素材生成：图片、音乐和视频
Chat 不只写代码。图片、音乐和视频都由平台的专门模型生成，你在对话里说一句就行，产物直接落到消息下方等你下载。这篇讲清每条链路能做什么、怎么改上一版、素材最后放哪。
三条链路，一句话说清
| 你想要 | 说一句就行 |
|---|---|
| 图片 | 海报、配图、插画、Logo、封面、商品图，以及改图、换背景、扩图、擦掉画面里的东西 |
| 看图 | 认一张图里有什么、把图里的文字提出来（OCR） |
| 音乐 | BGM、主题曲、片头音乐，纯音乐或带人声都行 |
| 视频 | 短片、片头、产品演示，也可以让一张静态图动起来 |
不用学任何参数写法，也不用先写一大段提示词——默认先做一版给你看，重试很便宜，不满意再说哪里不对。只有猜错等于白做的信息才会先问你，比如海报上要印的确切文案、要唱的歌词、扩图往哪个方向扩。
图片能做什么
| 你要做的事 | 例子 |
|---|---|
| 文生图 | 「给这篇笔记配一张图，暖色调，桌面上一杯咖啡」 |
| 局部编辑 | 「这张图的标题换成《今天喝什么》」 |
| 抠图换背景 | 「把这个产品抠出来，换成纯白背景」 |
| 扩图 | 「这张图太窄了，往两边补成 16:9」 |
| 擦除元素 | 「把画面右下角那个杯子去掉」 |
| 识图 / OCR | 「这张截图里报的什么错」「把这张发票上的字提出来」 |
看图这一条尤其省事：报错截图、合同照片、手写便签直接粘进输入框，比你自己敲一遍准得多。
音乐
一段完整的音乐，不是把音效拼起来。风格、情绪、用途、要不要人声、男声还是女声，这些普通人有直觉、又明显影响效果的，Agent 会用一两句话或一张卡片问你；BPM、编制、混音这类术语不会拿来烦你。
歌词有确切要求的话提前说，让它自己写也行。
视频
- 单次生成 2~30 秒、自带音轨的成片
- 文生视频：一句话描述画面
- 图生视频：给一张图，让它动起来——想保住已经认可的画面时用这条最稳
- 多镜头短片：超过五到八秒、或者有多个动作场景的片子，会先把整片的剧本和风格定下来，再逐个镜头生成，最后剪成成片、铺一条统一的 BGM
视频是唯一值得先聊两句再动手的一档：一次要跑几分钟。Agent 通常会先确认三件事——画面里有什么、这条片子用在哪、你手里有没有现成的图或视频。时长、版式、要不要声音都从「用在哪」反推，不会拿参数来问你。
改上一版：这里最容易翻车
「这张图光线亮一点」是最高频的后续需求，但它有两种完全不同的做法：
| 你在说什么 | 会发生什么 | |
|---|---|---|
| 局部改 | 就这一版，改其中某处（亮一点、去掉那个杯子、换个背景、标题换成 X） | 拿这张图本身当输入去编辑，构图和细节都保住 |
| 整体重做 | 方向不对、风格全换、重来一版 | 在上一版的基础上改掉你不满意的部分，重新生成 |
说「这张 / 这段 / 刚才那个」的时候要的几乎都是局部改。如果重跑了一次文生图，出来的会是另一张图——你已经认可的构图、人物、细节全没了。说得越具体越不容易走错：「就这张，把背景换成米白」比「再来一张」清楚得多。
改版一律出新文件名（poster_v2.png），原来那版不会被覆盖，随时能对比和回退。
素材最后放哪
- 只是给你看、给你下载：留在消息下方的产物列表里，点开就能存
- 要给应用长期用（网站配图、小程序素材、页面 BGM、首页演示视频）：让 Agent 上传到这个应用的对象存储，再改代码引用。这样图片走加速地址直连，不占应用服务器带宽，也不会被打进镜像撑大体积
- 生成模型那边返回的原始地址都会过期，不要把它写进代码，也不要当长期链接发给别人
常见疑问
Q：要写很长的提示词吗？ A：不用。用大白话说清楚要什么、用在哪就行，剩下的交给 Agent 转写。
Q：视频最长能多久？ A：单次 2~30 秒。更长的片子是多个镜头逐个生成之后剪在一起的，所以并没有硬上限，只是越长越久。
Q：能保证多个镜头里的人是同一个人吗？ A：多镜头会先定全片的设定再逐镜生成，一致性比逐条随手生成好得多，但仍不是百分之百。人物强一致的场景，用图生视频、拿同一张定妆图去驱动更稳。
Q：生成的图能直接放进我的网站吗？ A：能。说一句「把这张图放到首页 banner」，Agent 会上传到应用的对象存储并改好代码。
Q：我上传的照片能拿来编辑吗？ A：能。上传的文件和生成的产物一样，都可以当作编辑、扩图、擦除、图生视频的输入。
Q：做营销内容需要单独让它配图吗？ A：不需要。营销出稿会连配图和封面一起给，见 07-marketing.md。
Q：配音、旁白和把录音转成文字也在这里吗？ A：不在。那是另一条能力，见 14-voice.md。
下一步推荐：11-documents.md