，确认稳定）：

表里的”× 加速”= 一条条串行跑的总时间 ÷ 同时并行跑的实际用时；8 条一起能拿到 6.51× 加速，也就是并行比串行快 6.51 倍。

偶发的网络抖动或 RPM 限流（短时间内请求太密触发 http_429）重试即可恢复。但对个人创作者来说，这个并发量已经足够——8 条一起跑能把串行十几分钟的活儿压到两三分钟，日常出几条视频素材绰绰有余。

五、总结：到底什么水平，免费用在哪

开头那个悬念——图片至少在某些场景够用，那视频呢？28 条实测跑完，可以给个公允结论了。

到底什么水平——勉强能用，离最新模型差一截。 逐题画面没有多腿、变形、塑料感这类硬伤，但精细度、动态质感追不上一线模型。当初撤掉它，理由是”又慢又不可控”；这次认真测完才看清，真正的本质问题不是慢、也不是锁不住角色，而是它只能产生简单的视频——稍微复杂一点的镜头变化就扛不住，能稳跑的多是简单场景、缓节奏运动。这是能力天花板，换提示词、换参数都突破不了，连图生视频也抬不上去。

锁不住角色是另一个问题，但好歹有解：同一条提示词跑 5 次，每次都符合描述（都给你一只橘猫），但姿态、场景构图每次都对不上，拼不成连续镜头——文生视频只能当”抽卡”用，多跑几轮挑一条。要镜头连贯，关键帧 + 图生视频首帧锁定能稳住主体（第二节实测 3/3 场景一致度”高”），不过它只解决”角色不变”，救不了”只能简单”那个天花板。再叠加”慢”也没变（1080p 单条约 209 秒，做 1 分钟成片要等 1 小时）——当初的弃用判断，这次依然成立。

那免费用在哪？

• 适合：偶尔出一两条做素材、对一致性没要求的场景；配上 8 条并行的 6.5× 加速，白嫖很值。
• 不适合：批量、稳定、能质检的多镜头生产，以及任何需要复杂镜头变化或连续剧情的内容——前者它扛不住，后者就算靠图生视频锁住角色，也突破不了”只能简单”的天花板。

至于”免费”本身——官方挂的是”永久免费”，听着很美，但这种好事能维持多久不好说、政策随时可能调；每日调用也有限额，真要上量得多备几个 API Key 轮换（这次 28 条采集就撞了 2 次限流）。这态度跟图片篇一脉相承：且用且珍惜，能白嫖的机会没理由不薅——拿来试水、做副链路、跑实验都没问题；但”每日限额 + 政策随时可能变”这把剑一直悬在头上，别拿它扛生产主力。免费是好东西，别全指望它。

比视频数据更值钱的收获是：不带偏见、用标准 benchmark 把一个工具认真测一遍，远比凭一两次印象下结论靠谱。 工具会迭代，印象会过时，但”让数据自己说话”这个习惯不会过时。

📌 这是 Agnes 实测系列的视频篇。图片篇见《免费出图到底行不行？实测 Agnes AI 图片模型》。