1. 提示词不是许愿池先弄明白它在给模型下什么指令最近几个月接的活儿里十单有六单跟 Sora 生成 AI 视频提示词有关。客户拿来的东西五花八门有的是电商详情页要一段产品特写有的是自媒体要一段氛围空镜还有的是做课程的需要一段演示动画。这些人里绝大多数都卡在同一个坎上脑子里画面很清楚写出来的提示词却像在写请假条——一个人在海边散步画面唯美电影感然后出来的结果要么糊成一片要么人物走两步就变成面条要么镜头莫名其妙地自己动起来。问题不在于模型不行而在于提示词这件事被严重低估了。文本生成视频的模型本质上是把一段自然语言翻译成时间轴上的像素变化它没有常识不会脑补你没说的东西也分不清唯美到底是指逆光还是指降饱和。你写得含糊它就只能靠训练数据里的平均值来填出来的结果自然是一股子塑料味。所以我把这段时间攒下来的提示词经验整理成这份合集重点不是我写了哪些句子而是这些句子为什么这么写——哪些词在起作用、哪些词在捣乱、顺序怎么排、改了之后画面会往哪个方向偏。这份内容适合三类人看完全没写过提示词、刚上手想把第一条片子跑通的新手已经能出片但稳定性差、十条里只有一条能用的人以及需要批量产出、必须把提示词沉淀成可复用模板的团队。我不打算给你一堆复制即用的咒语那种东西换个场景就废了。我要给的是拆解方法和判断标准你拿到任何一个新题材都能自己组装出一条像样的提示词。下面所有例子都是我自己在工作里跑过的涉及的具体品牌一律隐去只讲结构和方法。2. 一条提示词的六层骨架先把句子写长再把句子写准2.1 从写作文切换到写分镜的思维新手最容易犯的错是把提示词当成作文来写追求语言优美、修辞丰富。我见过有人写夕阳西下一位少年怀揣着梦想望向远方画面充满希望这种句子在人看来很有画面感但模型读到的是三个模糊概念夕阳、少年、希望。它不知道少年穿什么、站在哪、镜头离他多远、光是打在脸上还是背后、他有没有动。最后生成的画面全靠猜十条里能有一条沾边就算运气好。正确的思维是写分镜。你在剧组里跟摄影指导沟通时会怎么说不会说拍得好看点而是说中景85 毫米机位略低于视线逆光人物从画面右侧走入走三步停住抬头看向画左上方风带动头发。这段话里每一个信息都是可执行、可验证的。提示词也该是这个密度。我给自己定的一个硬标准一条提示词写完闭上眼睛你能不能凭这些文字把画面在纸上画出来、把动作按秒数排出来。画不出来说明信息不够画出来了但有好几种可能说明还有歧义要消。这个自检方法比任何模板都管用我几乎所有返工都是在这一步发现的。顺带说一个常被忽略的点提示词是在描述正在发生的过程不是描述一张照片。很多人写出来的是静态画面的描述模型就只能给你一个几乎不动的镜头看起来像 PPT 翻页。要出动态你得把时间维度写进去——谁先动、动多久、镜头什么时候开始移动。2.2 六层结构主体、动作、环境、镜头、光线、风格我把提示词的字段固定成六层顺序也基本固定理由是模型对前置内容的注意力权重通常更高越靠前的信息越不容易被忽略。这六层分别是主体谁/什么、动作做什么、怎么动、环境在哪、周围有什么、天气如何、镜头景别、焦段、机位、运动、光线与色彩光位、光质、色温、色调、风格与质感介质、年代感、颗粒、材质最后可以补一层排除项。每一层的作用不一样缺一层画面就塌一块。缺主体模型会自己造一个缺动作出来的是静止画面缺环境背景会随机糊成一片灰缺镜头它会默认给你一个中景固定机位缺光线光就变成平淡的正面光缺风格材质会塑料感很重。这里要提醒一句六层不是六句话堆在一起就完事它们之间要能对得上。我见过一条提示词写着特写85 毫米浅景深后面又写背景是繁华的街道人群——这就自相矛盾了浅景深下背景本来就该是虚的你写那么细的背景等于白写还可能让模型为了兼顾两者把景深做浅不了。提示词内部的逻辑自洽比词汇量重要得多。还有一个经验一条提示词的信息量存在边际递减。大概写到 80 到 120 个字中文之后再往上加细节收益就明显下降甚至开始互相打架。所以我的习惯是先写满六层再回头删掉那些写了也不影响画面的形容词留出余量。3. 六个字段逐个拆每个词都在悄悄改画面3.1 主体与外观把人写到模型不敢乱改主体这一层最常见的问题是写得够用但不够死。写一个女孩模型就会在它的训练分布里随机采样——可能是二十岁也可能是三十岁可能长发也可能短发衣服颜色每次都变。如果你要做系列内容需要角色保持一致这一层必须写到过饱和。我的写法是按年龄段 发型发色 面部特征 服装颜色、材质、款式 配饰这几项逐条落。举个实际用的三十岁上下的女性齐肩黑色直发无刘海浅灰色高领针织衫袖口略松右手腕戴一只细银镯。这么写下来大概四十个字看着啰嗦但连续生成十条人物的基本特征是稳的。材质词在服装描述里特别值钱。写针织衫和写粗针羊毛针织衫出来的质感完全两回事写外套和写磨旧边缘的深棕色皮夹克前者是路人后者是有故事的人。我一般会在服装上加一个磨损/新旧程度的描述比如微微起球的熨烫平整的沾了点面粉的这一个细节能把塑料感压下去一大截。如果是物品主体重点放在材质、表面处理和尺度参照上。写一个玻璃杯没用写一只薄壁高脚杯杯壁有细微水痕杯口直径约八厘米就有用了——尺度参照能让模型知道这东西在画面里该占多大比例。这一点在做产品类内容时几乎是必需的否则模型经常把小型物件拍成巨型雕塑。注意主体描述里不要混入动作和情绪。写悲伤的女孩这种把状态和人物糅在一起的表达模型容易给你一张定格哭脸动态就没了。情绪要通过动作和光线去传达。3.2 动作与节奏动词选错整条片子就散了动作是整条提示词里最容易翻车的一层因为它涉及时间维度上的一致性。模型的难点不在于画出一个人而在于让这个人在若干秒内保持是同一个人、同一件衣服、同样的体型。动作越复杂、幅度越大、涉及遮挡越多崩的概率越高。我的经验是优先选单向、连续、幅度可控的动作。走、转、抬手、低头、倒水、翻页、合上门、把杯子放下这些都是好动作。跑跳、翻滚、格斗、快速转身、多人交互这些是坏动作除非你愿意花很多次重试。动词要具体到身体部位和幅度。写她转身不如写她从面向窗户缓缓转向镜头肩膀先动头部随后跟上转到一半停住。这句话里其实包含了三段动作和一次停顿模型对停住这种节奏提示是有反应的出来的动态会明显更有呼吸感而不是匀速机械运动。时间信息也值得写进去。我的做法是在提示词末尾加一句节奏说明比如整个动作在五秒内完成前两秒缓慢最后半秒定格。这相当于给模型一个时间分配表实测下来对减少动作在前一秒就做完、后面全靠静止凑时长这个问题有帮助。还有一个细节写动作的时候顺手写清楚动作发生前后的状态。写他端起杯子喝了一口前面加杯子原本放在桌面上杯口朝上后面加放下后杯底与桌面轻轻接触。这样模型知道起始帧和结束帧大概长什么样中间段就不容易乱编。3.3 环境与氛围别让背景抢了主体的戏环境这一层的作用是给画面定坐标系同时承担大部分氛围的活儿。很多人把氛围寄托在唯美高级治愈这类词上这些词对模型基本无效真正干活的是环境里的具体元素和天气。我一般从四个角度写地点属性室内/室外、具体场所类型、空间层次前景有什么、中景主体、远景什么、天气与时间晴/阴/雨/雾清晨/正午/黄昏/夜、环境动态有没有风、有没有飘浮物、水面是否起波纹。环境动态是最容易被漏掉但收益最高的一项。加一句空气中有细小灰尘在光柱里缓慢浮动或者远处有薄雾缓慢横向流动画面立刻从贴图变成活的。我做过对比同一段提示词加了环境动态和没加观感差距比换风格词大得多。但环境不能写太满。有个很典型的翻车案例客户要一段人物喝咖啡的特写提示词里把咖啡馆的桌椅、墙上的画、窗外的街景、吧台的机器全写了一遍结果模型把注意力分散到背景人物的脸反而糊了。后来我把背景压缩成模糊的深色木质背景右侧有一扇透光的窗,主体立刻清晰。原则是背景只需要提供信息暗示不需要提供完整信息。3.4 镜头语言焦段、机位、运动这三件事镜头这一层是区分业余感和专业感的分水岭。我把它拆成三件事写缺一不可。第一件是景别与焦段。景别决定观众看什么特写看情绪中景看动作全景看关系焦段决定空间感广角有纵深和变形长焦压缩空间、背景虚化。常用的组合我给个参考人物情绪用 85 毫米特写人物动作和环境关系用 35 毫米中景空间交代用 24 毫米全景。写的时候直接写35 毫米中景比写标准镜头有效。第二件是机位高度与角度。平视最中性略低机位显人物有压迫感略高机位显人物弱势俯拍带俯瞰感仰拍带崇高感。这一项很多人不写结果模型默认平视画面就平了。加一句机位略低于人物视线微微仰拍气质立刻变。第三件是镜头运动。要写清从哪到哪、用什么方式、多快。推镜靠近主体、拉镜远离主体、摇原地转、移横向平移、跟跟随主体、升降。写镜头缓慢向前推近从腰部特写推到面部特写这种带起止点的描述比写镜头推进可控得多。速度也建议给个参照比如推近过程占整段时长的一半匀速。注意镜头运动和主体动作别同时做大幅度运动。主体在快速走动、镜头同时在快速横移这是最容易出扭曲的组合。要么让镜头稳一点要么让主体慢一点。3.5 光线与色彩决定贵不贵的关键一层光线是提示词里性价比最高的字段。同一个主体、同一个构图光一变气质完全不同。但我发现大部分人只写光线充足或者逆光这太粗了。我按三项来写。第一项是光位顺光平细节多、侧光有立体感、侧逆光/逆光轮廓光氛围强、顶光压抑或神圣、底光诡异。第二项是光质硬光阴影边缘锐利戏剧性强、柔光阴影过渡缓慢商业感强。第三项是色温与色调暖光3200K 左右温馨、中性5600K 左右真实、冷光偏蓝疏离。这三项写清楚画面的贵气基本就稳了。举个我常用的组合侧逆光柔光为主光源来自画面右后方的窗户人物左侧面部有柔和补光整体色温偏暖。这段话透露出一个有窗户、有反光板的室内场景出来的画面会比室内明亮高级不止一个档。色彩这块我建议只写主色 辅色 整体倾向不要写太多具体色号。写主色是米白与浅木色辅色是低饱和的苔绿整体偏低饱和暖调模型能理解写一堆十六进制色号反而容易乱。还有个小技巧写清高光落在哪。比如高光集中在杯口边缘和液面模型会自觉把这两处做亮画面层次一下就出来了。这一招在做产品特写时特别好用。3.6 风格质感与排除项收尾的两把小刀风格这一层我写得比较克制因为它是最容易互相打架的一层。写电影感其实信息量很低真正定义质感的是介质和年代。我一般用这几类词介质35 毫米胶片、数字摄影、监控画面、手机竖屏、年代质感九十年代录像带、千禧年广告片、后期特征轻微颗粒、柔和对比、低饱和。选一到两个就够写三个以上基本会糊。排除项是收尾的另一把小刀用来压掉那些反复出现的干扰元素。常见的有无字幕、无文字水印、无边框、无分屏、无慢动作、无镜头光斑。写排除项要注意别写太长三到五项比较合适写十项以上模型可能会顾此失彼。提示排除项里尽量用无 XX的肯定式否定少用不要 XX这类祈使句。前者更像描述画面里不存在的东西后者容易被理解成强调。4. 上手实操从空白文档到一条能用的提示词4.1 我常用的填空模板我不太喜欢给万能模板因为不同题材的权重差很多。但填空框架是有的我平时就照这个顺序敲敲完再回头删。下面这条是通用版方括号里换成你的内容[主体年龄/外观/服装/材质约40字] [动作起始状态 动作过程 结束状态约30字] [环境地点 前景/远景 天气时间 环境动态约30字] [镜头景别焦段 机位角度 运动方式与速度约25字] [光线与色彩光位 光质 色温 主辅色约25字] [风格质感介质 后期特征约15字] [排除项3 到 5 项]这个模板写满大概 160 到 180 字实操上偏长我会在跑第一遍之后砍掉冗余。砍的顺序是先砍风格的形容词再砍环境的次要元素最后砍主体的配饰。镜头和光线基本不砍因为这两层信息密度最高。填写的时候有个小习惯每写一层我就问自己一句这一层如果删掉画面会缺什么。缺得多的留下缺得少的删掉。这个判断比凭感觉删靠谱。4.2 三个完整案例拆解第一个案例是产品类要求是一只薄壁玻璃杯在深色台面上被缓缓倒入清水光线要透。我最后用的提示词大意是主体为薄壁透明高脚杯杯壁有细微水痕杯身高约十五厘米动作是水从画面上方以细流注入液面匀速上升到杯身三分之二处停止水面轻微晃动后归于平静环境是深灰哑光台面背景全暗无其他物件镜头是 85 毫米特写机位与杯身中部齐平固定不动光线是左后方一束硬质侧逆光穿透杯体右侧用柔光补亮杯壁整体冷白偏中性风格是干净的商业产品摄影质感轻微高光溢出排除项为无文字、无水印、无手部入画。这条提示词的关键在硬质侧逆光穿透杯体和水面轻微晃动后归于平静两处。前者决定了玻璃的通透感后者解决了液体看起来像果冻的问题。跑了大概四版就定了中间两版失败的原因是水注太粗、流速太快后来把细流和匀速写死才稳。第二个案例是自然风光要一段清晨山谷的空镜。这类题材的难点是景太大模型容易糊成一片。我的处理是人为给一个视觉锚点中景处一块突出的灰色岩石。提示词大意主体为中景处一块表面粗糙的深灰岩石边缘有苔藓环境是清晨山谷谷底有浓雾缓慢流动远景山脊线在雾中若隐若现天空是淡青灰的黎明色镜头是 24 毫米广角机位略高俯视缓慢向前推近光线是低角度侧逆光从右侧山脊后透出雾被照亮成暖白整体偏低饱和冷调带一点暖高光风格为自然纪录片质感柔和对比排除项为无人物、无建筑、无文字。这里雾被照亮成暖白这一句很关键。雾气本身是灰的只有写清它被光照亮模型才会做出那种透亮的效果否则就是一团脏灰。第三个案例是人物类一个面包店师傅在操作台前整形面团。这类场景我特别看重手部因为手是最容易崩的部位。提示词大意主体为四十多岁的男性短寸头深蓝色棉质工作围裙袖口挽到小臂中段手上有薄薄一层面粉动作是从面团右侧开始双手向内收拢推压重复三次最后用手掌轻拍定型环境是面包店操作台木质台面撒有干粉背景是虚化的烤箱与层架镜头是 50 毫米中景偏近机位与操作台平行略高固定机位轻微手持感光线是左前方大面积柔光色温偏暖整体米黄调风格为生活纪实质感轻微颗粒排除项为无文字、无慢动作。这条我修改最多的部分是动作描述。第一版写揉面团出来的手完全变形改成双手向内收拢推压之后好很多但节奏太快最后加上重复三次才把时长填满。4.3 画幅、时长、帧率的取舍这三个参数经常被忽略但它们对提示词写法有直接影响。竖屏9:16适合人物和产品特写因为横向空间小构图要更集中提示词里就别写宽阔的场景改成紧凑构图主体占据画面中央偏上。横屏16:9适合风光和群像。宽银幕2.39:1适合有电影诉求的片子但它会裁掉上下提示词里主体位置就得往中间收。时长方面我一般按一个动作 一次镜头运动来估。五秒左右的片段能装下的就是一个完整动作或者一次推镜两者同时做会显得赶。八到十秒可以容纳动作 停顿 二次动作。超过十秒的单镜头中间必须有节奏变化否则观众会觉得拖。帧率这块我的经验是写自然流畅的运动就够不必强行指定具体帧率。但如果要手持感需要在风格层写轻微手持晃动光写帧率没用。如果要定格感或慢动作一定在提示词里明确写出来同时在排除项里做区分避免模型把正常动作也拖慢。5. 进阶玩法时间轴控制与多镜头拼接5.1 单镜头内的动作分层一条五到八秒的镜头如果只有一个动作看起来会很单薄。我的做法是把动作分成两到三层主动作、次级动作、环境动作。主动作是观众该看的比如倒水次级动作是主体的附带细节比如手指微微收紧、肩膀轻微起伏环境动作是背景里不抢戏的变化比如窗帘被风带动、蒸汽缓慢上升。三层同时写画面就有层次感了。举个我自己常用的结构主体正在做 A手部细节是 B同时背景里有 C 在缓慢变化。这三段之间用同时连接模型会理解成并行动作而不是先后顺序。要注意的是次级动作不能太大。写她一边走一边挥手一边转头这就是三个主动作抢戏出来一定乱。次级动作的原则是幅度小于主体轮廓的五分之一写的时候心里有个尺度就不会写过头。5.2 多镜头组接与角色一致性想要一条完整的叙事片单条提示词基本做不到只能拆成多个镜头分开生成再剪辑拼接。这时候最大的敌人是角色不一致——第一个镜头是圆脸第二个镜头变成尖脸。我的解决办法有三条。第一条是把主体描述单独抽出来做成角色卡严格复制粘贴到每条提示词里一个字都不改。改一个字脸就可能变。第二条是固定同一套光线条件和镜头焦段不要一个镜头用广角一个用长焦焦段一变脸型看起来就不一样。第三条是用上一镜的末帧作为下一镜的参考输入这是目前最有效的一致性手段。组接上我遵循一个笨但管用的规律相邻镜头的景别要有明显差异特写接全景或中景接特写相邻镜头的机位不要在同一侧做同方向运动。这两个规矩能避免跳轴和看起来像卡了一下的观感。5.3 迭代记录一次只改一个变量这是我最想强调的一条实操纪律。很多人调提示词是一次改五处结果出来变好了也不知道是哪一处起的作用下次换题材又回到原点。我的做法是建一个简单的记录表每次只改一个变量记录改动内容和观感变化。下面是我实际在用的表结构版本改动项改动内容结果结论v1基线六层完整版主体清晰动作偏快保留v2动作加重复三次节奏缓慢时长填满动态自然采用v3光线由柔光改侧逆硬光玻璃通透但高光过曝回退v4光线侧逆硬光 右侧柔光补通透且高光可控采用v5排除项加无手部入画手部干扰消失采用这么记下来一个题材大概跑五到八版就能定稿而且定稿之后这套结论能复用到同类题材上。我现在手里攒了十几张这样的表做新产品时先翻表能省掉一半试错。6. 常见问题速查与踩坑记录6.1 问题排查表跑得多了会发现翻车基本集中在有限的几类。我整理成一张表遇到问题先对号入座比盲目改词快得多。现象最可能的原因处理办法人物中途换脸、换衣服主体描述太简略或跨镜头描述不统一抽成角色卡逐字复制固定焦段与光线手部、肢体扭曲动作幅度过大或涉及遮挡换成单向小幅度动作双手分开描述画面像静止照片缺时间维度没有动作和镜头运动补动作起止状态加镜头运动与节奏说明背景糊成一团灰环境层只有抽象词没有具体元素补地点属性与前景/远景层次主体被背景抢戏环境写太满细节过多背景压缩到一到两个元素其余虚化光线平淡发灰只写了明亮没写光位光质补光位、光质、色温三项出现字幕、水印、边框未写排除项加三到五项无 XX动作前两秒做完后面静止没给时间分配末尾加时长与节奏说明慢动作感莫名其妙风格层含电影感等模糊词删模糊词明确写正常速度颜色每次都不一样色彩描述过于抽象写主色辅色 整体色调倾向这张表我贴在显示器边上出问题先扫一眼能省掉大量瞎猜的时间。6.2 提示词里的污染词有几类词看着无害实际特别容易把画面带偏我管它们叫污染词。第一类是唯美高级感大片感治愈这种审美判断词。模型不知道什么叫高级它只能从训练数据里找一批被标注为高级的图结果往往是过饱和、大光斑、浓滤镜跟你想要的东西差很远。要高级感就去写低饱和、柔光、简洁背景、克制的运镜用参数说话。第二类是震撼惊艳史诗级。这类词会把模型推向极端构图和夸张光效出来的东西像廉价海报。除非你确实要做那种风格否则别用。第三类是完美精致无瑕疵。听着像夸奖实际会让模型把皮肤、材质全部磨平塑料感就是这么来的。我现在反而会主动写一点不完美比如皮肤有细微纹理杯壁有水痕质感立刻就真了。第四类是过度的情绪词。悲伤愤怒幸福直接写模型会给你一张定格表情。情绪应该拆成可观察的东西嘴角、眼角、肩膀姿态、呼吸幅度、光线冷暖。6.3 几个不太好写进文档的经验有些东西属于手感写进正式文档显得不严谨但实际非常有用。一是词的顺序确实影响权重。我做过对比把逆光放在光线层开头和放在末尾出片的光比明显不同放前面逆光更强。所以重要的信息尽量往前放次要的往后放。二是形容词成对出现时容易互相削弱。写明亮又柔和的光不如写大面积柔光整体偏亮前者两个词在打架后者一个说光质一个说亮度各管一摊。三是生成失败时别急着改提示词先看看是不是要求太多。我遇到过好几次删掉一句环境描述画面立刻就稳了。信息过载比信息不足更难排查因为你看不出是哪一句在拖后腿。四是同一段提示词在不同时间跑结果会有波动。所以定稿之后我会存三到五条成功版本实际用的时候优先从这几条里挑而不是每次从零跑。五是遇到必须精确控制的画面别硬磕提示词把精力放在后期和剪辑上。提示词擅长给你氛围和质感不擅长给你精确的构图和走位认清楚这个边界能省下大量无效重试。我个人在实际操作中的体会是写提示词这件事本质上是在训练自己的观察力。你越能说清楚一个画面里光从哪来、人怎么动、镜头在哪你写出来的东西就越稳。反过来提示词写得烂往往不是不会用工具是看画面看得不够细。我现在的习惯是看到一个好镜头先暂停用文字把它拆一遍——光位、机位、动作、节奏各写一句。拆得多了写提示词就变成了一个翻译动作而不是碰运气。