语言
将文本和图像转化为视频的模型：片段时长、分辨率、音频与镜头控制。
Google DeepMind视频AI2Face 已支持
谷歌的视频模型，画面和声音一起生成：语音、音效和音乐，最高 4K、8 秒。
“视频版 Nano Banana”：用文字、照片和视频做成有声片段，再用普通句子修改。
ByteDance Seed视频AI2Face 已支持
ByteDance 的有声视频模型：单次最长 30 秒，2.5 最多 50 个参考。
Kuaishou视频AI2Face 已支持
快手的视频模型：多镜头成片最长 15 秒并带声音。Kling 4.0 宣称可达 30 秒。
MiniMax视频AI2Face 已支持
MiniMax的视频模型：H3可生成带立体声的15秒2K视频，权重开放。
Alibaba视频AI2Face 已支持
阿里巴巴的视频模型：带声音的视频最长30秒，最多20个参考，甚至支持文档。
Runway视频AI2Face 已支持
Runway的视频模型：Gen-4.5可根据文本和图片生成视频，运镜精准。
