【四十八】你的 AI 视频不是差一点，是提示词里有三件“看起来很专业、其实在帮倒忙”的事

很多新手第一次做图生视频，都会走进同一个坑：

打开对话框，把能想到的词全倒进去。电影感、8K、虚幻引擎、光影高级、运镜丝滑、人物情绪饱满……写到两三百字，自己读一遍都觉得专业。点生成。等了几十秒。出来的片子：人还是那个人，景还是那个景，动作却像在梦游。

这时人最容易怪模型：“是不是这个工具不行？”

其实更常见的原因是：你把一段人类觉得很完整的说明书，交给了一个只认画面、不认形容词的系统。

视频模型和聊天模型不一样。你跟 ChatGPT 说话，它会尽量听懂你的意图。你跟视频模型说话，它真正在做的事情更像是：

看着你上传的那张图，再看看你写的字，决定这几秒钟里，哪些东西该动、怎么动、动多少。

字写得越多，不代表它越明白。字写错了位置，它反而会把力气用错地方。

下面三件事，是我带新手改提示词时改得最多的。改完之后，同样一张图、同一个模型，成片通常会立刻稳一截。你不需要背公式，只需要先搞懂：视频提示词到底在指挥什么。

---

先记住一句大白话

做图生视频时，把工作分成两截：

• 图负责“长什么样”：风格、光线、颜色、质感、构图，几乎全由第一帧说了算。
• 字负责“接下来怎么动”：谁在动、动什么、镜头跟不跟、这几秒里先发生哪一件事。

你如果把“长什么样”又在文字里写一遍，还写得很用力，模型就会分心。它本来该把算力拿去算头发怎么飘、手指怎么翻、蒸汽怎么散，结果被你拽去理解“赛博朋克”“电影级”“超高清”。这些词对一张已经画好的图来说，大多是噪音。

另外先说清楚：下面所有提示词都用中文。MetaDig、即梦这类模型，中文写动作已经够用了，不必为了显得专业去写英文。

所以这篇文章不教你堆更长的词。只教你三件事：

1. 别跟第一帧抢权
2. 一条镜头只许有一个主心骨
3. 把“同时发生”改成“按秒发生”

---

第一件事：别跟第一帧抢权

1. 风格词，在视频阶段基本是空转

新手最容易把文生图那套习惯原封不动搬过来。

文生图阶段，你写“晨光、木质桌面、浅景深、胶片颗粒”，这些词有用，因为那时候还没有图，模型要靠文字凭空长出画面。

可你一旦已经有一张图，再去做图生视频，局面就变了。那张图已经把风格钉死了。视频模型的第一优先级，几乎永远是：尽量别把原图弄丢。

你再往提示词里塞一堆画质词、引擎词、风格词，它通常不会听话地把画面“升级”成另一种美学。更常见的两种结果是：

• 它发现这些词和原图打架，直接当废话丢掉
• 它分出一部分注意力去消化这些词，真正该做的动作变得又慢又糊

你可以把它想成拍戏。已经把服装、布景、灯光都布置好了，导演进来只该喊：“她伸手去拿杯，蒸汽往上飘。”你要是还在旁边喊“改成科幻片！改成游戏CG！改成8K广告大片！”，现场不会变成科幻片，只会乱。

案例 A：浴室洗手台上的精华液

先看这张首帧在讲什么。

画面是一瓶磨砂玻璃的精华液，放在浅色石材洗手台上。瓶子上有一层细细的水珠，晨光从左侧窗户进来，台面上有一块湿痕，背景是虚掉的白瓷砖。整体很干净、很轻、偏生活感，完全不是炫技大片。

如果你是文生图，可以这样出这张图（这是出图提示词，先用来生成第一帧，不要拿去生成视频）：

图有了。下一步很多人会这样写视频提示词：

别这样写：

赛博朋克霓虹，虚幻引擎5顶级渲染，超高清8K，电影级光影，高级质感拉满，瓶子缓缓旋转一圈，最后正面朝向镜头。

看起来很“会用 AI”。实际会发生什么？

瓶子多半还是那个瓶子，浴室也不会长出霓虹灯。模型一看：原图是清晨湿润的洗手台，文字却在喊科幻渲染。为了不把原图拆掉，它会把“赛博朋克、UE5、8K、电影级”这些词压下去。你以为自己在加分，其实只是在提示词里制造了一堆空转。

更糟的是，旋转这个动作也会被拖累。该转得干脆的地方，变得犹豫；水珠该顺着瓶身滑的地方，滑得不明不白。因为权重被风格词抢走了。

改成这样写：

注意这句里有什么、没有什么。

有的全是眼睛能看见的物理变化：转、滑、光在挪。 没有的是所有“让画面更好看”的形容词。

好看这件事，原图已经做完了。视频这几秒，你只需要让它“活”。

你可以自己做一次对比：同一张图，先用满是风格词的版本出一条，再用只写动作的版本出一条。大多数时候，第二条的水珠、反光、旋转都会更清楚。不是因为你写得更高级，是因为你把模型的力气还回去了。

2. 数字指令，模型基本听不懂

第二个坑更隐蔽。很多人觉得自己已经“科学”了，开始写参数：

风速6级，水珠以每秒2厘米下落，瓶子旋转90度，镜头推进30厘米。

这在人类世界里很精确。在视频模型里，它常常等于没说。

原因很简单：模型没有尺子。它看不见你房间里的米和厘米，也没法把“6 级风”换算成这张图里头发该扬起多少像素。它认的是画面里已经有的东西发生了什么可见变化。

还是浴室这张图。如果你想表现“风从窗户进来了，有点大”，不要报气象数据。

别这样写：

风力达到6级，非常大。水珠以每秒2厘米的速度往下滑，瓶子在3秒内旋转90度。

改成这样写：

两段话的差别，不是文采，是参照物。

“6 级风”是抽象概念。 “水珠连成细线、湿痕晃动、水珠从瓶口滚到中部”是模型能画出来的事。

再举一个更好懂的：你想让一个人在雨里往前走。

不要写：

他以每秒1米的速度走了5米，风力6级，雨很大。

要写：

走了多远不重要。踩水坑、裤脚湿、伞被掀，这三件事一出现，观众就知道：雨大、风大、人在往前走。模型也一样，它靠这些零件拼出运动，不靠你报数。

这一节请你带走的习惯：

• 风格、画质、引擎名：视频阶段能删就删
• 米、厘米、级、角度、秒速：改成画面里的东西发生了什么
• 提示词越短越好？不是。是每一句都要能被眼睛核对

写完自己读一遍，问一个问题：如果把这句拿去跟摄影师说，他能拍出来吗？拍不出来的，多半也生成不好。

---

第二件事：一条镜头只许有一个主心骨

第一个问题是写了没用的词。第二个问题更麻烦：词都有用，但它们在互相打架。

新手很少觉得自己在写冲突指令。大家只是习惯性把网上看到的“高级词”拼在一起：

• 想要情绪，就写手持晃动
• 想要高级，就写平滑推轨
• 想要质感，就写影棚硬光、戏剧对比
• 想要自然，又舍不得删原图里的窗户光

于是提示词变成一个谁也不得罪的拼盘。问题是，视频模型不是服务员，不会把每道菜都端上来。它更像一个必须当场做决定的摄影师：你既要晃，又要稳，它就给你一个什么都不是的慢移。你既要影棚硬光，原图又是柔和窗光，它为了保住原图，会把打光那句直接丢掉。

画面不会崩。它只是变得平。平到你说不出哪里错，只觉得“怎么还是好假”。

假，经常不是因为细节不够，是因为这条镜头没有主心骨。

拍广告和拍情绪片，用的不是同一套身体。广告要稳、要清楚、要产品被看明白；情绪片可以呼吸、可以晃、可以停。你必须先选一个。选完再写。

案例 B：深夜便利店收银台

首帧是这样的：

一个年轻店员靠在收银台后面，穿着便利店马甲，头顶是冷白的灯管，货架上的包装袋反着光。窗外是被雨水模糊的街道。人没有大笑，也没有摆姿势，就是班快结束时那种有点空的安静。

出图可以用：

很多人为了“更像电影”，会写出这种视频提示词：

别这样写：

电影级运镜，强烈肩扛手持展现疲惫情绪，同时镜头缓慢且极其平滑地向前推进。戏剧性的高对比度影棚打光，店员轻轻转头看向窗外。

这里至少有两处对打：

1. 手持晃 和 平滑推 是两种完全不同的镜头身体。一个在呼吸，一个在滑轨上走。模型为了两头都照顾，最后经常给你一段又慢又死的平移。你要的疲惫感出不来，广告的干净也没有。
2. 影棚硬光 和原图的 灯管冷白光 不是同一种光。模型会保原图。打光那句大概率作废。你还以为自己控制了光，其实一个字都没生效。

先问自己一句： 这条片子到底要什么？

如果要的是“下班前那一点空”，主心骨就应该是安静，不是炫技。

改成这样写：

这句看起来“不够专业”。但它做对了三件专业的事：

• 运镜只留一种：固定
• 光影不重新发明：保持原有灯光
• 动作只做一件半：敲柜台，再看窗外

固定机位不是偷懒。当人物动作很小的时候，镜头越动，越像在掩盖你没想清楚。把镜头钉住，模型才会把细节算在手指、眼神、窗外雨丝上。

如果你的目标其实是广告，主心骨就该换成“清楚、稳定、把货架和人说明白”。那你可以写缓慢前推，但请删掉手持。两种里只能留一种。不要既要情绪的晃，又要广告的滑。

这一节请你带走的判断题：

写提示词之前，先在纸上写一个词，只能写一个：

• 静
• 晃
• 推
• 跟

写完再检查提示词里有没有第二个运镜。有，就删。 再检查有没有和原图光线相反的打光词。有，也删。

一条镜头像一碗汤，主味只能有一个。葱姜蒜可以少放，不能又是麻辣又是清淡还要奶香。

---

第三件事：别让所有动作在同一秒抢戏

前两个问题，一个是写了空词，一个是写了反词。第三个是写了太多真词，而且要求它们一起发生。

比如你心里有一场很完整的戏：风来了，东西被吹起来，人有反应，镜头再转一圈。于是你写成一句长话，用“同时”“并且”“还要”把它们串起来。

人类听这段会觉得很燃。模型听这段会很为难。因为它要在短短几秒里，把运动算力分给每一个要求。分到每个动作头上的力气就变薄了。于是你看到：

• 该猛的风，只是轻轻抖了一下
• 该站起来的人，像是腿没长结实
• 该转的镜头，转得又急又没来由

不是模型不会做大动作。是你让它同一秒当三个演员、一个摄影师、一个场务。

视频提示词的进阶，不是把句子写得更文学，而是把句子写成简陋的分镜表。

给每一秒规定：现在谁是主角。

案例 C：早餐店里掀蒸笼

首帧：

一个穿深色围裙的老板站在小店不锈钢台面后，面前是一屉刚出锅的竹蒸笼，盖子还没揭开。晨光从门口打进来，空气里能感觉到热气。桌上有一碟红油和几双筷子。人是中景，蒸笼在画面下半部分，很清楚。

出图可以用：

心里想要的戏很完整：热气冲出来，老板揭盖，客人那边有反应，镜头再绕一圈很燃。于是容易写成：

别这样写：

蒸笼盖猛地揭开，白气瞬间冲上天，老板一边揭盖一边转身去拿酱油，镜头同时360度环绕，店门口还有顾客探头进来看。

这不是一条镜头，这是四条镜头叠在同一秒。模型会尽量都做一点点：气散得没形状，手的动作发飘，环绕突兀，顾客像贴图。燃不起来，只觉得忙。

改成 5 秒时间线。 先锁死镜头，再按顺序给任务：

为什么这样写会稳很多？

第一，每一段只有一个核心任务。 0-2 秒算力给“漏气”，2-3 秒算力给“揭盖和蒸汽”，3-5 秒算力给“人的反应”。模型不用在同一帧里既算蒸汽物理，又算身体转身，还算环绕轨迹。

第二，动作有因果关系。 因为热，所以先漏气；因为揭盖，所以气涌出来；因为热气扑脸，所以他擦汗。观众吃的就是这个顺序。没有顺序的运动，看起来就像几张表情包在闪。

第三，内部已经够忙了，镜头就别再抢。 揭盖、蒸汽、包子显现、擦汗，已经是一条完整的生活戏。这时再加 360 环绕，空间会晃，细节会糊。想要高级，先把内部运动做实，镜头能不动就不动。

如果你后面真的想要镜头动，也请单独开一条：例如下一条 5 秒再“缓慢靠近蒸笼”。不要和揭盖抢同一条。

一个能直接套用的空表：

写的时候检查三遍：

1. 同一秒里有没有两个主角？有，就拆开。
2. 后一段是不是前一段的结果？不是，就改到有因果。
3. 镜头运动是不是必须的？不是，就写固定。

到这里你会发现，所谓“会写提示词”，常常不是会堆词，是会排队。

---

把三件事收成一个能上手的流程

下次你准备把一张图做成视频，不要打开对话框就开始抒情。按这个顺序来：

第一步：盯着原图，说出它已经有的东西。 光线是窗光还是灯管？颜色偏暖还是偏冷？人是近还是远？这些都不要再写进视频提示词，除非你只写一句“保持原有光线”。

第二步：只决定一件运动。 这一条视频如果只能成功做成一件事，你最想做成哪件？瓶子上的水珠下滑？店员看窗外？蒸笼揭盖？选定以后，其他动作要么删，要么排到后面几秒。

第三步：检查有没有内斗。 手持和平滑不能同时在。影棚光和窗光不能同时在。狂风、人物猛动、镜头环绕，尽量不要同一秒。

第四步：能写成时间线就写成时间线。 即使只有 8 秒，也请标出 0-2、2-5、5-8。这不是为了看起来专业，是为了强迫你给模型一份工作安排，而不是一堆愿望。

第五步：删形容词，留能看见的变化。 “非常大的风”改成“围裙被吹起来”。 “很伤心”改成“眨眼变慢，肩膀塌下去一点”。 “高级质感”直接删。

---

三句可以贴在显示器边上的话

1. 图已经决定了长相，字只负责让它动。 风格词、画质词、引擎名，视频阶段多半是空转。
2. 一条镜头一个主心骨。 先选静、晃、推、跟其中一种；光线尽量跟原图走。冲突的词不会让画面更丰富，只会让控制力变零。
3. 运动要排队，不要挤门。 把环境、人物、镜头拆开，按秒写。先发生什么，才引起什么。这是从“碰运气生成”变成“还能改第二版”的分界线。

---

给你一条今天就能练的作业

找一张你自己的图，最好是生活里能看懂的：一杯咖啡、一盘菜、一个人坐在桌前、一只宠物、一件放在桌上的产品。不要选大场面。

然后只做三次生成：

1. 第一次：把你平时会写的长提示词原样丢进去，留下结果。
2. 第二次：删光所有风格词和数字，只留一个动作。
3. 第三次：把这一个动作拆成 8 秒三段，镜头写死为固定。

三版并排看。你要找的不是“哪条更炫”，而是哪条的动作更扎实：水有没有在流，手有没有在碰东西，蒸汽有没有在涨。

扎实的那条，才是以后能商用、能进剪辑、能反复改的底子。炫的那条，往往只是提示词在表演专业。

AI 视频不是比谁写得长。是比谁更清楚：这几秒钟里，到底谁在动。