필사 모드: 用一张图片生成视频 — Kling·Veo·Sora vs Wan·HunyuanVideo，何时选哪个

• 引言 — 先说答案
• 托管 API 实际上每秒多少钱
• Kling 为什么没有「每秒价格」 — 以及那些流传数字的真面目
• 放入图像时真正会碰到的限制
• 开放权重真能在我的 GPU 上跑起来吗
• 许可证 — 如果你在韩国阅读，这一节会改变结论
• 演示片里能测量的与不能测量的
• 那么到底选什么
• 结语
• 参考资料

引言 — 先说答案

「放进一张图片、写一段提示词就想生成视频，该用什么?」对这个问题，2026 年 7 月当下的简短回答是这样的。

如果要在韩国跑开放权重，选 Wan2.2。不是因为性能，而是因为许可证。HunyuanVideo 系列的许可证文档从第一行起就写明：适用地区明确排除欧盟、英国和韩国。Wan2.2 则是代码和权重都用 Apache 2.0。如果要用托管 API，第一个岔路口是需不需要音频 — Veo 3.1 的价目表本身就是「含音频」的，而 Kling 一旦打开音频，收费正好是 2 倍。而只要输入图像里有人脸，Sora 就退出候选。OpenAI 的文档直接写着：带有人脸的输入图像目前会被拒绝。

这篇文章会沿着厂商的一手文档，追一遍这三句话是从哪里来的。架构的话题(DiT、3D VAE、流匹配)已经在SOTA 视频生成模型分析一文里讲过，这里只看挑选和运行所需的数字 — 价格、VRAM、生成时间，以及许可证。

有一点先说在前面。本文的所有数字都直接取自各厂商的官方价目表和文档，出处页面全部列在文末。厂商演示片里的画质、「电影级质感」之类的说法，本文一概不谈 — 因为那不是可测量的值。为什么这么说，后面会专门展开。

托管 API 实际上每秒多少钱

OpenAI 和 Google 有公开的固定价目表。不用登录谁都能看，价格按秒写明。

OpenAI 的价目表写明「Prices per second」，内容如下。

用批量 API 正好是一半。如果流水线不需要实时响应，这就是白拿的 50% 节省。

Google 的 Gemini API 价目表这样列 Veo。重要的是，表格的列标题是「Paid Tier, per second in USD」，而每一行的名称都是「video with audio price (default)」 — Veo 的价格里包含音频。

Veo 3.1 的三个变体(veo-3.1-generate-preview、veo-3.1-fast-generate-preview、veo-3.1-lite-generate-preview)全部是预览版，Google 附上了「Preview models may change before becoming stable and have more restrictive rate limits」的警告。免费层级在 Veo 全部模型上都是「Not available」。

价目表里还有一句显眼的话。「You will only be charged if your video is successfully generated.」意思是生成失败不收费。OpenAI 的价目表里没有与之对应的句子。

有一处奇怪的地方也照原样记下来。同一页面上 Veo 3(veo-3.0-generate-001)和 Veo 2(veo-2.0-generate-001)仍然留着，两者都挂着「deprecated and will be shut down on June 30, 2026」的警告。而在写这篇文章的 2026 年 7 月 17 日，这个日期已经过了。是页面没更新，还是关停被推迟了，仅凭文档无法判断，所以这里不做未经证实的猜测，只照文档写的原样搬过来。如果是新写的代码，看 Veo 3.1 才是对的。

Kling 为什么没有「每秒价格」 — 以及那些流传数字的真面目

一调查 Kling 就会立刻撞上一堵墙。随手一搜，「Kling 3.0 每秒 0.075 美元起」「Kling API 每秒 0.084~0.168 美元」这样的数字一大堆。但是，这些数字的出处全都不是 Kling，而是第三方 API 转售商 — PiAPI、kie.ai、evolink、costbench 这样的中介服务。

我直接打开 Kling 官方的开发者价格页面核对了一遍。有两件事浮出水面。

第一，0.075 这个字符串在 Kling 官方价格页面上一次也没有出现过。而且那个页面上叫「Kling 3.0」的表格不是视频表，而是图像模型表(Text to Image / Image to Image / Image Editing)。Kling 官方 API 价目表上最新的视频模型是 Kling-V2-6。也就是说，「Kling 3.0 视频每秒 0.075 美元」是 Kling 从未发布过的价格。它可能是转售商自家的收费，但那不是 Kling 的价格。

第二，Kling 从一开始就没有「每秒价格」这个概念。Kling 以 5 秒或 10 秒的片段为单位计费。官方价目表的 Kling-V2-6 行长这样。

右边那列「折算每秒」不是 Kling 公布的值，而是我自己除出来的值。Kling 的价目表上只有左边两列。这个区分之所以重要，是因为要让「折算每秒」成立，就得无视一个事实：可选的只有 5 秒和 10 秒两个点。在 Kling 上做不出 7 秒的视频。你得生成 10 秒再剪掉，而那要付 10 秒的钱。这和 Sora 按秒指定长度、按秒计费相比，是计费模型本身的不同。

这张表里还有一处要读出来。pro x 5s 不带音频 0.35 美元，打开音频 0.70 美元 — 正好是 2 倍。在 Kling 上音频是选项、开了价格就变成 2 倍；而 Veo 是音频默认包含，价目表上干脆写着「video with audio price (default)」。如果连音频一起需要，该比的是 Veo 3.1 Fast 720p(每秒 0.10 美元，含音频)和 Kling-V2-6 pro + audio(折算每秒 0.14 美元)。如果不需要音频，Kling-V2-6 std(折算每秒 0.042 美元)是这张表里最便宜的。

例外也有。Kling 价目表上只有 Kling-Video-O1 和 Motion Control 按秒计费。

网上流传的「0.084~0.168 美元」看来就是从这里来的数字。只不过那是 Kling-Video-O1 的价格，不是 Kling 一般 image-to-video 的价格。

最后是一个结构上的差异。Kling API 是预付资源包模式。价目表上单独有一列叫「Resource Pack Unit Deduction」的点数列，实际扣费以扣点的形式发生。把表里的点数和美元对照着算，视频模型上 1 点一致地折合 0.14 美元(std 5s = 1.5 点 = 0.21 美元，pro 10s + audio + voice control = 12 点 = 1.68 美元 — 两个一除都是 0.14 美元)。算术对得上。只是它不像 OpenAI·Google 那样用多少后付多少，而是得先把包买好 — 从采购的角度看，这是另一码事。

放入图像时真正会碰到的限制

这里是 image-to-video 特有的雷区。只放文本时看不见的限制，在放入图像的瞬间冒出来。

Sora：带有人脸的输入图像会被拒绝。把 OpenAI 文档的 Guardrails 一节原样搬过来是这样的。

Only content suitable for audiences under 18 (a setting to bypass this
restriction will be available in the future). Copyrighted characters and
copyrighted music will be rejected. Real people—including public figures—
cannot be generated. Character uploads that depict human likeness are
blocked by default. Input images with faces of humans are currently rejected.

最后一句是关键 — 「Input images with faces of humans are currently rejected.」如果用途是把人物照片动起来，Sora 就直接退出候选。因为带着「currently」这个词，以后可能会放开，但文档说「目前会被拒绝」，那么以今天为准就是被拒绝。这不是失败率的问题，而是功能缺失的问题。

Sora 其余与图像相关的规格如下。用 input_reference 放入图像，它就成为视频的第一帧。长度最多能生成 20 秒，通过扩展(extension)一次最多续 20 秒、最多续 6 次，可以到总共 120 秒。不过文档以「Longer durations and 1080p jobs can take materially longer to complete」警告延迟，并写着「a single render may take several minutes」。顺带一提，原有的 remix 端点正在废弃，新的集成按指引应使用 edits。

Veo：一旦放入图像，长度可能被固定为 8 秒。Google 文档对 durationSeconds 参数的说明是这样的 — 取值是 "4"、"6"、"8" 之一，而使用扩展、参考图像、1080p、4k 时必须是 "8"。介绍 Veo 3.1 的句子本身就是「Veo 3.1 is a model for generating 8-second videos (720p, 1080p, or 4k) with natively generated audio」。也就是说，想在 Veo 上便宜地出 4 秒短片的计划，在用上参考图像的那一刻就崩了。画幅比只支持 "16:9"(默认)和 "9:16"。

Veo 的图像输入分两路。一路是 image-to-video，用文档的表述是「Veo uses the input image as the initial frame」 — 和 Sora 一样的第一帧方式。另一路是参考图像，Veo 3.1 最多接收 3 张，用来保持人物、角色、产品的外观。后者会踩到前面说的 8 秒固定条件。

Veo：人物生成选项随输入方式而不同。personGeneration 参数在 text-to-video 里只能用 allow_all，而在 image-to-video、插值、参考图像里只能用 allow_adult。还有地区限制 — 文档写着在「In EU, UK, CH, MENA locations」，Veo 3 和 3.1 只允许 allow_adult。韩国不在这个列表里。

Veo：生成的视频 2 天后会从服务器上消失。这是个容易漏掉的运维陷阱。文档原文是「Generated videos are stored on the server for 2 days, after which they are removed. To save a local copy, you must download your video within 2 days of generation.」流水线里不放下载步骤，就会丢掉产出。而且 Veo 生成的视频里会打上 SynthID 水印。这不是可选项。

整理起来如下。

写着「未能确认」的格子不是说该功能不存在，而是在我核对过的官方文档范围内没有找到那一项。把没有的写成有是错的，把不知道的装作知道同样是错的答案，所以空格就留成空格。

开放权重真能在我的 GPU 上跑起来吗

现在看另一边。这里想知道的就两件事 — 能不能装进我的显卡，要跑多久。

Wan2.2 (Alibaba)。仓库 README 给出的数字如下。

这张表说的事情很清楚。消费级显卡上实际能跑的只有 TI2V-5B 一个。A14B 系列按单卡要求 80GB，在 RTX 4090(24GB)上连启动都做不到。而且就连 TI2V-5B 的 24GB，也是把三个卸载选项全开之后的数字。README 的指引是：如果有 80GB 以上，就把那些选项去掉来换速度。

速度如何。照搬 README 的句子是「Without specific optimization, TI2V-5B can generate a 5-second 720P video in under 9 minutes on a single consumer-grade GPU」。5 秒视频要 9 分钟。这是 Alibaba 的自测值，而且带着「没有特别优化」的条件。是哪块卡，这句话里没有写明(只写着「consumer-grade GPU」)。

这里有件事要诚实地指出来。Wan2.2 的 README 里有一张载有各 GPU 生成时间和峰值显存的「Computational Efficiency on Different GPUs」表，但那张表是以图片文件的形式贴出来的。不是文本，是 PNG。所以那张表里的数字本文没有引用。与其把机器读不了的值抄错，不如不抄。本文只用了 README 正文里以文本写明的「9 分钟」「24GB」「80GB」。

结构只简单点一下：A14B 是 MoE — 分成高噪声专家和低噪声专家两个，各约 14B、合计 27B，每步激活 14B。TI2V-5B 则是单纯的稠密模型，不过 Wan2.2-VAE 的压缩率是 4x16x16，总压缩率达到 64，再加上 patch 化就是 4x32x32。720P 能以 24fps 输出的依据就是这个压缩率。

HunyuanVideo-1.5 (Tencent)。2025 年 11 月 21 日公开的最新一线。仓库 README 的数字如下。

• 参数量 8.3B — DiT + 3D causal VAE，空间 16 倍 / 时间 4 倍压缩
• 最低 GPU 显存 14GB(按开启模型卸载的状态测得)。README 写明这个值以卸载为前提，显存充足时可以关掉卸载换速度
• 分辨率是 480p 和 720p，1080p 用单独的超分辨率网络来提升
• 默认长度是 --video_length 121 帧，示例代码按 24fps 保存，约 5 秒
• 2025 年 12 月 5 日公开的 480p I2V 步数蒸馏模型以 8~12 步运行，按 Tencent 的测量是「On RTX 4090, end-to-end generation time is reduced by 75%, and a single RTX 4090 can generate videos within 75 seconds」

最后一行很显眼。RTX 4090 上 75 秒。让人忍不住想拿它和 Wan2.2 TI2V-5B 的「9 分钟」比，但必须在这里停下。这两个数字不是可以比较的值。Hunyuan 的 75 秒是 480p、步数蒸馏模型(8~12 步)、写明 RTX 4090 的条件；Wan 的 9 分钟是 720p、无蒸馏、只写着「consumer-grade GPU」的条件。分辨率不同，步数不同，是否写明显卡也不同。各自都是在自己的仓库里、按对自己有利的条件测的值，共同的基准测试并不存在。把两家厂商的自测值摆在一起写「Hunyuan 快 7 倍」，就只是算错了账。

Hunyuan 的 README 里还有关于 SSTA(Selective and Sliding Tile Attention)的主张 — 在 10 秒 720p 合成上，相对 FlashAttention-3 端到端加速 1.87 倍。这是注意力实现之间的比较，而且是作者自测值。不是与其他模型的比较。

许可证 — 如果你在韩国阅读，这一节会改变结论

性能的话题一路讲到这里，但对韩国用户来说，这一节比前面所有的表格都重要。

HunyuanVideo、HunyuanVideo-I2V、HunyuanVideo-1.5 — 三个仓库的许可证文档全部以同一段文字开头。

TENCENT HUNYUAN COMMUNITY LICENSE AGREEMENT
Tencent HunyuanVideo 1.5 Release Date: November 21, 2025
THIS LICENSE AGREEMENT DOES NOT APPLY IN THE EUROPEAN UNION, UNITED
KINGDOM AND SOUTH KOREA AND IS EXPRESSLY LIMITED TO THE TERRITORY, AS
DEFINED BELOW.

而在定义一节里，「Territory」被这样规定。

l. "Territory" shall mean the worldwide territory, excluding the territory
   of the European Union, United Kingdom and South Korea.

也就是说，许可证允许的地区里没有韩国。而第 5 条 (c) 款把这个排除的含义钉死了。

c. You must not use, reproduce, modify, distribute, or display the Tencent
   Hunyuan Works, Output or results of the Tencent Hunyuan Works outside
   the Territory. Any such use outside the Territory is unlicensed and
   unauthorized under this Agreement.

要读的部分是「Output or results」。上面写的不只是拿权重来用这一件事，而是连用它生成出来的视频在允许地区之外也不能使用。附带一提，月活跃用户超过 1 亿的经营者必须另行向 Tencent 申请许可(而 Tencent 可以自行裁量拒绝)，准据法是香港特别行政区法律。

反过来，Wan2.2 是 Apache 2.0。这一点可以在三个地方独立确认。

Hugging Face 这一路确认之所以重要，是有原因的。代码的许可证和权重的许可证可能不一样。仓库是 Apache、权重却是另一套条款的情况很常见。Wan2.2 的 Wan-AI/Wan2.2-TI2V-5B 和 Wan-AI/Wan2.2-I2V-A14B 两张模型卡都是 apache-2.0，没有那个陷阱。

这里有一处有意思的对照。同一个 Tencent，公开 Hy3 时用的是 Apache 2.0 — 既没有地区限制，也没有使用领域限制。也就是说，这不是「因为是中国厂商」的问题，而是按模型线各定政策的问题。同一家公司，语言模型用 Apache 放出，视频模型加上地区限制。这就是不能只看厂商名字去猜许可证的原因。

有两点要说清楚。第一，我不是律师，这也不是法律意见。上面的引文是 Tencent 放在自己仓库里的文档原文，我做的只是找到并搬运它。第二，这个条款在韩国实际上会被如何解释、如何执行，仅凭文档无法知道。我能说的只到这里 — Tencent 分发的许可证文档明确写着把韩国排除在允许地区之外，如果打算在公司里用这个模型，这不是一句可以不经法务审查就跳过的话。个人在本地做实验和把它放进产品是两回事，那个判断这篇文章无法替你做。

演示片里能测量的与不能测量的

该说说这篇文章为什么没有画质对比了。

各厂商的项目页上都挂着漂亮的演示视频。Wan2.2 标榜「cinematic-level aesthetics」，Kling 把自家模型称作「master」档，HunyuanVideo-1.5 写着「state-of-the-art among open-source models」。对这些说法能诚实讲出的是这个 — 那些演示片是营销，从中得不到可测量的值。是厂商挑的提示词、厂商挑的种子、跑了多少次后选出来的结果，无从得知。失败的生成不会被放上演示片。

所以本文处理的值和不处理的值是这样划分的。

可测量、可验证的 — 每秒价格(厂商价目表上写着数字)、最大长度和允许的长度取值(API 参数规格)、VRAM 下限(README 上写着数字)、许可证条款(文档原文)、产出保存期限(文档明示)、有无水印(文档明示)。这些没有争论的余地。打开页面，要么那样写着，要么没有。

属于厂商自测值、必须连同条件一起读的 — Wan 的「9 分钟」、Hunyuan 的「75 秒」和「1.87 倍」。全都是各自在自己的仓库里按自己的条件测的值，条件互不相同，交叉比较不成立。这就是本文把这些数字并排摆出、却不做减法或除法的原因。

根本无法测量的 — 「哪个模型画质更好」。对这个问题，厂商文档给出的答案全是自夸，而把五个模型放在共同条件下比较的独立基准测试，在我确认过的范围内并不存在。所以本文不回答那个问题。比起编造答案，写下「那样的数值从未被公开过」才是准确的。

这引出的实务结论很简单。画质要由你自己来测。用你实际的输入图像和实际的提示词。幸好这件事可以做得很便宜 — sora-2 720p 一条 5 秒视频 0.50 美元，Kling-V2-6 std 5 秒一条 0.21 美元。每样跑上十条，也就一杯咖啡钱。反过来，许可证和 VRAM 不是靠测试能弄明白的东西，所以本文才把篇幅花在了那一边。

那么到底选什么

整理成决策规则如下。从上往下按顺序走就行。

1. 输入图像里有人脸吗? 有的话 Sora 排除。文档写明目前会拒绝。Veo 则把 personGeneration 设成 allow_adult 再走。

2. 要在韩国把开放权重放进产品吗? 是的话选 Wan2.2。HunyuanVideo 系列的许可证文档把韩国排除在允许地区之外，还写明这个排除延伸到产出。Apache 2.0 的 Wan2.2 没有那个问题。

3. 手里的 GPU 是 24GB 还是 80GB? 24GB(RTX 4090 级)的话，选项实际上就是 Wan2.2 TI2V-5B(720p，5 秒要 9 分钟)或 HunyuanVideo-1.5(最低 14GB，480p 蒸馏模型在 4090 上 75 秒)。Wan 的 A14B 系列从 80GB 起步。如果 GPU 压根跑不动开放权重，第 2 条自动跳过。

4. 需要音频吗? 需要的话 Veo 3.1 最简单 — 价格里已经包含，Fast 720p 每秒 0.10 美元。Kling 打开音频收 2 倍(按 pro 5 秒算 0.35 → 0.70 美元)。

5. 长度必须自由吗? 需要 7 秒、13 秒这样的任意长度就是 Sora(按秒指定，最长 20 秒，扩展到 120 秒)。Veo 只有 4/6/8 秒，用参考图像就固定 8 秒。Kling 只有 5 秒和 10 秒两个点。

6. 可以跑批量吗? 可以的话，sora-2 批量在 720p 每秒 0.05 美元，在按秒计费的选项当中和 Veo 3.1 Lite(每秒 0.05 美元，但含音频)并列最便宜。不过，如果 5 秒·10 秒的长度就够用，Kling-V2-6 std 5 秒一段 0.21 美元 — 折算每秒 0.042 美元，更低。只是请记住，把按段计费和按秒计费排在一行里比较，本来就不成立。

不该用的情况也写下来。

• 为了做几条视频去搭开放权重，几乎总是亏的。想想租 GPU 的费用和搭建时间，做到几十条 5 秒片段为止，托管都压倒性地便宜。开放权重值回票价的，是量大、数据不能外发、或需要微调的时候。
• 用 Veo 而不在流水线里放下载步骤是不行的。2 天后就从服务器上消失。
• 水印会带来麻烦的用途，得把 Veo 从候选里拿掉。SynthID 不是可选项。
• 不要把转售商的价目表当作 Kling 官方价格引用。前面看到了，Kling 官方页面上没有的数字，在搜索结果里像事实一样飘着。

结语

在 image-to-video 模型的选择里，真正左右决定的不是演示片的画质。亲手打开厂商文档核对之后，决定性的是三件事 — 每秒价格的结构(Sora·Veo 按秒，Kling 按 5 秒·10 秒的片段)、放入图像那一刻出现的限制(Sora 的人脸拒绝，Veo 的 8 秒固定、2 天保存和 SynthID)，以及许可证(Wan2.2 是 Apache 2.0，HunyuanVideo 系列把韩国排除在允许地区之外)。

其中对在韩国阅读的人来说，最划算的建议依然是第一段的那句。要把开放权重放进产品，就在看基准测试之前先打开 LICENSE 文件。与其花几周比较 Wan2.2 和 HunyuanVideo-1.5 的性能、然后才读到许可证的第一行，不如用那个只花 30 秒的顺序。而且那第一行，就算是同一家公司的另一个模型也不一样 — 正如 Tencent 把语言模型用 Apache 放出、给视频模型加上地区限制那样。

剩下的 — 哪个模型画质更好 — 因为没有共同基准，谁也无法替你回答。不过那也是用你的十张图片和几美元、今天就能亲自确认的问题。许可证和 VRAM 则不是这样。

参考资料

• OpenAI API Pricing — 视频生成模型每秒价格表(sora-2、sora-2-pro、标准/批量)
• OpenAI — Video generation 指南(input_reference、seconds、扩展、Guardrails)
• Gemini API Pricing — Veo 3.1 / Veo 3 / Veo 2 每秒价格与停用公告
• Gemini API — Veo 文档(durationSeconds、personGeneration、参考图像、2 天保存、SynthID)
• Kling AI Developer — API 价格页(Kling-V2-6、Kling-Video-O1、资源包点数)
• Wan-Video/Wan2.2 — 仓库 README(TI2V-5B 24GB / A14B 80GB、5 秒 720P 9 分钟、MoE 结构)
• Wan-Video/Wan2.2 — LICENSE.txt (Apache License 2.0)
• Wan-AI/Wan2.2-TI2V-5B — Hugging Face 模型卡(权重许可证 apache-2.0)
• Tencent-Hunyuan/HunyuanVideo-1.5 — 仓库 README(8.3B、最低 14GB、4090 75 秒蒸馏模型、SSTA)
• Tencent-Hunyuan/HunyuanVideo-1.5 — LICENSE (Tencent Hunyuan Community License、Territory 定义)
• Tencent-Hunyuan/HunyuanVideo — LICENSE.txt (相同的地区排除条款)
• tencent/HunyuanVideo-1.5 — Hugging Face 模型卡(license: other、tencent-hunyuan-community)
• Tencent Hy3 — 同一家公司把语言模型以 Apache 2.0 公开的例子(相关文章)
• SOTA 视频生成模型分析 — DiT·3D VAE 架构(相关文章)