文生视频Prompt工程技巧

可视化演示

展示文生视频Prompt工程技巧：六元素Prompt结构分解（主体/运动/场景/镜头/风格/氛围）、镜头语言可视化（特写/中景/全景/远景+推拉摇移运镜）、时间线分段控制（开场/发展/结尾三段式+播放头）,三步交互演示。

提示词认知：读懂大厨的脾气

下单之前，你得先摸清这位大厨的脾气：他一个字都不会多想，也不会追问。你说“随便做点好吃的”，他会愣在原地。文生视频AI也是这样，它对你的每句话照单全收，却不会反问“你到底要什么风格、什么镜头”。理解了这一点，你就明白为什么“随便”“高级感”这类词，往往生成出平庸甚至离谱的画面——因为你的纸条上根本没有可执行的指令。

文生视频模型的本质，是把文本解析成图像与动作的生成指令。主流模型（如Sora、Veo、可灵、Runway）会从提示词里提取主体、场景、镜头、运动、风格等要素，再逐帧生成视频。它们不是“理解”你的意图，而是在做关键词匹配与特征组合。因此，提示词里有什么信息，画面里才可能有什么信息；没写到的部分，就交给随机性乱猜。

在AI眼里，一句好提示词就像一个完整的配方，由六个维度组成：主体（谁/什么）、场景（在哪里）、镜头（怎么看）、运动（怎么动）、风格（什么调性）、时间线（怎么变化）。六个维度拼起来，就是一张能出片的“完整菜谱”。

$$\displaystyle \text{P} = S_{\text{主体}} + C_{\text{场景}} + L_{\text{镜头}} + M_{\text{运动}} + K_{\text{风格}} + T_{\text{时间线}}$$

1. 主体项：回答“画面里是谁或什么”，是整条提示词的锚点，其他维度都围绕它展开。

$$S_{\text{主体}} = \text{名词} + \text{特征修饰}$$

2. 场景项：交代人物所处环境，给画面提供空间坐标，避免主体“悬空”。

$$C_{\text{场景}} = \text{地点} + \text{氛围} + \text{关键物件}$$

3. 镜头项：规定观众“从哪个角度看”，决定构图与叙事感。

$$L_{\text{镜头}} = \text{景别} + \text{机位角度} + \text{镜头运动}$$

4. 运动项：描述主体与环境的动态关系，让画面“活”起来。

$$M_{\text{运动}} = \text{动作} + \text{方向} + \text{速度节奏}$$

5. 风格项：确定画面调性与质感，让作品摆脱“AI味”。

$$K_{\text{风格}} = \text{美术风格} + \text{光影氛围} + \text{质感细节}$$

6. 时间线项：规划内容随时间的变化，保证有头有尾不跳戏。

$$T_{\text{时间线}} = \text{起止状态} + \text{阶段变化} + \text{节奏分段}$$

就像米其林菜谱会把主料、辅料、火候、摆盘、上菜顺序写得一清二楚，这六项就是你的“视频菜谱”。写全它们，大厨（AI）才能端出你想要的那道菜；少写任何一味，出锅的都可能是一盘面目全非的“盲盒料理”。

主体与场景：把盘子里的主角说清楚

前厅客人点了“招牌鱼”，后厨大厨却不知道是鲈鱼还是带鱼——这就是没写清主体的后果。你只给AI写“一个女孩”，它只能凭训练数据里出现频率最高的“女孩”形象来画，大概率不是你心里那个她。主体模糊，后面所有镜头和风格都成了无源之水。

主体描述的基本公式是“类别+特征+状态”。类别是名词，圈定范围（女孩、猫、机器人）；特征是用一两个具体形容词锁定外观（红色连衣裙、戴圆框眼镜）；状态描述当下的姿态（撑伞回头、低头看书）。把“女孩”改写为“穿红色连衣裙的女孩，撑着伞回头微笑”，画面立刻有了方向、情绪和故事感。

$$S_{\text{主体}} = \text{类别} + \text{特征} + \text{状态}$$

1. 名词定类：先用一个准确的名词把候选范围压到最小。

$$\text{类别} \in \{\text{人物},\text{动物},\text{物体},\text{建筑}\}$$

2. 特征锁定：用颜色、材质、年龄等具体词继续收窄，排除“撞脸”。

$$\text{特征} = \text{颜色}/\text{材质}/\text{年龄}/\text{身份}$$

3. 状态定格：给出姿态或情绪，让画面有“戏”。

$$\text{状态} = \text{动词短语} + \text{表情细节}$$

场景同样遵循“地点+氛围+关键物件”的写法：地点（旧城街道）、氛围（黄昏、雨后）、关键物件（斑驳砖墙、老式路灯），三者各司其职。场景不必堆砌，三五个有效细节就够，太多反而让模型分不清谁是主角。想象一下：你的菜谱主料写清楚了，配菜也列好了，大厨才知道该在哪个灶台、用什么火候动手——主体和场景就是这道菜的主料与灶台。

镜头语言：客人坐哪里，眼睛怎么看

同一盘红烧肉，端上桌被客人俯拍发朋友圈，是美食大片；如果在后厨昏暗灯光下侧面一拍，就是潦草的监控画面。镜头语言决定了观众“坐哪里、怎么看”。在文生视频里，镜头描述是控制画面构图与叙事感的开关，可惜很多新手完全忽略它，把“机位”交给了AI的随机性。

镜头语言分三层：景别、机位角度、镜头运动。景别决定主体在画面中的大小，从大到小依次是远景（环境为主）、全景（全身）、中景（膝盖以上）、近景（胸部以上）、特写（局部特写）。机位角度决定视角，有平视、俯拍、仰拍、侧面、背面。镜头运动则是动态的：推（镜头向前推进）、拉、摇、移、跟、升降。三者自由组合，就构成了“镜头的说话方式”。

$$L_{\text{镜头}} = \text{景别} + \text{机位角度} + \text{镜头运动}$$

1. 定景别：想清楚主体在画面里占多大，直接写“远景/中景/特写”。

$$\text{景别} = \frac{\text{主体在画面中的占比}}{\text{整幅画面}}$$

2. 选角度：用“俯拍、仰拍、平视、侧面”指定机位，制造压迫感或亲切感。

$$\text{角度} \in \{\text{平视},\text{俯拍},\text{仰拍},\text{侧面}\}$$

3. 加运动：用“推近、拉远、跟镜、环绕”让镜头动起来，制造临场感。

$$\text{镜头运动} \in \{\text{推},\text{拉},\text{摇},\text{移},\text{跟},\text{环绕}\}$$

实战中，“中景，跟镜拍摄，镜头缓慢推到近景”比“镜头慢慢靠近”有效得多，因为前者给出了景别起点、运动方式和结束位置。回到餐厅：客人是坐在二楼俯拍、一桌之隔的平视、还是厨师面前的忙碌特写？你把镜头架在哪里，故事的气质就定在哪里。

运动指令：火候与翻勺动作

炒菜讲究“锅气”，动作慢了菜没魂，动作猛了油花四溅。视频里的运动指令就是那道“火候”：它告诉AI谁在动、往哪动、动多快。很多新手写“女孩走路”，结果画面要么原地踏步，要么瞬移抽搐，就是因为没交代动作的节奏与方向——两秒钟的运动被AI自己脑补成了鬼畜。

完整的运动描述包含四要素：动作主体、动词、方向、速度节奏。“女孩从左向右穿过街道”给了主体和方向；“脚步由慢加快，裙摆随风摆动”给了节奏和物理交互。再加上环境互动（树叶被风吹起、水面荡开涟漪），画面立刻活了起来。

$$M_{\text{运动}} = \text{动作主体} + \text{动词} + \text{方向} + \text{速度节奏}$$

1. 明确谁在动：动作主体清晰，杜绝“画面里一切都在动”的失控感。

$$\text{动作主体} = \text{主体名词或身体部位}$$

2. 选准动词：用“奔跑、滑过、飘落、旋转”代替模糊的“动、变化”。

$$\text{动词} = \text{具体动作} + \text{方式副词}$$

3. 给方向：左右、上下、从远到近，方向词决定运动轨迹。

$$\text{方向} \in \{\text{向左},\text{向右},\text{上升},\text{下降},\text{环绕}\}$$

4. 定节奏：用“缓慢、加速、突然、匀速”控制速度感，形成画面张力。

$$\text{速度节奏} = \text{速度词} + \text{变化过程}$$

一个实用技巧：把运动指令放在镜头指令之后写，例如“中景跟镜，女孩奔跑，镜头随之加速前移”。运动与镜头联动，才有手持跟拍的现场感。大厨的火候，全在“翻勺几下、油温几成、何时下料”这些顺序细节里。你的运动指令写得越有顺序、越有参数感，AI这口锅就翻得越漂亮。

风格质感：定菜系与摆盘

同一道宫保鸡丁，在川菜馆和私房法餐厅端出来，完全是两种气质。风格关键词就是给视频“定菜系、定摆盘”的那组词。它不改变内容，却从根上改变观感：赛博朋克、水墨画、电影感、8K写实，每个词都把画面拽向不同的审美元宇宙。

风格描述通常由三层构成：美术风格、光影氛围、质感细节。美术风格决定大方向（写实、卡通、油画的笔触）；光影氛围定情绪（金色逆光、霓虹闪烁、清晨薄雾）；质感细节定高级感（胶片颗粒、浅景深、柔和的漫反射）。三者叠加，画面立刻脱离“干净到失真”的AI塑料感。

$$K_{\text{风格}} = \text{美术风格} + \text{光影氛围} + \text{质感细节}$$

1. 定美术风格：用风格流派词给AI一个明确的参照系。

$$\text{美术风格} \in \{\text{写实},\text{赛博朋克},\text{水墨},\text{皮克斯},\text{油画}\}$$

2. 打光：光的方向与颜色是情绪最大的操纵者。

$$\text{光影氛围} = \text{光源} + \text{色温} + \text{光线方向}$$

3. 加质感：用镜头素质词让画面摆脱“干净到失真”。

$$\text{质感细节} = \text{胶片颗粒} + \text{景深} + \text{镜头光晕}$$

画面比例也属于风格管理：16:9横屏适合叙事与风景，9:16竖屏适合短视频与直播感。部分模型还支持“35mm镜头”“85mm定焦”等摄影词，写进去能让构图更接近真实拍摄。摆盘决定一道菜的社交命运，风格词决定一条视频的传播命——给AI大厨报上菜系，他才知道手里那把刀该切出什么样的边角料。

时间线控制：上菜的顺序与节奏

一桌宴席，冷菜、热菜、汤、甜点是按节奏上的；一段视频，也是由若干个“镜头段”按时间轴拼起来的。时间线控制就是给你的视频写“上菜顺序”，让AI知道画面从哪一刻开始、经历了什么、终于何处。没有时间线，视频就只有一个“瞬间”，谈不上叙事。

最简单的写法是“起止状态”：一句话交代开始和结束，例如“从黄昏的街道开始，到霓虹灯全部亮起的夜晚结束”。进阶写法是“阶段变化”：用“先……然后……最后……”或“2秒时……5秒时……”标注关键转折。时间线描述越清晰，模型越不容易在中途“神游”。

$$\text{视频} = \sum_{i=1}^{n} \text{镜头段}_i,\quad \text{镜头段}_i = (\text{时刻}_i,\ \text{画面}_i,\ \text{运镜}_i)$$

1. 定起止：给出起点与终点的画面状态，圈定变化范围。

$$\text{起止状态} = (\text{起始画面},\ \text{结束画面})$$

2. 拆阶段：把完整过程拆成多个段落，各段独立描述，降低模型负担。

$$\text{阶段变化} = \{\text{阶段}_1,\ \text{阶段}_2,\ \dots,\ \text{阶段}_n\}$$

3. 写时刻：用具体时间点或顺序词控制节奏，让变化“按表发生”。

$$\text{节奏} = \text{时间点或顺序词} + \text{对应画面状态}$$

对长视频，常见做法是写“分镜脚本”：每段视频只生成一个镜头（约3-10秒），再拼接。时间线控制在单镜头层面，主要管“这一镜之内发生了什么”，比如“雨从细密变成倾盆”“人物从走变为跑”。别指望一条提示词生成2分钟完整故事，模型的短时记忆还撑不起那么长的叙事。好的宴会司仪知道何时上菜、何时留白——你的时间线就是那位司仪，它让你的视频有头有尾、不拖沓、不跳戏。

避坑优化：厨房纠错清单

再好的大厨也会翻车。翻车不可怕，可怕的是不知道错在哪。文生视频的调试过程，本质上就是“尝菜、调味、再炒一锅”的循环。这条循环里最有效的三件工具是：负面提示词、结构化改写、固定种子。

负面提示词就是“不要清单”：不要模糊、不要肢体畸变、不要多余人物。很多模型和平台（如Runway、可灵、即梦）支持负面提示，把这些高频翻车点排除掉，出片率立刻上一个台阶。结构化作写法指“哪有问题改哪一块”：主体错了改主体，运动坏了换运动描述，而不是整段推翻从头再来。

$$\text{P}_{n+1} = \text{P}_n + \Delta\text{修正},\quad \Delta\text{修正} = \text{负面词} + \text{细节补充} - \text{冗余词}$$

1. 加负面词：把确定不要的内容显式排除，让模型主动避开。

$$\text{负面词} = \{\text{模糊},\text{畸变},\text{多余物体},\text{水印}\}$$

2. 补细节：针对失败帧补充缺失维度的描述，缺哪补哪。

$$\text{细节补充} = \text{失败位置对应维度的具体词}$$

3. 删冗余：删掉互相矛盾的风格词和空泛形容词，防止模型“左右为难”。

$$\text{冗余词} = \text{风格冲突词} \cup \text{空泛形容词}$$

固定种子（seed）是对照着改的关键技巧：保持种子不变，只改一处，你才能判断“是这句话起作用了，还是随机性在起作用”。日常出片还可以“抽卡”：同一提示词先生成几个版本，挑选保留，再小幅迭代，效率远高于每次都从零开始。厨房常备一张“翻车登记表”，写什么会糊锅、什么火候会炸，下次直接避开。你的提示词库就是这张表——把每一次翻车记录成负面词和修正方案，AI大厨的手艺就会在你手里越养越好。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""文生视频提示词构建器: 拼接六维度素材为完整提示词"""  def build_prompt(subject, scene, camera, motion, style, timeline):    """按六维度公式拼接提示词, 顺序: 主体-场景-镜头-运动-风格-时间线"""    parts = [subject, scene, camera, motion, style, timeline]    parts = [p.strip().rstrip("，,。") for p in parts if p.strip()]    return "，".join(parts) + "。"  def check_coverage(prompt):    """检查提示词覆盖了哪些维度, 返回缺失维度与空泛词"""    dimensions = {        "主体": ["女孩", "男子", "少年", "老人", "猫", "狗", "机器人", "汽车"],        "场景": ["街道", "森林", "海边", "房间", "城市", "教室", "沙漠", "车站"],        "镜头": ["特写", "近景", "中景", "全景", "远景", "俯拍", "仰拍", "跟镜"],        "运动": ["走", "跑", "跳", "旋转", "飞", "飘", "摇晃", "掠过"],        "风格": ["电影感", "赛博朋克", "水墨", "油画", "卡通", "写实", "霓虹"],        "时间线": ["从", "到", "然后", "逐渐", "最后", "开始时"],    }    missing = [k for k, words in dimensions.items()               if not any(w in prompt for w in words)]    vague = [w for w in ["好看", "高级", "不错", "很棒"] if w in prompt]    return missing, vague  def mock_generate(prompt):    """模拟文生视频 API 的返回结果, 用于本地演示"""    missing, vague = check_coverage(prompt)    if missing or vague:        return "生成失败: 画面不稳定, 主体漂移", missing, vague    return "生成成功: 5 秒 1080P 高清视频已就绪", missing, vague  if __name__ == "__main__":    prompt = build_prompt(        subject="一位穿红色连衣裙的女孩",        scene="黄昏的旧城街道, 两侧是斑驳的砖墙",        camera="中景, 跟镜拍摄, 镜头缓慢推到近景",        motion="女孩迎着夕阳向前走, 裙摆轻轻飘动",        style="电影感, 暖金色调, 浅景深, 高质感光影",        timeline="从黄昏到夜幕降临, 霓虹灯逐渐亮起",    )    print("完整提示词:", prompt)    status, missing, vague = mock_generate(prompt)    print(status)    if missing:        print("缺失维度:", ", ".join(missing))    if vague:        print("空泛词:", ", ".join(vague))

1. def build_prompt(subject, scene, camera, motion, style, timeline):定义六维度入参，对应正文的六维度配方。
2. parts = [p.strip().rstrip("，,。") for p in parts if p.strip()]清洗每个维度，去掉多余符号和空内容。
3. return "，".join(parts) + "。"按中文逗号拼接成一条流畅的提示词语句。
4. "运动": ["走", "跑", "跳", "旋转", "飞", "飘", "摇晃", "掠过"],词典库收录高频动作词，用于自动检查是否覆盖该维度。
5. missing = [k for k, words in dimensions.items() if not any(w in prompt for w in words)]检查哪些维度缺失，确保六维覆盖。
6. if missing or vague:有缺失或空泛词时提示先补维度、换具体词。
7. if __name__ == "__main__":主入口，方便直接运行验证效果。

常见误区

面试题