把参考资料用进Sora美食视频生成，本质不是让模型照着图片一帧一帧复刻，而是把参考素材当成条件信号，和文本提示一起约束生成结果。Sora会从参考图或参考视频里提取画面结构、物体形态、光影方向、色彩倾向和运动节奏等特征，再结合新的文本指令生成连续画面。所以同样一张拉面参考图，提示词写得好可以生成热气腾腾的推镜头，写得含糊就可能变成一张会动的照片，甚至面条和叉烧在几秒内发生形变。
要把参考素材真正用起来，先要分清参考图和参考视频各自的优势。参考图适合锁定静态信息，比如碗的形状、食材切面、酱汁浓稠度、桌面纹理和光线角度；参考视频则更适合控制动态信息，比如翻锅幅度、蒸汽飘动速度、镜头推拉节奏。很多人把两者一起丢进Sora，却不在提示词里说明各自负责哪一部分，结果生成画面容易出现风格拉扯。最稳的做法是：参考图管视觉，参考视频管运动，文本提示负责把二者串起来。
一、Sora参考资料的两种作用：静态锁定与动态控制
从实现角度看，Sora会把上传的图片或视频切成patch，和文本token一起进入扩散Transformer。参考图提供的是空间信息，它更倾向于约束物体形状、材质和画面布局；参考视频提供的是时序信息，它更倾向于约束镜头运动、物体运动速度和动作连贯性。因此，参考素材上传后不是单独形成一条固定模板，而是和文本提示一起影响生成结果。
举例来说，参考图主体是一份牛排，如果提示词只写“生成一段美食视频”，模型可能会把牛排的颜色、盘子、配菜全部重新画一遍。正确的写法是明确“保持参考图里牛排切面的粉红色、盘子的黑色哑光质感以及迷迭香位置”。这些静态信息由参考图负责，只有写出来，模型才会知道哪些细节不能随意改变。
参考视频则不同。比如你上传一段镜头从牛排上方缓慢下摇的视频，模型会学到下摇速度、画面稳定度、焦段变化。若想只借鉴运镜而不借鉴画面内容，可以在提示词里写“只使用参考视频的运镜节奏，不参考视频中的食材和场景”。这种分工意识是参考资料使用中最重要的一点，直接决定生成画面会不会出现元素跳变。
二、美食视频参考素材的整理方法
准备参考素材不是越多越好。先确定这次生成要突出的是菜品质感、烹饪过程还是摆盘氛围。如果是菜品质感，参考图应选择单盘、大光圈、细节清晰的图；如果是烹饪过程，参考视频应选择动作连续、无遮挡的片段。目标越集中，Sora学到的特征越干净。
上传前把图片裁到16:9或9:16，不要竖图横图混着用。图片里的菜品最好位于中心区域，避免裁掉关键部分。视频长度控制在5到10秒，去掉开头和结尾的无用动作。尤其不要使用带字幕、水印、台标或明显滤镜的参考视频，这些会被Sora当成画面元素去学习，导致生成结果里出现奇怪的文字或色块。
多张参考素材之间要保持一致的色温。如果一张是暖光、一张是冷光，生成画面的光线会摇摆。可以先用图像编辑工具把色温、对比度大致统一。参考图分辨率不要太低，至少保证长边大于1200像素，否则模糊会被当成柔和材质处理，最后拍出来的菜就像蒙了一层雾。
素材类型：参考图 内容：单碗牛肉面，45度俯拍，柔光，暖色 裁剪：去掉背景中的菜单和饮料瓶 命名：beef_noodle_ref.jpg 素材类型：参考视频 内容：相机从碗前方缓慢前推，蒸汽稳定上升 片段：前3秒，无转场，无水印 命名：noodle_steam_push.mp4
三、提示词如何写才能把参考资料激活
Sora不会因为你上传了参考图，就自动知道哪些元素必须保留。参考图只是给模型提供一个条件空间，真正高权重的约束来自文本提示。一个好提示词需要把参考素材的职责写出来，不要只写“参考已上传的图片”这种含糊表达。把静态和动态拆开写，模型才不容易误判。
可以采用这种结构：主体描述、参考图职责、参考视频职责、镜头与景别、光线氛围、动态细节、排除项。主体描述负责告诉Sora要生成什么；参考图职责负责锁定静态元素；参考视频职责负责锁定运动节奏；排除项用来抑制参考图中一些不想要的元素。
主体：一碗中式红烧牛肉面，粗面条，大块牛腩，青菜，红亮汤汁，白芝麻 参考图：使用已上传的牛肉面参考图，保持碗型、面条弯曲方式和牛腩位置 参考视频：使用已上传的蒸汽推近视频，保持镜头前推速度和蒸汽飘动方向 镜头：从碗口前上方轻微下压，缓慢推近到牛肉特写，不越轴 光线：左侧柔光，汤面有轻微高光，背景偏暗 氛围：温暖、刚出锅、食欲强 排除：不要出现筷子突然入画，不要改变汤色，不要添加文字
写排除项时有技巧。视频生成模型的否定词会直接影响画面构成，所以不要写太抽象的词，比如“不好看”“不自然”，而要写具体对象，比如“不要出现筷子突然入画”“不要出现水印”“不要改变汤色”。这样Sora才能更明确地避开这些内容。
四、混合参考时最常见的翻车与应对
很多人觉得参考素材越多模型越听话，实际完全不是这样。多张参考图之间的冲突会让Sora反复在多个主体之间跳变，比如前半段是圆碗，后半段变成方盘。美食视频尤其害怕这种主体漂移，因为观众对餐具形状和食材比例非常敏感。解决方法是：一张主参考图加一段参考视频就够，不要同时上传多张差异很大的菜品图。
另一个高频问题是参考视频里的运动与文本提示冲突。比如参考视频是快速甩锅，而文本写“镜头缓慢推进”，生成时模型会尝试同时满足两个信号，结果画面出现抖动或运动不连续。遇到这种情况，可以在文本里明确写明“参考视频只用于借鉴蒸汽方向，不借鉴转场和运动速度”。
如果生成结果总是不像参考图，可以试着把参考图权重描述得更极端，比如“严格保持参考图的碗形和食材位置，可改变镜头角度”，或者把参考图描述放在提示词靠前位置。不同版本的Sora对提示词顺序的敏感度不完全一样，但把关键静态信息前置通常比放在最后更有效。
错误写法： 参考图加参考视频，生成一碗好吃的面。 正确写法： 参考图：锁定碗型、食材位置和汤色。 参考视频：只借鉴镜头前推节奏，不借鉴视频里的转场。 文本提示：按照参考图生成，镜头按参考视频缓慢靠近汤面。
总的来说，参考资料能不能用好，取决于你是否把它拆解成静态与动态条件，并把每一条都翻译成提示词。不要指望上传一张图就能完全复刻，也不要让参考视频和文本互相打架。先梳理素材职责，再写清楚提示词，Sora生成的美食视频才会更接近你想要的样片效果。