为什么“简单提示”往往比长提示更有效
很多人第一次接触文生视频，会本能地把提示写成一小段小说：人物背景、心理活动、天气、隐喻、前因后果全部塞进去。结果往往令人失望——画面不是重点错位，就是动作混乱。原因并不神秘：视频模型在生成过程中要同时决定构图、运动、光照、材质和时间连续性，注意力预算被大量修饰性词汇消耗，真正决定画面的关键词反而被稀释。
“简单提示”并不是词汇贫乏，而是信息密度高。它的目标是让每一个词都承担明确职责：谁在画面里、在做什么、在什么环境、镜头怎么拍、整体是什么质感。当这五件事清楚之后，剩下的形容词基本可以删掉。
可以对比两种写法。写法一：一位内心充满矛盾、曾经在大城市打拼多年、最终决定回到故乡寻找自我的年轻女性，在略带忧郁的黄昏中漫步，思考人生的意义，画面要有诗意和电影感，让人感受到时间的流逝。写法二：中景，穿米色风衣的女性沿河边步道缓慢行走，黄昏逆光，镜头缓慢跟随，胶片颗粒。第二种写法没有一句“情绪词”，但它给出的信息全是模型能执行的：主体、动作、环境、光线、镜头、质感。实际生成时，第二种的可控性通常高出一个量级。
判断一条提示是否足够简单，有个实用标准：把提示读给一个没看过分镜的人听，他能否在脑海里画出一张静态画面？如果能，骨架就是合格的；如果他的反馈是“大概能想象，但不确定重点在哪”，说明提示里还有互相竞争的信息，需要做减法。
另一个常被忽略的点是迭代成本。一条三十字的提示，改一次只需要两秒；一条三百字的提示，改动意味着你要重新判断哪一句才是导致画面崩坏的元凶。简单提示的真正优势不是省字，而是让变量可控。可控，才能稳定。
提示的五要素骨架
把提示拆成五个槽位，是最容易上手的结构化方法。它不需要复杂语法，只需要按固定顺序把信息填进去。顺序本身也有意义：越靠前的词，模型赋予的权重通常越高。
主体
主体是画面里最不能被误解的东西：一个人、一只动物、一件产品、一处风景。写主体时优先选具体名词，而不是抽象概念。“年轻的跑者”比“运动员精神”有用得多。若主体有显著外观特征，放在这里最有效率，例如“穿橙色冲锋衣的登山者”。特征不宜超过三个，否则模型容易顾此失彼，出现服装拼接错乱、颜色串味等问题。
动作
动作决定时间维度。视频和图像最大的区别就在这里：画面会动。写动作时要用可以在两三秒内完成的动词短语，比如“转身”“推开门”“把杯子放到桌上”。像“慢慢意识到人生无常”这类内心活动无法被直接渲染，必须转译成可见的外部行为，例如“停下脚步，低头看着水面”。
环境与光线
环境提供空间感，光线提供情绪。两者写在一起效率最高：“黄昏的旧书店，暖色台灯从左侧照入”。避免同时描述相互矛盾的天气，比如“烈日下的浓雾”，除非你确实要超现实效果，并且愿意接受不稳定的结果。光线方向是性价比极高的一项信息，写上“左侧主光”能立刻减少画面糊成一团的情况。
镜头语言
这是最容易被忽略、但回报最高的一栏。加上“中景”“低角度”“缓慢推近”“手持轻微晃动”这样的描述，画面的专业度会明显提升。镜头词还能间接约束运动幅度：写了“固定机位”，模型就不太会把镜头甩来甩去；写了“缓慢横移”，画面就不容易出现突然的快速摇动。
风格与质感
风格词负责统一色调和材质，例如“胶片颗粒”“纪录片风格”“高对比度平面插画”。风格词只需要一到两个，写太多会互相抵消，出现既像油画又像写实摄影的混搭感。质感词则可以细化，例如“皮肤有轻微粗糙感”“金属表面有细密划痕”。
填槽后的自检
填完五个槽位后，用三个问题复查：画面里最重要的东西是否排在最前面？是否存在两个互相冲突的信息？删掉任何一个词，画面是否会明显变差？如果某个词删掉没有任何影响，它就是在占用注意力预算。
不同模型的提示偏好与选择标准
不同模型在同一提示下的表现差异很大，与其反复调提示，不如先判断自己该用哪一类模型。把模型按能力倾向分成三组，选择会快很多。
写实与电影感
写实类模型对光线、镜头、材质词汇反应明显，对夸张的动作词反应较弱。它们通常擅长慢节奏、强氛围的画面，适合产品广告、品牌短片、氛围铺垫镜头。写提示时把重心放在光线和镜头上，动作保持克制。常见错误是给写实类模型安排剧烈运动，结果要么动作糊成一团，要么人物结构崩坏。
速度与批量试错
面向快速生成的模型更看重整体语义，细节词汇容易被忽略，但优势是可以在短时间内产出大量候选。适合的做法是先用短提示批量跑十几条，挑出构图最好的几条，再用更强的模型做精修。把快速模型当成“草图工具”，而不是最终交付工具，心态会轻松很多。
风格化与动画
动画和风格化模型对画风极其敏感，对物理真实感反而不敏感。写提示时把风格词前置，并把运动描述简化成大的姿态变化，避免要求细微的肌肉运动。比如“跳跃落地后站定”比“手指轻轻颤动”更容易得到稳定结果。
选择标准小结
- 需要真实材质与复杂光线：优先写实类模型。
- 需要快速探索创意方向：优先快速生成类模型。
- 需要强烈视觉风格：优先风格化与动画类模型。
- 需要长镜头连贯运动：优先支持首尾帧控制或运镜控制的模型。
- 需要系列化产出：优先能保持风格稳定的模型，而不是单次效果最惊艳的模型。
从一条提示到一条成片：完整工作流
提示只是链条中的一环。把它放进完整流程，产出稳定性会大幅提升。
明确交付目标
先确定画幅、时长、投放场景。竖屏短视频和横屏品牌片的构图逻辑完全不同，提示里的镜头词也应该不同：竖屏适合中近景和纵向运动，横屏更适合环境交代和大范围横移。把这三项写在文档最上方，后续所有提示都围绕它展开。
用静帧锁定画面
先用图像生成或视频首帧功能，把关键画面固定下来。静帧的试错成本远低于视频，改一百次也不心疼。当构图、配色、人物外观都满意之后，再进入视频生成。这一步看似多花时间，实际上节省的是后续反复重跑视频的时间。
图生视频写运动
图生视频的提示只需要描述“发生了什么变化”。此时提示可以极短：“镜头缓慢向右平移，人物转头微笑”。这个阶段不要重复描述画面内容，模型已经看得见了。把提示词留给运动方向、运动速度、镜头位移和微小表情变化，是最有效的用法。
声音与剪辑
生成完成后，按镜头编号归档，在剪辑软件里按节奏拼接。音乐和音效往往比画面更能掩盖瑕疵。若需要旁白，先写脚本再配音，避免画面跟着语速被迫拉伸。剪辑阶段还可以用轻微的画面缩放和转场来弱化不同镜头之间的质感差异。
归档提示
把每条最终使用的提示、所用模型、参数和输出文件名记在同一张表里。这是团队协作中最被低估的一步：下一次做同类项目时，你只需要改几个词，而不是从零开始。提示表本身就是团队的资产。
一致性工程：让角色与场景不漂移
角色锁定的三种做法
第一种是参考图：用同一张角色定妆图作为每次生成的输入，适合短片和广告，成本低、上手快。第二种是关键帧回填：生成第一镜的最后一帧，作为第二镜的首帧，逐个镜头串联，适合有连续动作的段落。第三种是定制训练：用十到二十张同角色多角度图片训练一个小模型，之后提示可以极简，稳定性最高，但前期投入也最大。三种方法可以混合使用，例如主角用定制模型，配角用参考图。
场景与道具锁定
场景漂移往往来自提示里的环境描述每次都不一样。解决方法是把环境描述写成固定短语，比如“灰蓝色混凝土墙面的地下停车场，顶部有六排荧光灯管”，每次原样复制，不要临时改写同义词。道具同理，一旦确定了某个杯子的颜色和形状，就把它作为常量写进每一镜的提示里。
跨镜头漂移的排查顺序
- 先检查参考图是否一致，包括裁切比例和画面方向。
- 再检查提示中的风格词是否被改动，哪怕只换了一个近义词。
- 然后检查光线方向是否矛盾，前一个镜头左侧光、后一个镜头右侧光，观众会立刻感到不对劲。
- 接着确认运动幅度是否跨度过大，相邻镜头的节奏差异过大也会造成割裂感。
- 最后检查模型版本是否中途更换，不同版本的色彩倾向经常不同。
进阶技巧：分层提示、负面约束与种子控制
分层写法
把提示分成全局层和局部层。全局层写风格、光线、色彩基调，整段项目中共用；局部层只写当前镜头的主体动作和镜头运动。这种写法让改动集中在小范围，不会牵连全片风格。如果你同时在做多个短片，还可以为每个项目维护一份全局层文本，直接复制粘贴。
负面约束
负面提示用于排除高频错误：多余的肢体、水印、模糊文字、过度锐化。负向词不要堆太多，五到八项足够。把它们整理成一份固定的排除清单，每次复制即可。值得注意的是，负面提示并非万能，如果某个问题反复出现，往往说明正面提示里的信息本身就存在冲突。
种子与参数
固定随机种子可以让同一提示产出可比较的结果。测试提示时固定种子，只改一个变量；确定方向后再放开种子，让模型自由发挥。运动强度参数则建议从中间值开始，逐步上调，过高的数值几乎总会带来画面撕裂或主体变形。分辨率同理：先用低分辨率确认运动和构图，再提高分辨率做最终输出。
常见错误与排查清单
下面这些问题在实际项目中出现的频率极高，逐条对照可以省下大量重跑时间。
- 提示里出现互相矛盾的光线描述。改成单一主光源方向，并明确写出来。
- 一条提示塞进多个动作。拆成多个镜头分别生成，再在剪辑里连起来。
- 用抽象词描述情绪。改成可见的身体语言或环境细节，例如攥紧的手、雨中未撑开的伞。
- 忽略画幅与构图。先在提示中写明竖屏或横屏，再决定镜头景别。
- 每次微调都改动多个变量。改为单变量测试，否则永远不知道是哪个词起了作用。
- 指望一次生成就成片。预留三到五倍的候选数量，复杂镜头预留更多。
- 忘记记录参数。建立提示与结果的对照表，否则一次成功的经验无法复现。
- 用同一个提示跑所有模型。先做小规模横向对比，再决定主用模型。
- 过度依赖风格词堆砌。两个以内的风格词通常比五个更清晰。
- 忽略音频节奏。画面运动速度与音乐节拍错位，会让人明显感到业余。
效率、成本与团队协作的实操建议
分批测试，逐级提高质量
批量测试阶段用低分辨率、短时长；确定方向后再提高分辨率。把项目拆成“探索—确认—精修”三个阶段，每个阶段使用不同定位的模型，避免在探索期就动用最重、最慢的那一个。经验上，探索阶段可以产出一二十条低质量候选，确认阶段收敛到三到五条，精修阶段只打磨一到两条。
把提示模板化
团队协作时，把提示写成可复用的模板，并在模板中标注哪些词可以替换、哪些必须保留。可以给每个槽位编号，例如主体槽、动作槽、光线槽，这样即使不同人接力，也不会把风格层写乱。模板越清晰，新人上手越快。
建立评审节奏
评审时只看成片和提示表，不看成百上千条中间产物。这样能显著缩短反馈周期，也让讨论聚焦在“画面是否达标”而不是“模型好不好”。评审意见最好落到具体槽位，例如“光线槽改成顶部柔光”，而不是“感觉不对”。
控制单个镜头的复杂度
一个镜头只承担一个叙事任务。需要交代环境和人物时，用两个镜头而不是一个长镜头。镜头数增加会带来剪辑工作量，但会大幅降低生成难度，总体反而更省时间。
可直接套用的提示模板
下面四条模板覆盖了大多数常见需求，方括号内为可替换部分。使用时一次只替换一个方括号，观察画面变化，逐步建立自己的词库。
模板一，写实人物镜头：“中景，[主体描述]，[单一动作]，[环境]，[光源方向]，[镜头运动]，电影感，浅景深”。
模板二，产品特写：“微距特写，[产品]，缓慢旋转，纯色背景，柔和顶光，固定机位，商业摄影风格”。
模板三，风景空镜：“超广角，[地貌]全景，缓慢横移，清晨薄雾，逆光，纪录片质感”。
模板四，风格化动画：“[角色]，站在[场景]中央，轻微呼吸起伏，平涂插画风格，高饱和色彩，固定机位”。
模板五，图生视频运动描述：“镜头[运动方向]，[主体] [动作]，保持原有光线与构图”。这一条适合已经生成好首帧、只需要控制运动的场景。
常见问题 FAQ
提示越短越好吗
不是。短是手段，不是目标。目标是每个词都不可替代。如果删掉某个词后画面明显变差，它就该保留；如果删掉毫无变化，它就是在浪费注意力。真正要避免的是重复表达同一个意思的堆砌。
为什么同一提示每次结果都不一样
生成过程带有随机性。想获得可比较的结果，需要固定种子和参数。若模型不支持固定种子，则尽量一次生成多条，用数量换取确定性。
中文提示和英文提示有区别吗
多数模型对英文的训练数据更多，英文描述在细节控制上通常更稳定，尤其在镜头和材质术语上。中文提示在语义层面可以正常工作，但遇到专业术语时，建议保留英文原词，例如直接写 close-up 或 dolly in。
什么时候该用图生视频
当你需要精确控制构图、角色外观或产品细节时用图生视频；当你需要快速探索创意方向、不确定画面长什么样时用文生视频。简单说，文生视频负责发现，图生视频负责交付。
一致性做不好怎么办
先减少镜头数量，用更少的镜头讲完故事；再逐步增加关键帧控制。不要一开始就挑战十镜以上的连贯叙事。同时把环境描述固定成短语，避免同义词替换。
需要多少候选才能选出可用素材
经验值是每条成品镜头准备三到五条候选，复杂运动镜头准备十条以上。候选数量不足时，往往会为了凑数而接受有瑕疵的镜头，最终影响成片质感。
如何判断该改提示还是该换模型
如果三条不同结构的提示都出现同样的结构性问题，例如人物总是六根手指、镜头总是不受控地旋转，那是模型能力边界的问题，换模型更有效。如果问题随机出现、时好时坏，那多半是提示本身存在歧义。
新手应该先学什么
先学五要素骨架，再学镜头词，最后学参数控制。不要一上来就研究复杂的负面提示和权重语法。把主体、动作、环境、镜头、风格这五栏写清楚，已经能超过大部分尝试者。
把简单提示变成稳定生产力的关键，不在于记住多少词汇，而在于建立一套可重复的流程：选对模型、拆清槽位、锁定一致性、记录参数、按阶段推进。从一条镜头、一个模板开始，稳定之后再扩展镜头数量与项目规模，你会发现AI视频生成从碰运气，变成了一件可以规划的工作。
