学习路径 · 用好 AI

(选读)文生视频提示词:怎么写出想要的视频

写一条图片提示词,告诉它“一只橘猫趴在窗台上”——够了。换成文生视频,同样一句话,模型可能把猫拍成石化、瞬移、渐变透明。视频提示词和图片提示词是两门手艺。核心差距:视频多了一个时间轴,prompt 必须描述 8 到 15 秒里发生的每个变化。


核心区别:静止 vs 变化

图片提示词描述一个瞬间就够了。“夕阳下的沙滩,一把躺椅,一杯果汁”——模型画出来,任务完成。

视频提示词必须回答:镜头在动还是静?画面里的东西怎么变?没有运动指令,模型默认让所有东西保持静止。结果就是一段画面僵硬的“活照片”——背景不动、人不眨眼、海浪定在半空。

好视频 prompt 的起点:写清楚什么东西在变化、怎么变、变多快。一个简单的例子:“镜头从海滩缓缓推向篝火,火光由暗变亮,照亮周围三张笑脸。”这里有镜头运动(推)、有光照变化(由暗变亮)、有目标对象(笑脸)。


镜头语言:把摄影术语写进提示词

文生视频提示词最独特的部分是镜头指令。图片 prompt 不用关心视角怎么切换——它只有一帧。视频 prompt 必须描述运镜方式。

推(Dolly in):镜头逐步靠近主体,适合强调表情或细节。“从全景推至猫的特写,瞳孔放大。”拉(Dolly out):镜头后退,展示环境。“从咖啡杯拉远,露出整间咖啡厅。”摇(Pan):镜头左右扫过场景。“摇拍书架,从左到右,展示每一层书的标题。”移(Tracking):镜头跟随主体移动。“跟拍跑步的人,从侧面保持同样速度。”

高度:还可以指定视角高度。“低角度仰拍”“俯拍俯瞰”“第一人称视角”。这些在图片 prompt 里算细节,在视频 prompt 里属于基本要素。不写,模型就用随机镜头,结果不可控。


时间变化:从这一刻到那一刻

视频 prompt 必须描述时间的流动。场景怎么从 A 状态演进到 B 状态,这中间有多少步,每一步什么样子。

“黄昏的海边,天空从橙红渐变到深蓝”——这是时间变化。“一片叶子从枝头飘落,触地前被风吹起”——这是物理过程。两种都是时间轴上的事件序列。图片 prompt 写“落叶”就够了,视频 prompt 要写落叶的完整轨迹。

提示词的写作逻辑也跟着变:时间线结构比列举特征更有效。与其写“橘猫、窗台、夕阳、窗帘飘动”,不如写成一条时间线:“午后,阳光从窗户斜射进来,窗帘被风吹起——一只橘猫跳上窗台,蜷缩,尾巴慢慢垂下。”


动作连贯性:让主体不要分身

文生视频模型最大的短板是主体保持。写图片 prompt 不用担心这个问题——一张图一只猫,猫只有一张脸。视频 8 秒里猫可能换了四张脸。

应对方法:给主体加静态属性描述。“一只橘猫,左耳有缺口,尾巴尖白色”——这些细节帮助模型锁定同一个实体。不加,模型每几帧重新画一次,结果就是闪个不停。

另一个技巧:把多个动作串成一句话而非分句。写“猫跳上窗台,坐下,打哈欠,闭眼睡觉”比“猫跳上窗台。猫坐下。猫打哈欠。猫闭眼睡觉”连续性强得多。模型对待一串连续动作,帧间跳变的概率更低。


极简入门 · 人工智能ABC