1. 先弄清模型在“看”什么AI视频提示词的底层逻辑我把这套提示词合集整理出来的起因很朴素账号开好了界面打开了光标在输入框里闪人却卡住了。脑子里有一堆画面落到文字上就只剩“电影感、超写实、4K、大师作品”这几句生成出来还都长得差不多。折腾了两三个月我才慢慢明白AI视频提示词prompt不是咒语它更接近一份写给摄影组和后期组的分镜单你要交代的是“拍什么、怎么动、镜头在哪、光从哪来、最后剪成什么调子”。先把这个东西说清楚这是一批针对文生视频模型的提示词prompt合集与拆解方法覆盖产品广告、人物特写、自然空镜、转场衔接这几类最常用的短视频场景还包括参数怎么配、出问题怎么排查。它解决的核心问题就一个——把“我想要那种感觉”翻译成模型能执行的描述让每次生成的结果可预期、可复用、可迭代。适合的人也挺明确做短视频内容的、电商详情页要动态素材的、剪辑师需要补空镜和转场的、设计岗位要快速出概念片的甚至完全没摸过摄像机的纯新手也能用因为这套东西是按模板走的不需要你先懂光圈快门。标题里出现的那个模型名我就当成一个起点——我最早的那份笔记确实是从它开始记的但下面这些结构化的写法在各类文生视频模型上基本都是通用的换平台顶多改改参数叫法。真正值钱的是那套拆解思路不是某个平台的界面。1.1 从“关键词堆叠”到“分镜脚本”的思维切换新手最容易犯的错是把提示词当成一长串形容词的堆叠超写实、8K、电影级、柔光、唯美、氛围感、高级感……一口气写二十个。我早期也这么干结果生成出来的画面确实“还行”但完全不受控——人物穿什么、手放在哪、镜头是推还是拉全凭模型自由发挥。原因在于文生视频模型的工作方式是逐帧预测像素你的文字在其中扮演的是约束条件而不是“主题词”。约束条件越具体、越有结构模型的搜索空间就越小出来的东西就越贴近你的意图。形容词属于审美层它只能影响“质感”管不了“结构”。而一条视频里观众最先感知到的是结构谁在画面里、他在干什么、镜头怎么走。结构错了质感再好也是废片。所以我后来的做法是把提示词当成一段三到五句话的分镜脚本写。第一句定调谁、在哪、什么风格第二句写主体细节穿什么、什么材质、什么表情第三句写动作和时间轴0到3秒做什么3到5秒镜头怎么变第四句写镜头语言景别、机位、运动方式第五句收一个风格锚点像什么类型的片子。这五句各司其职改哪一句就知道会影响哪一部分迭代效率完全不一样。1.2 一条好提示词的六个信息层我把实际用得最多的六个信息层整理成了下面这张表。写提示词时不必每条都填满但心里要有这张表缺哪层就补哪层。通常一条 15 秒以内的镜头六层里填满四到五层就足够具体了全填满反而容易互相打架。信息层回答的问题常用表述示例缺失后的典型后果主体画面里是谁/是什么三十岁上下的女性、磨砂玻璃杯、旧木质桌面模型随机填充主体每次都不一样细节与材质它长什么样、什么触感亚麻衬衫、杯壁有细密水珠、桌面有使用痕迹画面塑料感重像渲染图动作与时间轴这几秒里发生了什么她缓慢转头看向窗外第三秒开始微笑画面静止或动作随机漂移镜头语言机位、景别、运动中近景、85mm、缓慢推近、浅景深构图平庸缺少镜头感光线与环境光从哪来、什么天气阴天散射光、侧逆光、黄昏低角度暖光光影扁平明暗关系混乱风格锚点最终调性像什么纪实访谈质感、九十年代胶片颗粒、产品广告级打光风格漂移每次出片调性不统一这张表里我个人认为最被低估的是光线。很多人写提示词只写主体和风格光线一笔带过。但你回头看那些“一眼电影感”的画面八成是因为光有方向、有层次、有明暗过渡。你只要在提示词里加一句“侧逆光人物边缘有一圈轮廓光”画面的立体感立刻就不一样了这个改动的性价比高得离谱。1.3 同样的提示词为什么两次结果不一样这个问题我被问过太多次。答案不复杂文生视频模型本质是概率采样同一个提示词对应的是一大片“合理画面”的区域每次生成都是在这个区域里随机落点。加上视频还要保证帧与帧之间的连续性模型在时间维度上也有随机性所以两次结果不同是设计使然不是你的提示词写错了。应对办法有两个方向。一是固定随机种子seed让模型每次从同一个起点开始采样这样你换提示词里的某一个词才能准确判断是这个词带来的变化而不是随机波动。这套对照实验的思路跟做 A/B 测试是一个道理。二是增加约束密度把提示词写得足够具体让模型可发挥的空间变小结果自然就收敛了。这两个手段可以叠加用先用固定种子做小步迭代找到满意方向后再放开种子多跑几次从里面挑最好的一条。注意不要在同一次迭代里同时改提示词和改种子那样你永远不知道效果变化是谁造成的。我吃过这个亏改了七八版最后发现全是随机波动白折腾一晚上。2. 我的提示词模板体系五段式骨架与术语库前面讲的是思路这一章全是能直接抄的东西。我把日常用得最顺手的结构固化成了一个五段式骨架遇到新需求就往里填填完基本能出片剩下的就是微调。这套骨架的好处是可拆解某一段不满意只改那一段其他保持不动迭代成本极低。2.1 五段式骨架一句话定调四句话补全我把模板写成了下面这个样子方括号里是可以替换的变量。这个模板我用了很久中间改过几版现在这版是最平衡的——再精简会失控再详细模型反而抓不住重点。【定调】[主体]在[环境]中[整体风格锚点]。 【细节】[主体的外观、穿着、材质、表情/状态][关键道具或环境细节]。 【动作】[起始动作]随后[第二段动作]全程[动作节奏描述如缓慢/干脆/迟疑]。 【镜头】[景别][焦段/机位][运动方式][景深与构图倾向]。 【光线与调色】[光源方向与性质][色温倾向][后期调色倾向]。举个实际填好的例子这是给一个家居类客户做的香薰产品镜头【定调】一只磨砂白瓷香薰杯放在深色胡桃木桌面上产品广告级质感。 【细节】杯壁有细微的手工纹理杯口边缘有一圈未打磨的粗糙感旁边散落两片干燥的尤加利叶。 【动作】一缕极细的白烟从杯口升起烟雾缓慢向上飘散并在接近画面顶部时散开全程节奏舒缓。 【镜头】特写100mm 微距镜头略微从右向左横移浅景深背景完全虚化成暖褐色色块。 【光线与调色】左侧单侧硬光打亮杯壁纹理右后方一盏弱补光勾出烟雾轮廓整体低饱和暖调轻微胶片颗粒。这条提示词出去基本第一版就能用。你可以注意到我没有写“超写实”“8K”这类词——画质类形容词在视频模型里的边际收益很低现在的模型默认画质都不差真正决定成片质量的是结构描述。2.2 镜头术语对照表写“推近”不如写“缓慢推近”镜头语言是提示词里最容易写出差距的部分。同一个画面写“特写”和写“中近景、85mm、浅景深、镜头缓慢推近”出来的东西差着档次。我把常用的镜头表述整理成了对照表写的时候直接查。想要的效果提示词写法补充说明人物有亲近感中近景50mm平视机位焦段太广会变形太长会显得疏离突出细节质感特写/微距90-100mm浅景深一定要写浅景深否则背景抢戏展现空间关系全景24-35mm略微俯视广角容易边缘拉伸主体别贴边制造压迫感中景低机位仰拍人物占画面三分之二仰拍加贴近压迫感很明显情绪流动近景镜头缓慢推近速度均匀“缓慢”这个词很关键不写就容易猛推环境交代大全景横移或升降主体占画面比例小适合做开场空镜和转场视线引导跟随镜头主体保持画面中偏左位置留白方向要和运动方向一致有个细节值得单说运动速度一定要写。“推近”和“缓慢推近”在模型眼里是两个不同的指令前者可能一秒推到底后者才会给你留出呼吸感。同理还有“快速横摇”“极慢速环绕”“轻微手持晃动”。我一般的经验是广告和产品类用“缓慢”“匀速”“轻微”纪实和情绪类可以加“手持轻微晃动”“焦点轻微漂移”会自然很多。2.3 风格锚点词库用“像什么片子”代替一堆形容词风格锚点是整条提示词里最玄乎、但效果最直接的部分。与其堆十个形容词不如直接告诉模型“这条片子像什么类型”。我按用途分了四组都是实测有效的方向广告质感组产品广告级打光、棚拍质感、高光干净、背景纯净、商业摄影色调纪实质感组纪实访谈质感、自然光、轻微手持、生活化场景、不过度修饰胶片质感组十六毫米胶片颗粒、低对比度、暖黄偏移、轻微漏光、老镜头眩光动画与概念组三维动画质感、材质简化、色块分明、概念设计图风格这里要提个醒风格锚点不要混用。你写“产品广告级打光”又写“纪实访谈质感”模型会两边都沾一点结果就是不伦不类。我见过最离谱的一条提示词里同时出现了“赛博朋克”“治愈系”“复古胶片”“商业大片”出来那画面确实挺有创意的但客户肯定不要。2.4 负向描述说“不要什么”也是一门手艺不少模型支持负向提示词negative prompt也就是告诉它别画什么。这个功能很多人不用或者一股脑塞进去几十个词反而把画面搞僵了。我的经验是负向描述要精准且克制只写你这条镜头真正怕的东西。常见的有效负向项画人物时加多余的手指、扭曲的肢体、面部变形、双瞳做产品时加文字水印、logo 变形、材质塑料感、反光过曝做空镜时加人物出现、画面抖动、镜头畸变通用兜底低分辨率、模糊、噪点过重、画面撕裂反过来有些词写进负向里是浪费。比如“丑陋”“难看”这种主观词模型根本没法执行再比如“不要黑暗”不如直接在正向里写“明亮通透的日光环境”。负向描述应该描述具体的视觉缺陷而不是抽象的评价。提示负向词控制在五到八个以内比较合适超过十个之后模型往往会把一些本来正常的元素也一起抑制掉画面会变得异常干净、缺乏细节。3. 分场景提示词合集四类高频需求直接改模板是骨架场景是血肉。这一章我按实际接活儿的频率排了四类场景每一类给一条完整可用的提示词再讲讲这类场景里最容易翻车的点和对应的改法。你可以把主体换掉直接用八成的镜头需求都能覆盖。3.1 产品广告类静物最难的是“动得合理”产品类镜头的难点不在于画面好看而在于运动要克制。很多新手一上来就让产品“旋转展示”“缓缓升起”结果出来的东西像低质量的电商模板。真正高级的产品镜头运动幅度都很小靠的是光线变化和镜头微移。一条可以直接用的饮品镜头【定调】一杯加冰的琥珀色气泡饮品放在浅灰色水泥台面上商业广告级质感。 【细节】玻璃杯壁布满细密冷凝水珠冰块边缘略微融化液面有细小气泡持续上升杯底有一片薄荷叶。 【动作】气泡从杯底持续缓慢上升第三秒起杯壁上一颗水珠沿杯身滑落全程无剧烈运动。 【镜头】近景85mm镜头极缓慢向前推近约十分之一画面浅景深焦点始终在杯壁中部的水珠上。 【光线与调色】右后方大面积柔光箱打透液体形成通透感左前方一块反光板补出杯壁高光整体清透冷调轻微锐化。这类镜头我通常会跑三到五次挑气泡形态最自然的一条。注意别让模型去写字产品包装上的文字几乎必崩真要带品牌信息后期贴图比让模型生成靠谱得多。3.2 人物情绪特写控制表情变化的时间点人物是所有场景里最容易翻车的因为人对人脸太敏感了细微的不对劲一眼就能看出来。我的做法是把表情变化写成一个有时间点的过程而不是一个静态状态。写“她微笑着”不如写“她先是垂眼第三秒抬起视线并露出克制的微笑”。【定调】一位三十岁上下的女性坐在窗边的旧木椅上纪实访谈质感。 【细节】穿浅灰色亚麻衬衫袖口卷到手肘头发随意扎起有几缕碎发垂在脸侧脸上没有明显妆容。 【动作】起始时低头看着手中一只搪瓷杯第二秒缓慢抬眼望向画面右侧窗外嘴角有非常轻微的松动全程呼吸可见。 【镜头】近景50mm平视略低机位镜头几乎不动仅有极轻微手持浮动背景窗框虚化。 【光线与调色】窗外阴天散射光从右侧打进来左侧脸部留有明显阴影过渡整体低饱和、偏青灰轻微胶片颗粒。人物镜头有个硬性建议景别不要太大。全身镜头里手脚的比例问题最难控制中近景和特写能把风险压到最低。另外动作描述里加上“呼吸可见”“轻微眨眼”这种细节画面的生命力会强很多不然人像容易显得像蜡像。3.3 自然空镜与转场这类素材是刚需做剪辑的人都知道空镜是最缺的。一段访谈、一条口播、一个产品讲解中间必须有空镜来换气。这类镜头其实最好生成因为不涉及人脸和复杂动作容错率高。我一般会一次跑五六条存起来备用。【定调】清晨的针叶林边缘薄雾贴地流动纪录片质感。 【细节】地面上有厚厚的落叶层和苔藓几株低矮蕨类挂着露水远处树干的轮廓逐渐隐入雾中。 【动作】薄雾从左向右缓慢推移露水在叶片上静止第八秒一缕斜射阳光穿进林间并逐渐变亮。 【镜头】大全景35mm机位固定镜头不做任何运动画面层次由近景落叶、中景树干、远景雾层构成。 【光线与调色】低角度侧逆光穿透雾气形成可见光束整体冷绿色调暗部保留细节不压死轻微颗粒感。转场用的空镜还有个技巧生成时刻意留出运动方向。比如你后面要接一个向左运动的镜头前面这条空镜就让主体或雾、云、水往左流剪辑时顺着运动方向切衔接会顺滑很多。这个细节没人教过我是自己剪了几十条片子之后才反应过来的。3.4 长镜头拆解一次生成不如分段生成模型一次能生成的时长普遍有限而且时长越长画面崩坏的概率越高。我做超过十秒的连续镜头基本都是一段一段生成再拼接而不是硬着头皮跑一条长的。具体做法是把一个长镜头按动作节点切成三段每段三到五秒后一段的提示词开头承接前一段的结尾状态。比如“她的手伸向杯子”——“杯子被拿起并举到胸前”——“杯口靠近嘴唇画面渐暗”。拼接点在动作的中间态剪辑时用零点二秒的叠化过渡观众基本看不出来。如果是模型支持首尾帧控制的那种衔接会更自然把前一段的最后一帧截出来作为后一段的起始帧。这个流程稍微麻烦一点但成片的连贯性提升非常明显尤其是人物手部动作分段生成能有效避免“手越动越奇怪”这个问题。4. 参数层那些没人明说但影响巨大的开关提示词写得再好参数配错了照样白搭。这一章讲四个我认为必须搞清楚的参数维度时长、分辨率、运动强度、种子。这几个东西互相牵制得一起看。4.1 时长与分辨率的算力账先算笔账。一段十秒、每秒二十四帧的视频是两百四十帧画面。如果分辨率翻倍总像素量变成四倍模型需要处理的数据量也跟着涨。所以在算力有限的前提下时长的代价比分辨率更线性分辨率的代价是平方级的。目标建议做法理由社媒竖版短视频720p 生成后期放大到 1080p生成快主体不糊放大损失可接受横版展示片直接 1080p单段控制在 5 秒内缩短时长换取分辨率画面更锐概念验证480p 快速跑三条挑方向先定构图和动作再上高分辨率重跑大量素材储备720p 批量生成剪辑时再决定取舍空镜类对极限清晰度要求低我的习惯是先在低分辨率下把构图、动作、光线跑对这三样定了之后再用高分辨率重跑一遍同样的提示词加固定种子。这样总体时间反而更短因为你不会在高分辨率下反复试错每一次失败都很贵。4.2 运动强度最容易调过头的参数大多数模型都有类似“运动幅度”“镜头动态”这样的参数取值一般是个区间。新手往往觉得越大越好画面才“有动感”。实际正好相反——运动强度拉高画面崩坏率直线上升尤其是人物场景很容易出现肢体扭曲、背景融化、物体穿模。我的经验值是这样产品静物和人物特写把运动强度压到区间偏低的位置靠镜头微移和光线变化来制造动感风光空镜可以给到中间值云、水、雾本身的运动就比较自然只有纯抽象、无主体的画面才敢往高了调。判断标准很简单画面里有人脸或文字就往低调。还有一个连带影响是帧率。如果你想让画面有电影感生成后可以按每秒二十四帧输出会比高帧率更有“片子”的味道如果是手持纪实风格适当保留一点轻微抖动反而更真实。这些都是后期的小手段但成本极低、效果立竿见影。4.3 种子与迭代把随机性变成可控变量固定种子的价值前面提过这里说具体怎么用。我的迭代流程是这样的用一条基础提示词跑四次不同种子挑出构图和动作最接近预期的那一条记下种子号。固定这个种子只改提示词里的某一层比如把光线从“阴天散射光”改成“黄昏低角度暖光”跑一次看变化是否符合预期。如果符合保留这个改动继续改下一层如果不符合回退。结构全部定下来之后放开种子跑六到八次从里面挑形态最好的那一条。这套流程听起来慢但实际比盲目试错快得多。我最早是随机改一晚上跑三十条也挑不出一条能用的用了这个方法之后通常两三轮就能定稿。把随机性当成变量来控制而不是当成运气来赌这是我从这套工具里得到的最实用的一条经验。5. 踩坑实录五类高频翻车与排查顺序这一章全是血泪。我整理了一份自己遇到过的问题清单按出现频率排序每条都配了排查方向和实际的改法。你可以把它当成一张速查表出问题的时候对着看。5.1 五类高频翻车现场现象大概率原因改法手部、肢体扭曲变形主体描述太笼统动作幅度过大运动强度过高缩小景别到中近景动作写得更具体运动强度调低画面闪烁、材质跳动时长久但场景细节不足模型在时间维度上缺约束缩短单段时长增加环境细节描述减少同时出现的元素风格每次都不一样缺少风格锚点或锚点之间互相冲突只保留一个风格锚点删掉冲突的形容词主体中途“换人”主体特征描述不够独特模型在两帧之间自由发挥增加不可替代的特征特定发型、服装、道具、疤痕等文字、logo 糊成一团模型对文字渲染本身能力有限别让模型生成文字后期贴图或直接在提示词里写“无文字”这里面最值得展开的是“主体中途换人”。这个问题的本质是你的主体描述里缺少唯一性特征。写“一个男人”和写“一个穿藏青色工装外套、左眉尾有疤、戴细框眼镜的中年男人”后者的稳定性完全不是一个量级。特征越是排他模型越难在帧与帧之间偷懒。我给客户做人物系列片的时候通常会先定三个“锚点特征”每一条提示词里都重复写上成片里的人物一致性会好很多。5.2 排查顺序从结构到细节别一上来就改参数出问题的时候最忌讳乱改。我总结了一个固定的排查顺序从上往下走一般第二三步就能定位。先看主体描述是否够独特。如果画面里的人和你要的不是一个人后面所有调整都没意义。再看动作是否超出模型能力。复杂交互双手操作小物件、多人对话、快速转身是重灾区能简化就简化。然后看景别和构图。很多“画质问题”其实是构图问题换个景别就消失了。接着看光线描述是否明确。光影不明会导致材质表现混乱看起来像“糊”。最后才动参数。降低运动强度、缩短时长、换种子。这个顺序的逻辑是提示词层面的问题改参数救不回来参数层面的问题改提示词也没用。先排除成本低的因素再动成本高的效率最高。5.3 生成之后的补救补帧、稳定、调色有些问题在生成阶段解决不了后期补更划算。补帧工具能把生成的低帧率素材插值到流畅播放代价是可能出现轻微的果冻感用在空镜上很合适用在快速动作上会露馅。稳定处理能解决轻微的镜头抖动和画面漂移但裁切会损失边缘画面所以生成时要在主体周围多留余量别贴边。调色这一步是我最看重的。模型生成的素材往往色温不统一多条片子往时间线上一放明暗冷暖乱七八糟。我的做法是先统一到同一个色彩空间再做一次基础匹配对齐白平衡和曝光最后才上风格化的调色。顺序反了的话风格化会放大色偏越调越乱。心得我一般会在生成阶段就刻意往“干净、中性、低对比”的方向走把风格化留给后期。这样一批素材的调性容易统一也方便跟实拍素材混剪。反过来如果你让模型直接生成很重的风格化调色后期几乎改不动。6. 提示词资产管理把一次性素材变成可复用的库做这行时间长了你会发现真正拉开差距的不是单条提示词写得多好而是你有没有一个能随时调用的库。我认识的一些做得比较稳的创作者手里都有几百条按场景分好类的提示词来了需求直接改两个变量就能出片效率和随缘写完全不是一个层级的。6.1 命名规范让三个月后的自己看得懂我早期的提示词笔记是一片混乱文件名叫“新建文本文档”“好的这个可以”“最终版2改”。三个月后回头找一条产品镜头翻二十分钟翻不到。后来我定了个命名规则一直用到现在[场景类别]_[主体]_[镜头类型]_[版本号]_[状态] 例产品_香薰杯_微距横移_v3_可用 人物_窗边女性_近景推近_v2_待调光线 空镜_晨雾针叶林_大全景固定_v1_备选关键是状态标记。我一般用四档可用、待调、备选、废弃。废弃的不要删留着——有时候一个废弃的提示词换个场景突然就活了。另外每条提示词下面我会随手记一行“本次改动”和“出片效果”就一行但三个月后这行字的救命程度超乎想象。6.2 库的迭代定期回顾比不停新增更重要大部分人的库是只增不减的越堆越大最后变成一个谁也不敢碰的黑箱。我的做法是每个月抽半小时清一次把成片效果好的那几条往上提标成“模板级”把反复用不上的删掉或降级把几条效果接近的合并成一条带变量的通用模板。合并这一步特别有价值。比如我原来有七八条产品镜头的提示词后来发现除了主体和材质不一样镜头、光线、动作几乎完全一样就把它们合并成一个模板只留主体描述和材质描述作为变量。这个模板后来支撑了我大半的产品类需求改两个词就能跑。7. 一点个人体会这套合集整理到最后我最大的感受是提示词写作的门槛不在文字能力在于你有没有把自己想要的画面想清楚。我写不出来的时候八成不是词穷是脑子里那个画面本身就是糊的——不知道光从哪来不知道镜头在哪不知道人在干什么。这种时候继续改提示词是没用的得先去找参考把画面拆到能描述的程度再动笔。还有个我自己一直在用的小习惯每一条存进库的提示词我都会在旁边写一句“这条如果换个主体还能用在哪”。写这句话的过程其实就是在脑子里做迁移。很多后来用得最顺的模板都是这么从一条别的场景的词里挪过来的。你也可以试试成本就一行字但积累下来的复用率会高很多。