文生视频和图生视频没有绝对高下。两者解决的是不同问题：文生视频让模型同时决定画面与运动，适合探索；图生视频从已经确认的画面出发，适合控制和连续制作。
真正的选择标准不是哪种模式更先进，而是当前镜头有哪些内容已经确定，哪些仍需探索。
文生视频适合从零探索
文生视频只需要文字输入，模型负责人物、场景、构图、光线和运动。它适合概念测试、环境镜头、抽象视觉、没有固定角色的独立素材，以及在前期寻找美术方向。
它的优势是速度快、意外创意多；风险是变量太多。同一个角色在两次生成中可能拥有不同面孔和服装，场景布局也可能改变。提示词越复杂，模型越可能遗漏其中一部分。
图生视频适合已确认的视觉设计
图生视频以角色图、分镜或首帧为基础。静态图负责人物身份、服装、构图和空间，提示词负责动作、镜头运动与结束状态。
这种职责分离特别适合多镜头剧情。它不能保证绝对一致，但能减少模型在每个镜头中重新“选角”和重新设计场景的自由度。
图生视频的前提是参考图正确。如果人物比例、道具归属或构图已经有问题，视频模型只会让错误动起来。因此先审核首帧，比写更长的运动提示词更重要。
按镜头任务选择模式
优先使用文生视频的场景包括：
- 探索整体视觉风格；
- 生成没有固定人物的环境空镜；
- 制作梦境、粒子、天气等抽象变化；
- 快速比较不同构图方向。
优先使用图生视频的场景包括：
- 固定角色的连续剧情；
- 已经通过审核的分镜构图；
- 服装、场景和道具必须保持的镜头；
- 需要明确首尾状态的剪辑连接。
多镜头故事通常需要混合流程
实用流程可以分为四步：先用文字探索视觉方向，再建立角色与场景基准图；然后用分镜确定构图，最后以参考图生成需要连续性的镜头。环境建立镜头仍可使用文生视频，人物关键镜头则使用图生视频。
不要为了工具统一而牺牲镜头效果。真正需要统一的是角色设定、场景逻辑、画面风格和审核标准。
如何进行公平测试
选择同一个故事动作，分别用两种模式生成。记录首次可用率、平均重试次数、角色与道具稳定性、动作完成度和修改难度。
测试提示可以是：“女记者从办公桌前站起，拿起红色文件夹，走到窗边停下。”文生视频需要描述人物和办公室；图生视频则使用已经确认的首帧，只描述站起、拿文件夹、走到窗边的变化。
如果图生视频仍然失败，判断问题来自首帧、动作负载还是镜头时长。不要立即把所有内容重新写进提示词。
在一个项目中管理两种生成方式
ElserStudio 让镜头引用同一组 World 角色、场景和道具资产，同时按镜头选择合适的生成路径。文生视频的探索结果、通过的分镜和图生视频成片可以留在同一制作上下文中，避免版本散落。
下载 ElserStudio，选择一个人物动作和一个环境镜头，分别测试文生视频与图生视频。用最终可用镜头的成本和连续性做决定，而不是只比较第一眼画质。