可灵 Kling AI 最近在照片生成和合成这块确实让人眼前一亮短视频平台上一堆把爸妈老照片修成动态视频、把宠物照片做成拟人形象的玩法都在用它。不过我发现很多人在讨论可灵的时候注意力全放在视频生成上反而忽略了它本身在“照片合成”这个细分场景下的潜力。这篇我就专门聊聊用可灵做照片合成的完整思路从素材准备到具体操作再到我踩过的坑全部倒出来希望能让你少走点弯路。需要先说明一点我这里说的“照片合成”不是指传统 PS 里那种图层叠加而是利用可灵对图像的理解与再生成能力把多张照片的信息融合到一张画面里或者让一张静态照片在特定场景下发生自然的、物理上合理的运动变化。正是因为可灵底层对物理规律有建模它在合成动态照片、生成转场过渡、保持人物一致性上才有远超传统抠图拼接的表现。1. 照片合成这件事可灵到底解决什么问题先说个很多人没意识到的事实可灵核心是个视频生成模型但它对单张图片的解析能力非常强这是它能做照片合成的基础。传统合成照片的办法是什么大家应该都有经历。把两个人的合影背景抠掉再从另一张风景照里把背景拖进来用 PS 的蒙版擦半天最后还要处理光影、色调、边缘锯齿。整个过程至少半小时起步而且如果两张照片拍摄时光线角度差太多结果一眼假。这个方法的核心问题在于抠图只处理了“前景边界”没有处理“前后景融合”比如背景光从左前方来前景人物的面部光影却是顶光这种物理层面的矛盾光靠图层混合很难自然解决。可灵走的是另一条路。它在一个生成框架里完成全部推理会同时考虑构图、光照、物理关系、时间连续性。你给它一张人物照片和一张环境照片或者给它一张照片加一段视频的首尾帧它直接生成一段合理的运动过程期间人物、背景、光影、遮挡关系全部自动处理。说白了它不是在做“拼接”而是在做“生成”从语义层面理解这张照片是什么内容再按照你的目标重新画出来。这也是为什么可灵做出来的合成结果动态起来之后不会有那种“贴上去”的违和感。所以在我看来可灵的定位是不是替代 PS而是替代“需要让人物真正融入场景”的整套流程。如果你只是想做一张静态宣传海报PS 依然更快但如果你要做人物动态化、让照片里的内容“活”起来或者让一个人出现在他从未去过的场景里还有合理的动态可灵是目前门槛最低、效果最夸张的工具。2. 准备工作按这个思路做出图率会高很多很多人在可灵上合成照片效果差八成不是模型能力的问题而是素材没准备好。可灵对输入图像质量极其敏感就算你丢一张模糊的小图进去它也会硬着头皮去理解只是结果各种畸形。我总结了一套素材准备的逻辑按这个顺序来出片率能翻倍。2.1 主体照片的筛选标准不管你是要做人物合成、宠物合成还是产品融合主体照片一定要满足三个条件。第一个是画面主体尽量大。可灵不是搜索引擎它不能理解“在这个画面角落里的那个小人就是我说的主角”。主体在整张图里的占比如果低于百分之三十它有大概率忽略这个主体或者在生成时把背景里的干扰物也当成了主体一部分。我实测过一张半身照比一张远景全身照的合成成功率高出非常多。所以筛选素材时优先选主体居中、占据画面核心区域的照片。第二个是光照方向要明显且一致。这个很多人会忽略。如果主体照片是顺光拍摄整个脸部均匀受光那么合成到侧光场景里时可灵生成出的脸部会带着一种暧昧的、无法确定的明暗关系结果就是五官会显得有点“融”。反而在素材阶段就选一张有明显侧光的照片可灵会顺着光照线索自动调整各个方向的亮度。第三个是背景简单。主体背后不要有复杂的文字、栏杆、电线等元素。不是说不能选而是这些元素会干扰模型对“主体边界”的判断。尤其是有文字的背景可灵会把文字识别成某种纹理在合成过程中随机重绘最后背景里出现一堆诡异的类文字符号非常出戏。2.2 环境参考图的作用与选择如果你要让主体进入一个特定场景这张环境参考图同样不能随便选。最理想的环境参考图是“同一个机位、同一个景别”的空镜。什么意思呢比如你想把一个人放到一个咖啡馆里最好找一张和人物照片景别相似的咖啡馆照片人物是半身环境图也最好是对应半身高度的视角。如果人物是全身环境图却是一个大广角全景那合成结果就会出现比例失调人像和场景就像两个世界硬拼在一起。此外环境参考图不要有太多强烈的人物痕迹。比如空镜里有一张别人的脸但只有半张这会被模型认为是一个“主体候选”导致合成后画面里多出诡异的人脸。我建议环境图宁可稍微普通一点也不要有明显的、高辨识度的元素。2.3 统一画幅比例减少后期裁剪可灵的生成参数里有画面比例的选择一般支持 9:16、3:4、1:1、16:9 这些。很多人上传素材时不注意比例匹配直接选了自定义或默认比例导致模型为了适配画幅对图像做了大量裁切主体反而被切掉一部分。我一般会先用看图工具把人物照片裁剪成目标比例上传后再用可灵的“首尾帧”或“图生视频”模式这样模型只需要关注画面内部的运动不用额外处理构图大调整。这个细节看起来不起眼但对成片质量的影响非常大。3. 三种最常用的照片合成玩法可灵的照片合成能力我更愿意把它拆成三种玩法。这三种玩法覆盖了绝大多数使用场景理解了它们的底层区别你就能举一反三不被网上零散教程带着走。3.1 静态照片的动态化让老照片“活”起来这是可灵最出圈的使用方式也是门槛最低的玩法。把一张静态照片上传配上提示词描述画面里应该发生的运动然后可灵会生成一段视频画面里有微风、眨眼、嘴角微动、衣物摆动整张照片从二维变成三维空间里的真实瞬间本质上是可灵在生成时不仅解析了主体还会建模一个合理的瞬态。举个我实际操作的例子。有一张我朋友小时候在海边拍的照片画质一般还是胶片时代那种颗粒感。我把这张照片放进去提示词写“海风吹动头发海浪缓缓拍打沙滩人物看向远方嘴角轻轻上扬”。可灵输出的结果是六秒钟视频头发被风吹起的节奏非常自然海浪是一层一层往前推的完全没有那种动态贴纸的僵硬感。这里有一个关键技巧提示词里的运动描述要“有对象、有方向、有力度”比如只写“吹风”效果就很单薄可灵不知道该让什么动、往哪里动、动多快。写成“风中头发向画面右侧飘动衣角轻轻摆动”就明确得多。模型对力度词汇的理解是比较差的建议用“轻轻、缓缓、猛烈地”这类模糊词反而更有效因为它们符合训练数据里的自然语言分布。3.2 首尾帧合成两张照片之间生成自然过渡首尾帧可能是可灵所有功能里最被低估的照片合成手段。所谓首尾帧就是你提供第一帧画面和最后一帧画面模型负责补全中间的运动过程。这本质上是让你控制“起点”和“终点”的构图、内容把中间的演变交给模型推理。经典的用法是给一张人物日常着装的普通照片作为首帧给一张同一个人古装造型的照片作为尾帧中间模型会自动生成一个“变身”的连贯过程。这个变身不只是简单的重叠交叉溶解而是有实际物理细节的比如衣摆从短变长头饰从无到有脸部的妆效一点点加深。因为它有足够的时间维度去铺陈变化所以看起来特别像电影特效里的“变形”镜头。首尾帧要做得自然有个硬性要求首帧和尾帧的人脸必须是同一个人的正面并且面部占比不要相差太大。如果首帧是一张大脸近景尾帧却是一个全身景模型会强行做空间上的缩短与拉远过程中脸部可能会发生扭曲因为它要同时处理“身份保持”和“景别变化”两个任务这属于你想一次性让它做到太多事。实际操作中我发现一个提高成功率的技巧首帧和尾帧选择相同背景只是人物姿态、服装不同。这样中间过渡只需要处理主体的变化背景保持静止模型就可以把所有算力集中在主体上生成的细节会丰富很多。如果你必须要不同场景至少保证两个场景的光照方向一致否则过渡中间会出现一段“中性灯光”看起来很怪。3.3 多图参考的一致性融合把多个人放进同一画面可灵前阵子上线了多图参考功能这给照片合成打开了新的可能。以前要让两个在不同照片里的人同框必须用 PS 抠图拼接现在你可以分别上传两个人的照片然后在提示词里描述他们之间的互动关系生成一段两人同框的视频。这个功能的底层逻辑是“身份参考”模型并不会像传统算法那样把人像区域像素直接拷贝而是提取每个参考图中人物的身份特征然后在生成的画面中重建这两个人。这意味着最终画面中两个人物的姿态、位置、互动动作都是新生成的不是原始照片的复制。这就带来一个极其实用的应用场景很多年前养过的宠物、父母年轻时的照片、自己小时候的照片这些不同时间、不同地点拍摄的人与物可以被合成到一个虚拟空间里实现“跨时空同框”。网上很多“全家福修复计划”就是基于这个功能实现的效果感人且情绪价值极高。使用这个功能时每个人的参考图质量依然很重要。两个人物的光影方向尽量保持一致如果一个人是顶光、另一个是侧光合成后模型会在两人之间建立一个新的光照环境大概率出现一人偏暖一人偏冷的情况。我一般会先单独上传每张图观察可灵默认生成的结果是否和图内光照和谐再决定要不要加多图参考。4. 实操中必然要踩的坑这部分我想集中讲一下我在实际使用中遇到的坑。网上教程一般只讲成功案例但真正拖慢你进度的几乎全是异常情况知道什么情况不该做什么样的事往往比知道怎么操作更重要。4.1 模糊照片直接上传脸部会大面积崩坏很多人想着“AI 能修复老照片”就直接把分辨率极低的人脸图丢给可灵。确实大部分情况下可灵能给你一个看起来比原图清晰的结果但一旦画面里需要生成运动尤其是转头、眨眼、微笑这类微表情低清素材的缺点就会被无限放大。模型不得不“脑补”大量面部细节一旦脑补不足或过度结果就会变成恐怖谷。我建议流程是先用像素级超分工具把老照片清晰化再进行照片合成。你可以用可灵自身的画质增强功能但效果相对温和适合轻度老照片如果原始图实在模糊那就先在其他软件里用做一次 2 倍超分再传回可灵。磨刀不误砍柴工这一步能省下大量反复生成的等待时间。4.2 提示词里写“不要”几乎没有用不如正向描述今天多模态模型普遍有一个特点对否定词的响应不稳定。比如你写“不要让画面中出现其他人”它反而可能因为“其他人”这个概念的激活而生成一个人物。可灵也有类似现象。正确的做法是只描述你想要的画面。“一个女孩独自坐在窗边身后没有旁人”这句里“没有旁人”还是否定结构但核心画面已经清晰指向单人构图模型会更大概率执行单人而很明显写“三个人围坐在沙发上”这种角色数量词反而非常可靠。如果你想要空场景环境参考图本身就要是空的模型的理解能力不需要承担额外的工作。4.3 运动幅度过大导致画面扭曲照片合成的魅力在于“合理的动态”但这个合理的界限比你想的窄。可灵在人物大范围运动上的效果虽好但那是针对视频生成模式而言。在照片动态化场景下运动幅度控制要格外保守。比如我试过把一张全身人像照片做成“人物从画面左侧走到右侧”结果模型为了完成位移把人物的腿部拉长扭曲然后又硬生生掰回来观感非常诡异。后来我把提示词改成“人物在原地轻微左右晃动像在休闲地站着身体重心略微摇摆”效果就自然了。可灵对待照片合成任务时的默认策略是“保持构图稳定”大范围运动需要生成畸变帧来过渡反而容易穿帮。在做照片动态化时尽量选择局部运动、循环运动、环境运动和轻微姿态变化的组合。4.4 画幅比例和运动方向不匹配这是我在做竖屏内容时发现的细节。如果你选了 9:16 竖屏画面中的运动却设计成从左到右的大范围平移那模型必须处理大量左右空间的背景生成容易出现边缘内容扭曲而改成上下方向的运动比如落叶从上往下飘、雪花缓缓落下竖屏构图容纳运动轨迹的余量就更大生成成功率明显提升。所以你定画幅时先想清楚这段合成画面的“运动主导轴”是什么。运动是横向、纵向还是纵深方向选一个能容纳这个方向的画幅比例模型会轻松很多。4.5 面部一致性依赖于首帧的脸部清晰度别指望可灵能像换脸工具一样不管什么角度都能保持身份一致。以我的经验首帧里脸部越清晰、占画面比例越大后面生成的每一帧里人物长得越像。反之如果首帧脸部只有 100 个像素模型只能提取到模糊的身份信息后面生成的脸会偏向“平均值脸”。所以在可灵里做照片合成时我常用的操作是先对人物照片进行局部裁切放大脸部区域生成动态效果然后再利用视频编辑工具做缩放构图。这样虽然损失了一点环境信息却保住了最关键的身份线索剪辑时稍微做一点运镜缩放观众根本看不出来原始画幅有裁切。5. 局部重绘和细节修复流程照片合成经常面对一个尴尬的中间状态整体构图已经成立但某个局部不协调。比如手部姿态僵硬、背景杂物跑偏、面部表情失效。这种时候不值得整张重做成本太高可灵的局部重绘功能正好能解决这个问题但很多人不知道如何有效利用或者说不会设计局部重绘的“精准范围”。5.1 选择重绘区域避免两个极端局部重绘的核心是“范围控制”。范围太大会破坏已经合理生成的内容范围太小则不能给模型足够的上下文暗示。根据我的经验如果手部出了问题重绘区域不要只框住手本身建议把手腕到小臂的一段也框进去让模型理解手臂的朝向这样生成出来的手部姿态才是和身体连接的。只框手部而不带手臂可灵不知道这个手应该以什么角度连接躯干经常生成一只结构完整但安错了方向的手。同理修复表情时框选区要包含下颌线和部分颈部给模型“头部朝向”的参考信息。5.2 重绘提示词写“目标状态”不写“修正某种问题”局部重绘的提示词写法与整体生成类似也建议用正向描述但更要注意的是不要描述原画面中的缺陷。“修复扭曲的手”这个写法非常容易让模型进一步聚焦“扭曲”这个特征反而把扭曲画得更加典型。正确的写法是直接描述你想要的最终状态“双手自然垂落在身体两侧手指自然弯曲手里拿着一杯咖啡”。给一个完整的目标画面模型更可能联想到正确的姿态。5.3 多轮局部重绘逐步逼近终极效果单轮局部重绘很少能一步到位我的习惯是先做一次大范围重绘稳住整体氛围再针对细节进行二次三次精修。比如生成一张人物坐在窗边的合成照片第一次重绘时我会框选整个人物把姿态、面部、服装的方向统一让模型在这些方面都重新推理一遍第二次再单独框选手部细化手指的姿态第三次可能是处理背景窗外的风景。这相当于你用“层层嵌套”的思路在使用模型每一轮都让模型在更大的上下文里调整细节。这里有一个时间成本的控制心得在局部重绘时选择较低的迭代步数往往结果更有松弛感。可灵的画面在过度“精修”后会有一种明显的塑料质感特别是在皮肤纹理和植物叶片的处理上。反而在适度欠拟合的状态下能保留一种天然的摄影颗粒感更接近真实照片的氛围。这与很多直观感受相反但你可以去试试对比之后自有体会。6. 素材归档复用与进阶延伸做照片合成这事做得多了我发现真正拉开效率差距的不是某一次生成有多精彩而是你是否建立了一个可持续复用的素材资产库。可灵虽然每次生成结果都不同但好的素材标准和提示词模板是可以复用的一段时间积累下来相当于构建了一套只属于你的“照片合成手册”。6.1 建立自己的素材分类逻辑比如人物素材可以按“面光方向”“姿态类型”“面部占比”打标签环境素材按“机位位置”“光照氛围”“色调”打标签。这样做的好处是当你接到一个新的合成需求时不会从图库里大海捞针而是能按标签快速配对。我自己的素材库是按这种标签体系管理的每张素材都记录了拍摄时间、光线信息、可灵合成时的成功率以及生成结果的参考链接。这看起来有点死板但实际省下的时间非常可观。尤其是当你需要做系列化内容时比如给一个品牌的多个产品分别合成不同使用场景有这套标签体系你只需要找到合适的主体素材和环境素材再套用已经跑通的提示词结构基本就是一次过。6.2 提示词拆分成固定结构与可变参数的组合把提示词模板化是另一个提升效率的好方法。固定结构按我的习惯是五要素组合主体描述、环境描述、运动描述、镜头描述、风格描述。比如“主体一个穿红色连衣裙的亚洲女性环境站在一片薰衣草花田中运动风吹动裙摆和发丝花瓣从下风向飘过镜头中景浅景深焦点在人物上风格胶片质感偏暖色调”。如此结构化的描述可灵理解的稳定度远高于一段顺滑的自然语句未来的目标只是替换中间的可变参数。当然固定的提示词结构并不是可灵官方推荐的唯一正确格式而是我实操后提炼出的一个便于维护、可复制、可渐进优化的方式。如果你觉得这个结构用着不顺手可以调整顺位但始终建议把运动描述与环境描述分开写因为它们是可灵生成视频时最有价值的两类控制信号。6.3 合成技术之外的审美判断最后聊一个容易被忽略的问题现在生成工具这么强为什么某些创作者的照片合成作品一眼惊艳有些却像廉价贴纸差别不在技术参数而在于审美判断。你得在点击生成之前就想清楚这张合成照片的“主体”和“场景”是什么关系。是主次分明还是和谐共生光照是延续原有方向还是新建一个统一的影棚光场景中的运动是为主体表演服务还是营造环境氛围可灵给了所有人同样的模型能力但有审美意识的创作者会筛选、重试、微调选出最接近真实世界物理规则的那一帧。我的建议是在初期大量尝试不同的光影条件、运动幅度与提示词组合把可灵当成一个快速出片器等你见多了哪种效果好哪种效果假审美判断力就会逐步建立甚至看一眼素材组合就能大概预测合成结果的地板与上限。这个领域变化实在太快部分功能细节可能在你看到这篇文章时已经更新。但底层的素材逻辑、提示词结构、生成约束这些核心方法论短期内不会失效。你在实际使用中如果发现了什么新的玩法或踩了什么新的坑欢迎按这套思路重新审视素材与文本描述再对比一下失败样例里的原因大概率都能归结到模型上下文理解和素材一致性上。掌握了这条分析路径无论可灵后续怎么迭代你都能比别人更快抓住关键。