问题: Coze生成图像和音视频要怎么做

👇 点击展开/折叠 面试背诵模板（建议先背这个） Coze生成图像主要通过工作流中的「图像生成节点」或「通义万相」等绘画插件实现，核心配置是文生图或图生图的提示词。生成音频主要通过「语音合成节点」将文本转为MP3，需引用上游大模型生成的文案。生成视频通过「视频生成节点」（基于Seedance 1.0模型）实现，支持文生视频和图生视频两种模式，可配置比例、分辨率、时长（5s或10s）。生成的图片链接有效期为1年，视频链接仅24小时，需及时保存。
---

一、生成图像

核心方法一：图像生成节点（推荐）

Coze工作流中的图像生成节点相当于一个内置AI画师，能够根据文字描述或参考图片生成新图像。节点配置主要包括：模型设置、参考图、输入、提示词、输出、异常处理六部分。

两种生成模式：

  • 文生图：输入一段文字描述（提示词），AI生成对应图像
  • 图生图：上传一张或多张图片作为参考，AI模仿其风格、布局、人物姿势等生成新图

模型选择：

  • seedream 4.0：Coze官方最强的生图模型
  • seedream 3.0：较强模型
  • 通用Pro：效果不错且费用较低，日常推荐

核心配置：在图像生成节点中设置 prompt 参数引用上游节点的输入，生成后从输出结果中提取 data.image_urls 获取图片链接。

核心方法二：图像流

Coze还提供了专门的「图像流」功能，是一种对标ComfyUI的低门槛图像处理工作流，包含三类节点：

  • 智能生成：文生图、智能换脸、背景替换、多图融合、人像风格化、智能扩图等
  • 智能编辑：提示词优化、智能抠图、画质提升、美颜、拉伸修复、透视矫正
  • 基础编辑：裁剪、添加文字、叠图、亮度/对比度调整、旋转、缩放

注意事项：图像处理插件输出的图片为链接格式，有效期为1年，建议在到期前及时保存。

二、生成音频

核心方法：语音合成插件

通过工作流中的「语音合成」插件将文本内容转化为音频。典型工作流为：开始节点 → 大模型节点（生成文案） → 语音合成节点 → 结束节点。

关键配置：

  • text：必填参数，引用大模型节点输出的文本内容
  • voice_id（音色）：非必填，参考插件文档中的音色列表，直接使用中文名称（如“渊博小书”）
  • 输出：结束节点输出语音合成节点返回的 data.link，即MP3音频链接

注意：修改音色后需重新试运行以验证效果。

三、生成视频

核心方法：视频生成节点

Coze近期上线了视频生成节点，基于即梦同款 Seedance 1.0 视频模型。

两种生成模式：

  • 文生视频：仅基于文本提示词生成视频
  • 图生视频：基于首帧图片、尾帧图片和文本提示词共同生成视频

模型与参数：

  • doubao-seedance-lite：基础版，支持首帧+尾帧+提示词
  • doubao-seedance-pro：高级版，支持首帧+提示词
  • 比例：1:1、16:9、4:3、21:9、9:16、3:4
  • 分辨率：720P 或 480P
  • 时长：目前仅支持 5s 和 10s
  • 固定镜头：开启后画面固定，关闭则根据提示词产生运镜
  • 种子值：控制生成内容的随机性，相同种子值生成类似视频

典型应用场景：

  • 知识科普与历史叙述视频
  • 电商带货视频流水线（输入商品图片和名称自动生成动态展示视频）
  • 名著场景复活与微观世界创作

注意事项：

  • 视频生成节点消耗资源点，需付费
  • 生成的视频链接有效期仅24小时，需及时下载
  • 普通用户每天约500资源点，用 doubao-seedance-lite 模型生成一个5秒480p视频后剩余有限