AI 视频提示词怎么写
从零到出片的完整方法
为什么别人的 AI 视频稳定又好看,你的每次都不一样?差别往往不在模型,而在提示词的结构。这篇把一条好提示词拆成可执行的几层,照着写就能明显提升稳定度。
一条好提示词的骨架
很多人写 AI 视频提示词,是把脑子里的画面一股脑倒出来:"一个女孩在城市里走路,很唯美,电影感"。模型收到这种描述,只能靠猜——猜女孩长什么样、猜城市是什么样、猜"电影感"指哪一种。结果就是每次生成都不一样,而且往往不是你想要的。
真正稳定的提示词有一套骨架,把信息按"主体 → 动作 → 环境 → 镜头 → 光线 → 情绪"的顺序交代清楚。顺序不是死规矩,但每一块都不能缺。你把画面拆成这几层写下来,模型的"猜测空间"就被大幅压缩,出图才稳。
主体要"锁死"
AI 视频最不稳定的地方,就是主体(人物/产品)的长相。同一个提示词跑两次,人脸、发型、服装可能完全不同。想让主体稳定,有两条路:
- 用文字锚点:把主体的关键特征写成固定短语,比如"红色狐耳少女,琥珀色眼瞳,齐肩黑发",每一镜都原样带上。特征越具体、越少歧义,一致性越高。
- 用参考图锚点(更强):直接给模型一张定妆照/参考图,让画面以图为准。这比任何文字都稳——因为图片本身就是最精确的描述。我们的 长镜工坊 就是按"有定妆照就贴图、没有才写文字"的原则来组织提示词的。
经验法则:能放图就别只写文字。文字负责"讲清楚",图片负责"锁得死"。两者结合,主体一致性才有保证。
镜头语言怎么写
"电影感"不是一个形容词能带来的,它来自具体的镜头语言。你要交代两件事:景别(大远景/全景/中景/中近景/特写)和运镜(固定机位/缓慢推近/环绕/跟拍/升降)。
举例:与其写"很有电影感的女孩走路",不如写"中近景,跟拍,女孩从人群中走出,镜头缓慢推近到面部特写"。前者是愿望,后者是可执行的拍摄指令。把每一镜的景别和运镜写出来,片子立刻"专业"起来。想快速排一条时间轴,可以用 长镜工坊 一键铺分镜骨架再逐镜微调。
光线与质感
光是氛围的一半。同一个场景,顶光冷调是悬疑,侧逆光暖调是温情。提示词里把光线单独交代:光位(顺光/侧光/逆光/顶光)、色温(冷调/暖调/青橙)、强弱(柔光/硬光/高对比)。
质感层面,加上"电影级打光、4K 精致细节、浅景深"这类词能提升整体观感,但记住:这些是"加分项",不能替代前面的主体和镜头。地基没打好,质感词堆再多也是空中楼阁。
常见翻车与修法
- 主体每镜都变 → 用参考图锚点,或把外观特征写成固定短语逐镜复用。
- 画面里多出没写的人/物 → 在结尾加一句"画面中不得出现描述之外的人物与场景"。
- 文字/logo 糊成一团 → AI 视频天生拼不准文字,精确文字/数字/字幕请放到 After Effects 里做,别指望视频模型。
- 动作和描述对不上 → 一镜只写一个核心动作,别在一句里塞三件事。
一个可套用的模板
把下面这个骨架填空,基本就能得到一条稳定的提示词:
【主体】(外观锚点或参考图)+ 【动作】(一个核心动作)+ 【环境】(地点/氛围)+ 【镜头】(景别·运镜)+ 【光线】(光位·色温)+ 【情绪】 + 【收尾约束】(不出现描述外的人物场景)。
需要现成工具的话:故事连镜 帮你把多镜提示词串成一条故事线,长镜工坊 帮你排时间轴、锁定妆照。先用工具铺骨架,再按上面的原则逐镜精修,是最快出稳定片子的路径。
七、最容易被忽略的三件事
骨架搭对之后，还有三个细节决定成片率，它们都不显眼，但每一个都能单独毁掉一镜。
第一，时长和动作量要匹配。大多数模型一次生成 5 秒左右。5 秒能装下的是“一个动作”，不是“一段情节”。“女孩推门进屋、放下伞、坐到桌前”这句话在文字里只有一行，在画面里是三个动作，模型只能压缩着演，结果就是每个动作都做一半。写提示词时给自己定个规矩：一镜一动作，多出来的拆成下一镜。
第二，否定词经常帮倒忙。“不要有其他人”这类句子，很多视频模型的理解并不稳定，有时反而把你不想要的东西召唤出来。更可靠的写法是正面描述——与其写“背景不要有车”，不如写“背景是空旷的河滩”。把画面填满，比让模型去理解“不要什么”有效得多。真正需要用否定的地方，放在结尾统一写一句约束，别散在句子中间。
第三，形容词的权重比你以为的低。“唯美”“大片感”“震撼”这类词，模型只能给你一个平均值。真正起作用的是具体名词和可测量的描述：不是“唯美的光”，而是“黄昏侧逆光，暖橙色，人物边缘有一圈轮廓光”。把形容词翻译成能拍出来的东西，这是写提示词最核心的一项技能。
八、中文写还是英文写
这个问题被问得很多，答案取决于模型，但有几条经验是通用的。
- 主流视频模型对中文的理解已经够用，尤其是对中式题材（古风、市井、国风服饰），中文往往比英文翻译过去更准——因为“青砖黛瓦”翻成英文会丢掉一大半信息。
- 专业术语用模型更熟悉的说法。景别、运镜这类词，如果模型在英文语料上学得更多，混写并不丢人：中文描述内容 + 英文术语（
medium close-up, slow dolly in）常常比纯中文更稳。 - 不要中英文各写一遍同一件事。重复描述不会加强，只会稀释——模型要在两份不完全等价的描述之间调和，结果通常两头不靠。
判断方法还是老一套：固定其他所有变量，只换语言，各跑三次对比。别人的经验只是起点，你手上那个模型的脾气要自己量。
九、我们在实拍中沉淀的格式规矩
下面这几条是我们做连续短剧时反复踩坑后定下来的写法规范。它们不是审美问题，是工程问题——为的是让同一个项目里几十条提示词之间不打架。
- 素材声明只写一次，每镜只引用。人物、场景、道具的完整外观描述集中放在开头，后面每一镜用固定短名调用。否则你改一次发型要改十二个地方，一定会漏。
- 人物短名不要用“男人”“女孩”。用带特征的固定标识，比如“红裙少女”。通用词在多人场景里会被模型认错对象。
- 每镜必须写景别。缺景别时模型倾向给中景，一整条片子都是中景，剪出来非常平。
- 声音单独一行。把环境声、动效、台词从画面描述里拆出来写，画面描述才不会被声音的形容词污染。
- 相邻两镜之间要有一个共享元素。同一件道具、同一个光线方向、同一片背景色，任选其一。这是让 AI 分镜看起来像同一部片子的最便宜的手段。
- 时间码写死。每镜标上 0:00–0:15 这样的区间，剪辑时才知道哪一镜超长了要重生成，而不是到时间线上才发现总时长对不上。
这套规矩的完整版和一个 12 镜的实例，写在3 分钟连续短剧怎么拆那篇里。