如何使用 Midjourney API 创建视频？

Midjourney 进军视频领域，已成为 2025 年最受关注的创意技术话题之一。起初作为备受喜爱的“以图像为先”的工具，它新增了“Image-to-Video（图像转视频）”工作流，将静帧转换为短动画片段——而且系统正在快速演进。

Midjourney 的视频能力是一个图像转视频的工作流，通过“Animate”流程将单张图像动画化为短片段，默认生成 5 秒视频，并允许扩展至约 ~21 秒。该功能于 2025 年年中以 Midjourney 的 V1 视频模型发布，并可通过 CometAPI 的 Midjourney Video V1 API 获取。

什么是 Midjourney V1

Midjourney V1 做什么，以及如何呈现给用户

Midjourney 的 V1 视频模型将单张静态图像（可为 Midjourney 内部生成或外部托管）变为短动画片段——默认约 5 秒——支持自动或手动动画模式以及运动强度标志（--motion low / --motion high）。用户可按 4 秒为单位扩展片段（最长约 ~21 秒），并控制批大小、循环与结束帧；视频输出为 MP4。Midjourney 的 V1 视频模型是面向短时、风格化、可循环片段优化的图像转视频模型。V1 模型的典型特征包括：

• 基础片长约 5 秒，提供受控的扩展机制（每次 4 秒增量，直至文档规定的上限）。
• 强调保留源图像的艺术风格（笔触、色彩、情绪）。
• 在分辨率与质量之间进行权衡，以便快速迭代；V1 更面向社交与网页内容而非完整影院级输出。

这些限制影响资产与提示词的设计方式：V1 最适用于简洁运动、动画化静帧、产品主视觉循环或短角色段落，而非长镜头。

CometAPI 如何呈现 Midjourney Video 模型

CometAPI 是一个多模型网关，在单一 REST 接口后聚合了数百个 AI 模型（文本、图像、音频，以及如今的图像转视频）。它的 Midjourney Video 服务封装了 Midjourney 的 V1 视频能力，使工程师可以通过编程方式调用图像转视频，而不必仅依赖 Discord/网页交互。这使其适合自动化创意管线、构建原型，以及将短动画资产集成到应用或内容生产工作流中。

CometAPI 的 Midjourney Video 让开发者完成身份验证、调用 /mj/submit/video 端点，并传递诸如 prompt（可包含起始图像 URL）、videoType（例如 vid_1.1_i2v_480）、mode（fast/relax）以及 animateMode（automatic/manual）等参数。与直接集成 Midjourney 的基于 Discord 的工作流相比，CometAPI 具有更低的单次调用价格与便利性（单一 API Key + REST 接口）。

在调用 API 之前我需要做哪些准备？

我需要哪些凭据与账号？

1. 在 CometAPI 注册，并在账户面板生成 API Key（CometAPI 使用形如 sk-xxxxx 的 Bearer Token）。
2. 若计划使用外部图像作为起始帧，请确保图像资产可在线访问（公开可访问的 URL）。Midjourney 对外部图像→视频的流程需要可访问的 URL。

前期需要做出的决策

• 起始图像 —— 选择主体清晰、构图明确的图像；纵横比会影响最终视频分辨率/宽高比（Midjourney 会将起始纵横比映射到 SD/HD 像素尺寸）。
• 运动风格 —— 决定低/高运动（--motion low 与 --motion high），以及是否采用自动推断或手动控制镜头/主体运动。
• 长度与批大小 —— 默认为 5 秒；可扩展至约 ~21 秒。批大小默认 4（Midjourney 返回 4 个变体），也可请求 1 或 2 以节省算力。
• 分辨率 —— V1 主要为 SD（480p）默认；HD（720p）需要参数说明，例如 vid_1.1_i2v_480。

如何调用 CometAPI 的 Midjourney 视频端点（分步示例）？

最小请求载荷是什么？

至少需要：

• prompt：起始图像 URL 和可选的文本运动提示（例如：“ 添加一只从左向右奔跑的狗”）。
• videoType：如 vid_1.1_i2v_480。
• mode："fast"（或根据套餐允许使用 "relax"）。
• animateMode："automatic" 或 "manual"。

这是一个示例 curl，演示向 [![image](https://api.cometapi.com/mj/submit/video) 发送 POST。下面是基于 CometAPI 示例清理后的、可直接复制的 curl 示例：

curl --location --request POST '![image](https://api.cometapi.com/mj/submit/video') \
  --header 'Authorization: Bearer sk-YOUR_COMETAPI_KEY' \
  --header 'Content-Type: application/json' \
  --data-raw '{
    "prompt": "![image](https://cdn.midjourney.com/example/0_0.png) A peaceful seaside scene — camera slowly zooms out and a gull flies by",
    "videoType": "vid_1.1_i2v_480",
    "mode": "fast",
    "animateMode": "manual",
    "motion": "low",
    "bs": 1
  }'

Python 示例（requests）

如果更偏好 Python，这里有一个使用 requests 的健壮示例：提交视频任务并轮询直至完成（请替换占位符）。这是一种实用模式：提交 → 轮询 → 下载。下例刻意保持简单，生产中请按应用的异步/作业系统做适配。

import time
import requests

API_KEY = "sk-YOUR_COMETAPI_KEY"
BASE = "https://api.cometapi.com"
HEADERS = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"}

payload = {
    "prompt": "![image](https://cdn.midjourney.com/example/0_0.png) A calm city street — camera pans left, rain falling",
    "videoType": "vid_1.1_i2v_480",
    "mode": "fast",
    "animateMode": "manual",
    "motion": "low",
    "bs": 1
}

# Submit job
r = requests.post(f"{BASE}/mj/submit/video", json=payload, headers=HEADERS)
r.raise_for_status()
job = r.json()
job_id = job.get("id") or job.get("job_id")

# Poll for completion (example polling)
status_url = f"{BASE}/mj/status/{job_id}"
for _ in range(60):  # poll up to ~60 times
    s = requests.get(status_url, headers=HEADERS)
    s.raise_for_status()
    st = s.json()
    if st.get("status") == "completed":
        download_url = st.get("result", {}).get("video_url")
        print("Video ready:", download_url)
        break
    elif st.get("status") in ("failed", "error"):
        raise RuntimeError("Video generation failed: " + str(st))
    time.sleep(2)

如何为 Midjourney/CometAPI 视频添加音频（人声、音乐、音效）？

Midjourney 是否原生生成音频？

不会——截至 V1，Midjourney 的视频输出为静音（不嵌入音频的 MP4）。用户需在外部补充音频。（也有其他 AI 系统可同时生成音频/视频，但 Midjourney 的 V1 专注于视觉运动。）

推荐的音频添加流程

1. 文本转语音（TTS）用于旁白/人声 —— 使用 ElevenLabs、Replica 或类似的语音克隆/TTS 服务从脚本生成语音轨。这些服务可生成自然语音风格，且每分钟成本较低。（LinkedIn/社区帖子推荐将 ElevenLabs 作为轻量化的人声选择。）
2. AI 音频设计工具生成音乐/音效 —— MM Audio、Magicshot 或专门的音效生成器可产生贴合片段的背景氛围与效果声。社区指南与教程显示 MM Audio 等音频 AI 的质量良好。
3. 手动 DAW/剪辑器方式（精细控制） —— 将生成的 MP4 导入 DaVinci Resolve / Premiere / Audacity，添加 TTS 音频与音效并混音。此路线最适合精确口型与时序对齐。社区教程与 YouTube 步骤演示可帮助将音频与 Midjourney 视频对齐。

快速示例：使用 ffmpeg 合成音频与视频

假设已有 video.mp4（静音）与 speech.mp3（TTS）：

# Normalize audio length (optional), then combine:
ffmpeg -i video.mp4 -i speech.mp3 -c:v copy -c:a aac -shortest output_with_audio.mp4

对于更复杂的混音（背景音乐 + 对白 + 音效），请从 DAW 输出单一混合音轨，然后按上述方式复用进视频。

我该如何撰写运动提示词来控制动画？

运动提示语模式

Motion 提示在 Midjourney V1 中由自然语言驱动。常用模式：

• 方向/动作：“镜头向左移动，主体向前行走”
• 物体运动：“树叶从树上飘落，向镜头方向轻飘”
• 镜头指令：“慢速推近，轻微视差，2x 速度”
• 时间质感：“细微运动，可循环，电影化节奏”

从简洁的运动句开始，然后附加风格与节奏形容词：例如，"start_frame_url animate: 'slow spiral camera, subject bobs gently, loopable', style: 'film grain, cinematic, 2 fps tempo'"。实验与小步迭代至关重要。

手动 vs 自动动画

• 自动：让模型推断合理的运动。适合快速试验。
• 手动：提供明确的镜头路径与主体向量，以获得一致、可复现的结果——适用于需要可预测的走位或匹配实拍镜头的场景。

如何扩展视频、调整批大小或创建循环？

扩展视频长度

生成后，Midjourney（及类似 CometAPI 的封装）会提供“Extend”控制。Midjourney 的界面允许将 5 秒片段按每次 4 秒扩展（最长约 ~21 秒）。在编程方式下，可以对同一端点加入 extend 标志，或提交一个引用原始片段的新扩展任务（CometAPI 文档给出了参数化端点与按钮的概览）。预计扩展成本与初次生成相近。

创建循环视频或指定结束帧

• 要循环，可复用起始帧作为结束帧，或添加 --loop 参数。
• 若需不同的结束帧，提供另一张图像 URL（作为 end），并确保纵横比兼容。Midjourney 支持 --end 参数。考虑使用 manual 扩展，在扩展过程中微调提示词以确保延续性。

批大小与成本控制

Midjourney 默认生成多个变体（批大小 4）。在生产或成本敏感的流程中，设置 bs:1 以减少算力消耗。Midjourney 的文档包含 SD 与 HD 以及不同批大小的 GPU 时间估算（有助于成本预估）。CometAPI 提供具竞争力的定价。

结论

Midjourney 的 V1 视频模型是其迈向程序化视频的第一步——设计上较为保守，但前景可期。我们期待后续迭代在更长序列、更高保真与更可控的镜头机制方面不断提升。作为聚合器的 CometAPI 则降低了开发者的集成门槛，让他们无需处理多家供应商的认证与并发细节，即可将 Midjourney 视频加入应用。

开发者可通过 CometAPI 访问 Midjourney Video API。入门时，可在 CometAPI 的 Playground 探索模型能力，并参阅 API 指南获取详细说明。访问前请确保已登录 CometAPI 并获取 API Key。CometAPI 提供远低于官方的价格，帮助你更便捷地集成。

准备好开始了吗？→ Midjourney 免费试用!