AI 视频提示词怎么写才不糊？文生视频 Prompt 技巧拆解

同样是文生视频，有人一句话出来的是电影感短片，有人输入一长串却得到一摊混乱抖动。差别多半不在工具，在提示词。

视频提示词比图片提示词难，在于它多了一条"时间轴"：不光要交代"画什么"，还要交代"怎么动、往哪动、动多快"。这篇不堆概念，直接上几条能立刻套用的写法，每条都配一个"反例"和一个"改后"对比着看。

主体要具体到"能一眼认出来"

糊的开端，往往是主体写得太空。模型拿到"一个人""一辆车"这种词，只能靠猜，猜出来的东西自然不稳定。

反例：一个人在街道上走
改后：一个穿米色风衣、戴深色围巾的年轻女性，在雨后的欧洲石砖街道上走

差别在于，改后把发型、衣着、场景材质都钉住了。视频是一连串画面，主体交代得越具体，前后帧越不容易走样。

动作要写"持续的动词"，别只写静态名词

视频的灵魂是"动"。只写名词，模型不知道到底动没动、怎么动；写一个模糊的动作，又容易乱动。

反例：海边的一只狗
改后：一只金毛犬沿着海岸线小跑，海风吹动毛发，镜头随它平移

改后的关键在于动词带了方向和幅度——"小跑"是速度，"沿海岸线"是方向，"风吹动毛发"是环境与主体的互动。让每个画面元素都有个"活"的理由。

环境要点明光线和氛围

光决定画面的质感，但"氛围感"三个字太虚，模型接不住。

反例：有氛围感的森林
改后：清晨薄雾笼罩的松林，逆光把雾气照成金色，地面有零星落叶

把"氛围感"翻译成可执行的光源、时间、天气、材质，模型才有东西可画。逆光、侧光、黄昏、雨后天晴，这些词比形容词管用得多。

镜头要写运动，别只写对象

很多人生成完才发现镜头一动不动，问题出在提示词里压根没提镜头。镜头语言是视频和图片提示词关键的分水岭。

反例：拍一个咖啡师在做咖啡
改后：低角度仰拍，缓慢推近到咖啡师拉花的手，背景虚化

改后写了两件图片提示词里少见的事：机位（低角度仰拍）、运动（缓慢推近），还补了景深（背景虚化）。镜头一写清，画面立刻从"截图"变成"会呼吸的片段"。

风格要量化，别只会喊"电影感"

"电影感""高级感"是特别容易被滥用的词，几乎等于没写。风格得落到具体的胶片、镜头、色调上。

反例：电影感的城市夜景
改后：35mm 胶片质感，浅景深，霓虹反光在湿润路面，冷青与暖橙对撞的色调

胶片型号、景深、色温、反光，这些才是能把风格锁死的关键词。给模型一套可执行的视觉参数，它才复现得出你脑里的那格画面。

节奏和时长要交代清楚

文生视频的单段通常很短，节奏写没写清，直接决定这一小段是"从容"还是"突兀"。

反例：一位舞者在旋转
改后：一位舞者缓缓旋转，裙摆慢动作扬起，动作舒缓，持续约 3 秒的主回环

写清"慢""舒缓""持续的幅度"，能显著压住 AI 视频常见的"乱抽搐"。要张力的就写快节奏，要情绪的就写慢、缓、轻，让节奏服从你想讲的事。

一条提示词别贪多主体

刚上手的人喜欢把想要的东西一锅全倒进去：三个人、五只猫、飘雪、烟花、星空……元素一多，模型顾此失彼，主体必崩。

反例：三个孩子和五只猫在雪地里放烟花，还有星空和流星
改后：一个孩子在雪地里放烟花，微弱星光，背景干净简洁

技巧很直白：砍到"一个主体 + 一个动作 + 一个环境"。复杂的多主体镜头，拆成多个短镜头分别生成，再靠剪辑拼起来，比逼模型一口气画全要稳得多。

小结

把文生视频提示词收一收：主体要具体到能认出来，动作要带方向和幅度的持续动词，环境要点名光线与氛围，镜头要写明机位和运动，风格要量化成胶片与色调，节奏与时长不能省，主体数量要克制。

一条稳的提示词，无非是这五块——主体、动作、环境、镜头、风格——各写实一点，再顺着时间轴把"怎么动"讲清楚。工具不背锅，先把这句话自己写明白。