AI视频提示词怎么写才好？

视频提示词和图片提示词有什么不同

图片提示词描述的是一个瞬间，视频提示词描述的是随时间发生的变化。模型要决定什么在动、往哪个方向动、动多快，以及动的时候镜头做什么。提示词里不写，模型就会自己猜，猜出来的往往是缓慢含糊的漂移，或者几个动作糊成一团。

文生视频（text-to-video）模型会把一小段视频的所有帧放在一起生成，所以文字要覆盖整段视频，而不只是第一帧。因此视频提示词里最有用的是动词和时间词：走、转身、停住、抬起、持续两秒、然后。描述外观的形容词依然重要，但只是第二层。

各家视频模型的官方指南说的其实是同一件事。OpenAI 的 Sora 提示词指南把提示词称为“创意愿望清单”而不是合同：同一条提示词每次结果都不同，所以你写提示词是为了提高得到想要结果的概率，然后不断迭代。

七要素结构

按这个顺序写。不是每条提示词都要写满七项，但逐项检查一遍，能避免留下让模型随机填补的空白。

很多工具把时长、分辨率和画幅做成设置项，而不是写在提示词里。OpenAI 的指南也提到，这些技术参数应放在 API 调用或界面里，而不是写进描述文字。只有工具文档明确说模型会从文字里读取时，才把它们写进提示词。

一个镜头只写一个动作、一种运镜

视频提示词失败，最常见的原因是要求太多。“她走进来、拿起电话、大笑，然后跑出门，镜头绕着她旋转”，这是四个动作加一个复杂运镜，却要塞进一段可能只有五秒的视频。模型通常会压缩、跳过其中一些，或者让一个动作变形成另一个。

OpenAI 的 Sora 指南建议每个镜头尽量简单：一种运镜，一个主体动作。如果故事需要四个动作，就写四个镜头，再用剪辑软件拼起来。更短的片段也更容易被模型按指令执行，所以两个短镜头往往比一个长镜头效果更好。

• 选定这个镜头要表现的那一个动作。画面里的其他东西只做轻微的环境运动：风吹头发、蒸汽、远处的车流。
• 选一种运镜，或者直接写 static shot。不要把环绕、变焦和俯仰叠在一起。
• 写明动作在哪里结束。“停在窗前”给了模型一个结束状态，只写“走”可能永远走不完。
• 用朴素的词描述速度：缓慢地、一个快速的动作、用三秒钟。

时间线与节拍式提示词

当一个镜头内部有一小段连续动作时，就按节拍来写。一个节拍就是动作的一小步，附带大致的时间。OpenAI 的指南建议数步数或数节拍，比如“走四步到窗边，停住”，因为具体的数字比“走过去”更容易让模型照做。

有些工具对明确的时间段反应很好，有些会忽略精确的秒数，但仍会遵循先后顺序。不管哪种，时间线都能让事件的顺序更清楚。

8 seconds, 16:9, static camera, medium-wide shot.
A small cafe counter at morning, soft window light from the left.

0-2s: A barista in a green apron sets a white cup on the counter.
2-5s: She pours steamed milk in one slow motion; a leaf pattern forms.
5-8s: She slides the cup forward and smiles at the customer off screen.

Audio: espresso machine hiss, quiet cafe chatter, a cup touching a saucer.

节拍要短，要写得出身体动作。“她感到开心”不是节拍，“她微笑，肩膀放松下来”才是。最后一个节拍留成定格画面，这样片段不会停在动作中途，也方便剪辑。

把一条弱提示词改强

下面是典型的初稿：有氛围和主体，但动作、运镜、光线和声音全都交给了运气。

A cinematic video of a samurai in the rain, epic, 4K, masterpiece.

问题在于：“cinematic”“epic”“masterpiece”都不是镜头能拍到的东西。没有动作，模型可能给你一个站着不动的人物慢慢摇过去，也可能生成刀剑融化的打斗。没有运镜指令，也没有声音。“4K”是设置项，不是提示词用语。

Medium shot, low angle, slow push-in.
A lone samurai in a dark blue kimono stands in a muddy village street at night.
Heavy rain. A single paper lantern behind him gives warm orange rim light;
the rest of the scene is cool blue.

Action: he slowly draws his sword over three seconds, then holds it still
at chest height. Rain drips from the blade.

Style: live-action, shallow depth of field, film grain, desaturated colors.
Audio: steady rain, the metal sound of the blade leaving the scabbard, distant thunder.

现在每一行都回答了模型原本要猜的问题：谁、做什么、持续多久、从哪里拍、怎么打光、什么风格、什么声音。改写后更长了，但没有注水，每个短语都在改变画面。

怎么写声音和台词

能随画面一起生成声音的模型，会从提示词里读取音频信息。Google 的 Veo 指南建议明确说出你想要声音，并把声音拆成单独的句子来写：环境声、音效和对白。

• 环境声：房间底噪或环境，比如风声、人群、车流、鸟鸣。
• 音效：与动作相关的声音，比如碎石路上的脚步声、关门声。
• 对白：把准确的台词放在引号里，并说明是谁说的。要简短，大约四秒的片段只放得下一两句短话。
• 音乐：如果打算在后期自己配乐，就写“no music”，因为生成出来的音乐很难剪。

截至目前，口型同步和精确的字词仍是薄弱环节。如果某句台词必须一字不差，可以先生成没有对白的镜头，再在后期配上录音或文字转语音（TTS）的人声。

常见错误与解决办法

物理是另一个老实要说的局限。液体、碰撞、手拿物品和人群经常出错。尽量让这些动作简单，能让手部半出镜就让它出镜，并多生成几条再挑。