需要配图、概念图，或一段几秒钟的动态画面，手上却没有素材——这类需求交给通义万相正合适。它是阿里通义旗下的 AI 创意创作平台，图像和视频两条线都覆盖。这篇讲的是怎么把描述写到位、怎么迭代出能用的图，以及生成之前要先想清楚的版权问题。
先分清四条功能线
功能按输入输出分四条线。文生图：纯文字描述生成画面，从零开始。图生图：给一张底图，改风格、换背景、扩图，适合「有底子但要调整」的情况。文生视频、图生视频：把描述或静态图变成动态片段。图像编辑：局部重绘、风格转换，用来修细节。另有面向人像的写真类玩法。动手前先想清楚自己属于哪条线——需求是「从无到有」还是「从有到优」，对应的功能和写提示词的方式都不一样。
提示词四要素：主体、风格、构图、光影
一条能稳定出图的描述，通常包含四个要素：主体画什么、什么风格、什么构图、什么光影。举例来说，「一只橘猫」是只有主体的半句话；「一只橘猫蜷在窗台上，水彩插画风格，特写构图，清晨柔光」就是四要素齐全的描述。信息越全，出图越贴近预期，随机性越小。写不好时，可以参考各家官方提示词库的改编思路——抄结构，不抄内容，换成自己的主体和场景。
出图之后的迭代比首次生成重要
把第一次生成当成抽方向，不当成交付。通常会一次生成几个版本，先挑方向对的那张，再用图生图或局部重绘去修不满意的部分：构图歪了调构图，风格偏了补风格词，局部穿帮就圈出来重绘。生成的版本多了，记得把选中的和淘汰的分开存放，历史记录的整理思路可以通用——找得到上一版，迭代才有参照物。
视频生成和图像生成不是一回事
视频线要单独说。当前的视频生成适合几秒钟的短片段，镜头语言越简单越稳：一个主体、一个动作、一种运镜。文字直接生成视频的不可控程度高于图像，更稳的路径是先用文生图确定画面，再用图生视频让画面动起来。判断一段描述适不适合生成视频，标准很简单：你能在脑子里「演」出这几秒的画面，模型才大概率能生成；描述里同时发生三件事的，先拆开。
场景对照：需求与做法
| 场景 | 建议做法 | 判断标准 |
|---|---|---|
| 公众号文章配图 | 文生图，描述带四要素 | 主体清晰；成段文字交给后期，别指望模型生成准确文字 |
| 给底图换风格 | 图生图加风格描述 | 主体结构保留，只换质感与色调 |
| 演示用的短片段 | 先文生图定画面，再图生视频 | 几秒钟一个动作，镜头简单 |
| 画面局部不满意 | 圈选局部重绘 | 只改选区，其余部分保持不动 |
这张表按需求对号入座：先确定手里的素材是「没有」还是「有但要改」，再选对应的做法。
版权与合规：生成之前先过一遍
商用之前先确认授权范围，生成内容的可用边界以平台条款为准，不同套餐的差异也要看清。三类内容不要碰：直接指定在世画师的个人风格去模仿，可能涉及侵权；他人肖像、知名 IP 角色、注册商标，不该拿来生成；视频内容不得用于虚假宣传或伪造他人言行。一句话，生成的东西发出去，你就要为它负责，平台的规则替代不了使用者的判断。
它做不到的部分
它擅长把想法快速视觉化，交付级的成品另说。画面里的成段文字基本不可靠，需要文字的图要留到后期做；精确的构图控制做不到，手指、镜面反射这类细节仍然要靠多次重绘；一次性生成完整的多页排版、成套的系列图，流程上也撑不住，逐张做、逐张挑才是常态。功能与额度以官方最新版本为准，动手前看一眼官方说明，比看攻略稳。
通义万相速查
- 先分清文生图、图生图、视频、局部编辑四条线
- 提示词四要素：主体、风格、构图、光影
- 首次生成抽方向，图生图和局部重绘做交付
- 视频先文生图定画面，再图生视频动起来
- 商用先查平台条款，他人肖像与知名 IP 不碰
三个常被问到的问题
- 生成的图能直接商用吗？：取决于平台条款和你选的套餐，不同档位的授权范围不一样。用之前到官方说明里确认当前档位的授权条款，别凭经验默认可以。
- 为什么同样的描述每次出图差别很大？：生成过程带有随机性，同样的描述也会出不同结果。想稳定，两条路：把描述写得更具体，或者选中一张满意的，用图生图在此基础上改。
- 想要图里有准确的中文标语怎么办？：把文字交给后期。生成时留出干净的空白区域，再用图片编辑工具把文字加上，这样字形、字号、错别字都在你控制之内。
写作和生图的思路可以互相借用。提示词怎么从模板改成自己的，官方提示词库的改编方法讲的是同一件事；动手前先把需求想清楚的必要性，深度思考模式的开关时机从另一个角度做了论证；如果素材来自会议和课堂，通义效率的实时记录负责把音视频变成文字，和视觉素材正好凑成一套；版本多了之后怎么归档，历史记录的管理方法同样适用于生成图的整理。
