30 秒和原生音频是宣传点，真正决定能不能进管线的是那几条限制。图生视频现在必须带提示词，最少三个字符，看着像倒退，实际上逼你写清楚什么在动，而不是复述画面里有什么，我的重跑率因此降了不少。
对白要用双引号包起来，引号外的一律当场景指令。参考文件确实能传五十个，但视频和音频各自有 30 秒的合计上限，整条素材扔进去一下就顶格，得先剪。没有 seed，两次同样的请求就是两个不同的视频，别指望复现。
分辨率只有 480p 和 720p，要 4K 自己接放大。动手写代码之前我一般先在 pixpix 上拿同一段提示词把几家视频模型各跑一遍，确认这活到底该交给谁再说。