首尾帧是什么？控制视频起止画面的办法

AI 视频生成里，想让片子的起点和终点听你的话，靠的就是首尾帧：给模型指定第一帧和最后一帧两张画面，中间怎么运动，由模型自己补。这是视频生成里少有的两个硬约束点，很多转场、推近、变化类镜头，都是围绕它们做出来的。这篇只讲概念和适用场景，具体工具怎么操作不展开。

首尾帧到底约束了什么

视频生成模型逐帧地决定画面长什么样，如果开头不给任何条件，起点停在哪、终点落在哪，模型说了算。首尾帧的做法是把你选定的两张图钉在时间线的头尾，相当于给模型一份带合同条款的任务书：起点必须是这张图，终点必须收敛到那张图，中间的过程它有自由裁量权。

这份约束直接影响生成结果。给定起止点之后，模型要解决的是一个「从 A 到 B」的过渡问题，画面里的人物、物体、光线都要为这个目标服务，随机性被压小了一截。相比之下，只有文生视频一条路的生成，从第一帧起就全凭模型发挥，参考文生视频图生视频里对两种条件的拆分，首尾帧相当于把条件从「一张图」升级成「两张图加一段区间」。

哪些镜头适合用首尾帧

判断标准很简单：能用一句「从 A 变到 B」说清的镜头，就适合首尾帧。最典型的是转场，比如同一个房间从白天过渡到夜晚，第一帧给白天的实景，最后一帧给夜晚的同角度画面，模型补出天色渐暗、灯光渐亮的过程。其次是镜头推近，起帧是人物所在环境的中景，尾帧是同一个人物的面部特写，中间自然是一段推镜。第三类是形态变化，种子破土长成幼苗、静态的产品从侧面转到正面，这类「同一个东西的两种状态」是首尾帧的主场。

适配与失手对照

• 适配：同机位时间过渡、推近拉远、物体状态变化
• 适配：角色或场景的相似构图书换装换景
• 失手：位移过大、视角翻转、出现新主体
• 失手：两张图画风、光线、主体不一致

结果为什么常和预期有差距

首尾帧保证的只有头尾两张图，中间过程是模型的自由发挥区间。两张图之间位移越大、变化越剧烈，中间要补的空白越多，模型就会用自己的常识去填——多绕一段路径、多加一个过渡物、中途换个动作，都是常见处理方式。你想要一条直线，它给了一段抛物线，落差就出现在这里。

另一个变量出在两张图的兼容性上。两张图画风不同、光线相反、主体长得不一样，模型补中间段时要做大量「翻译」，伪影和突兀衔接多半发生在这个翻译过程里。所以选图时让两张图尽量「像一家人」：同主体、同画风、构图差别别太大，中间段的成活率明显更高。对起止点本身的讲究，可以看视频生成关键帧一篇的展开。

它解决不了什么

首先要说清，首尾帧管的是空间上的起止，不直接等于时序上稳。时序一致性要处理的问题是画面在时间轴上抖不抖——人物脸会不会中途变样、物体会不会闪跳，首尾帧把头尾钉住了，中段该抖还是会抖。其次，中间过程不可逐帧指定，想让某个物体在第五秒精确转向，首尾帧给不了这个精度，那是逐帧动画的活，不是生成模型的强项。最后，成片时长依然受单段生成能力的限制，首尾帧改变的是画面的走向，不是片子的长度。

把首尾帧放进工作流，它通常是衔接环节的工具：先决定两个镜头怎么接，再为接缝各生成一段。剪映这类剪辑工具负责把多段素材排进时间线，即梦、可灵这类生成工具负责补出接缝本身，两边的分工不重叠。

关于首尾帧的常见疑问

• 首尾帧和插帧是一回事吗？：插帧是在已有帧之间补出中间帧，输入的必须是真实拍到的画面，参考视频插帧一篇；首尾帧的两端可以完全由 AI 生成，中间的运动量也大得多，两者经常配合使用。
• 中间过程可以指定吗？：目前主流做法只能控制起止两端，中间靠提示词施加影响，想精确到某一帧该出现什么，现有生成方式做不到。
• 必须用生成的图当首尾帧吗？：不必，实拍截帧、照片、插画都能用，只要两张图的风格和主体兼容即可，图生图得到的画面同样可以充当其中一端，可见图生图。