AI视频生成提示词进阶指南：从基础公式到高阶叙事-尧图网络科技

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

你有没有遇到过这种情况：想用 AI 生成一段视频，脑子里画面感十足，但写出来的提示词（Prompt）却像一杯白开水，AI 生成的结果要么平淡无奇，要么干脆跑偏，离你想要的“大片感”差了十万八千里。

这太正常了。很多人以为 AI 视频生成是“魔法”，输入几个词就能变出好东西。但现实是，它更像是一门“翻译”的艺术——把你脑海中的电影语言，精准地“翻译”成 AI 能理解的指令。问题往往不在于 AI 不够强，而在于我们给的指令太模糊、太笼统。

今天，我们不谈那些空泛的“提示词技巧”，而是通过两个具体的案例，带你拆解从“想法”到“成品”的完整路径。你会发现，写好提示词的关键，不是堆砌华丽的形容词，而是建立一套清晰的“导演思维”。我们将从最简单的“主体+场景+运动”公式开始，一步步升级到包含声音、多镜头、甚至参考素材的复杂叙事。更重要的是，我会告诉你每个环节最容易踩的坑，以及如何通过结构化的思考，让你的每一次生成都更可控、更接近预期。

1. 从“一句话想法”到“可执行指令”：理解提示词的本质

很多人把写提示词等同于“描述画面”，这其实只对了一半。对于 AI 视频生成，尤其是文生视频，提示词的本质是“为一段动态的、有时序的视觉内容编写技术规格说明书”。

这和你给程序员写需求文档，或者给摄影师写分镜脚本，逻辑是相通的。模糊的需求（“做一个好看的网站”、“拍一段感人的视频”）必然导致结果的不确定性。AI 没有人类的常识和审美直觉，它需要你明确地告诉它：谁（主体）、在哪里（场景）、做什么（运动）、怎么看（镜头）、听起来如何（声音）、以及整体感觉是什么（风格）。

以阿里云万相这类成熟的视频生成模型为例，它已经内置了对这些维度的理解能力。你的提示词越能结构化地覆盖这些维度，AI 的“发挥”就越不会偏离你的本意。

1.1 基础公式：构建视频的“骨架”

几乎所有复杂的视频提示词，都源于一个最基础的公式：提示词 = 主体 + 场景 + 运动。

主体：视频的绝对核心。可以是人（“一位身着少数民族服饰的黑发苗族少女”）、动物、物体，甚至是虚构的概念（“一团具有生命力的发光能量体”）。描述主体时，要具体到足以让 AI 形成清晰的形象，避免使用“一个人”、“一个东西”这种过于宽泛的词。
场景：主体所处的环境。它定义了视频的时空背景和氛围。是“冬日清晨的雪地庭院”，还是“赛博朋克风格的地下酒吧”，或是“充满童趣的微型精灵村落”？场景描述为画面定下了基调。
运动：这是视频区别于图片的关键。运动让画面“活”起来。它可以是主体的动作（“笨拙地推着雪球前进”），也可以是环境的变化（“雪花缓缓飘落”），甚至是镜头的运动（“镜头缓缓推进”）。运动描述决定了视频的动态感和节奏。

案例拆解1：从“小猫玩雪”到结构化的描述

假设你的初始想法是：“小猫在雪地里玩雪球”。这个想法很具体，但对 AI 来说信息量依然不足。它会生成一只猫和雪地，但猫的品种、神态、雪地的细节、玩雪球的具体方式，都留给了 AI 大量自由发挥的空间，结果可能很普通。

运用基础公式进行结构化扩展后：

主体：一只毛茸茸的小奶猫（明确了年龄和质感）
场景：冬日清晨的雪地，银装素裹的庭院，积雪厚实松软，周围有结霜的树枝和远处堆好的小雪人（丰富了时间、细节和背景元素）
运动：小猫用前爪滚起一个雪球，笨拙地推着雪球前进，突然雪球裂开，它惊得后跳，又好奇地凑近，打了个喷嚏后翻了个滚，继续用脑袋顶雪球玩耍（描述了一个有起承转合的小故事）

对比一下，“小猫在雪地里玩雪球”和上面这段描述，哪个更能让 AI “看见”你想要的画面？显然是后者。它不再是一个静态快照，而是一个有生命、有情节的迷你短片。

新手最容易踩的坑：在这个阶段，最常见的错误是只描述了状态，而忽略了过程。比如只写“一个男人在跑步”，AI 可能生成一个静态的起跑姿势，或者一段单调的跑步循环。你应该描述过程：“一位表情因极度用力而扭曲的短跑运动员，在百米赛道的终点线上全力冲刺，身体前倾，头奋力向前探出，胸膛撞断终点线”。这样，AI 才能理解你想要的是冲刺那一瞬间的动态张力。

2. 进阶控制：为视频注入“灵魂”与“节奏”

当基础公式能稳定产出不错的单镜头视频后，你就可以开始追求更高的表现力了。这就像拍电影，有了基本的演员、布景和动作，接下来要考虑的是灯光、音效、剪辑和风格。

2.1 注入“灵魂”：美学控制与风格化

这是提升视频质感和情绪感染力的关键。主要包括两个层面：

1. 美学控制：相当于影视制作中的摄影指导。你可以通过提示词精确控制：

光源与光线：是“边缘光，低对比度”的柔和氛围，还是“硬光，高对比度”的戏剧冲突？是“日光，晴天光”的明亮，还是“火光，夜晚”的神秘？
景别与构图：需要“特写”来捕捉面部情绪，还是“广角”来展现环境全貌？是“中心构图”的稳定，还是“左侧重构图”带来不平衡的动感？
镜头与机位：用“长焦镜头”压缩空间、突出主体，还是用“超广角”制造夸张的透视？是“过肩角度”带来对话的沉浸感，还是“航拍”展现宏大的场景？
色调：“暖色调”营造温馨，“冷色调”传递清冷，“低饱和度”可能更适合表达怀旧或压抑的情绪。

2. 风格化：这决定了视频的整体视觉语言。是写实的“纪实摄影风格”，还是艺术的“赛博朋克”、“废土风格”？是温暖的“黏土风格”、“毛毡风格”，还是复古的“像素风格”、“黑白动画”？明确风格能瞬间统一画面所有元素，形成强烈的视觉记忆点。

操作建议：不要一次性堆砌所有美学关键词。先从一两个最影响氛围的维度入手，比如先确定“阴天光，冷色调”来定下基调，再考虑是否需要“特写”来强调情绪。一次调整一个变量，观察生成结果的变化，你就能快速积累对不同参数效果的经验。

2.2 注入“节奏”：运镜与动态控制

运镜是视频叙事的语法。固定的镜头像监控录像，而运动的镜头则能引导观众视线、渲染情绪。

基础运镜：如“镜头拉远”揭示环境全貌，“镜头向左移动”展现空间的连续性。这些指令直接、有效，能快速改变画面的叙事空间。
高级运镜：如“复合运镜”（镜头快速穿越管道后上升至天空）、“环绕运镜”（镜头围绕人物旋转），能创造出电影级的视觉冲击力。但使用时要谨慎，过于复杂的运镜描述可能会让 AI 难以准确理解，导致画面混乱。

动态控制则更侧重于主体动作的强度和情绪：

运动类型：同样是“跑步”，“悠闲地慢跑”和“奋力地冲刺”带给 AI 的指令完全不同。描述要具体到“表情因极度用力而扭曲”、“双臂以最大幅度和频率摆动”。
人物情绪：直接描述“脸上带着纯真的笑容”、“神情严肃而专注”，能有效引导 AI 生成符合情绪的面部表情和肢体语言。

案例拆解2：为“街头舞者”增加灵魂与节奏

初始想法：“一个人在街头跳舞”。

进阶结构化描述： “一位拥有花白相间猫头的拟人角色站在黄色舞台中央，身穿剪裁合体的白色西装……（主体与场景）卡点音乐，迪斯科球反射光，人工光，侧光，暖色调，中景，中心构图，低角度拍摄。（美学控制：灯光、色调、景别、构图）他正随着节奏抬起右臂、弯曲左肘，双腿交错摆出70年代经典舞姿……动作精确而富有节奏感。（运动与动态控制）头顶多颗旋转的迪斯科球将光斑洒满空间……（丰富场景细节）伴随放克风格音乐响起，鼓点清晰……（声音控制，见下文）”

这个描述不仅告诉了 AI “是什么”，更明确了“怎么看”和“什么感觉”，生成的视频在氛围和节奏上会精准得多。

3. 高阶叙事：处理声音、多镜头与参考生视频

当单镜头视频已经不能满足你的叙事需求时，你就需要掌握更复杂的提示词工程了。这相当于从拍摄短视频进阶到执导一部微电影。

3.1 声音描述：实现真正的“声画同步”

对于支持音频生成的模型（如万相2.5/2.6/2.7），声音描述是质变的关键。它让视频从“默片”进化到“有声电影”。声音公式通常为：提示词 = 主体 + 场景 + 运动 + 声音描述（人声/音效/背景音乐）。

人声：需要描述角色说话的内容、情绪、语调、语速、音色甚至口音。例如：“一个男人在讲脱口秀，他说道：‘好好学习，天天向上’，语气轻松，语速适中，声音清亮，美式英文。”
音效：描述声音的源头、行为和所处的环境。例如：“一个玻璃小球从桌面掉在木质地面上，发出‘砰’的声音，室内安静环境。”
背景音乐：定义音乐的风格和情绪。例如：“雨夜，阴森窄小的走廊，尽头有一扇窗户，配有悬疑风格背景音乐。”

重要提示：声音描述必须与画面描述强相关且同步。如果你描述的画面是“小猫在安静地睡觉”，却配上了“激烈的摇滚乐”，结果会非常突兀。好的声画结合是“爪子踩雪的‘咯吱’声”对应“小猫在雪地行走”的画面。

3.2 多镜头公式：构建连贯的故事线

这是创作故事性短片的核心能力。公式为：提示词 = 总体描述 + 镜头序号 + 时间戳 + 分镜内容。

总体描述：用一两句话概述整个视频的故事主题、风格和核心情感，让 AI 把握整体基调。
镜头序号与时间戳：明确划分镜头段落和时间分配，如“镜头1[0-3秒]”、“镜头2[3-6秒]”。这能确保视频节奏可控。
分镜内容：为每个镜头单独撰写提示词，写法可参考单镜头，但要确保镜头间的逻辑连贯（如角色、场景的一致性）。

示例片段： “这个故事以第三人称视角，讲述了一个关于放弃与重拾希望的短剧。镜头1[0-3秒]：一个男孩在操场的角落独自坐着，低头望着手中的信纸，随后轻轻叹气，眼神中透露出迷茫。镜头2[4-6秒]：硬切转场，固定机位，聚焦于男孩的眼睛，泪光闪烁，带着失落和无助。镜头3[7-10秒]：硬切转场，场景转至一间简朴的教室。一个女孩……走到男孩的身边安慰他。”

关键点：在多镜头提示词中，保持主体（男孩、女孩）特征的一致性至关重要。你可以通过重复关键词（如“穿着校服的男孩”）或使用参考生视频功能来实现。

3.3 参考生视频：实现角色与风格的精准复现

当你需要让同一个角色出现在不同视频中，或者想复现某张图片/某段视频的独特风格时，这个功能就变得不可或缺。其核心是使用“图n”或“视频n”来指代你上传的参考素材。

基本公式：提示词 = 参考指代 + 动作 + 场景 + 台词（可选）+ 背景音乐（可选）

例如，你上传了一张猫的图片（图1）和一个房间的图片（图2），你可以写：“图1在图2里玩耍”。AI 就会让参考图1中的猫，在参考图2的房间里做出玩耍的动作。

更复杂的控制：你甚至可以组合多个参考素材，实现多角色互动。例如：“视频2抱着图3在咖啡厅里弹奏吉他，视频1笑着看着视频2。” 这里，视频1、视频2、图3分别指代三个不同的参考素材（如两个人物的视频和一把吉他的图片）。

使用技巧：

参考素材质量要高：清晰、主体明确的图片或视频，效果更好。
指代要清晰：在提示词中明确“图1做某事”，避免歧义。
动作描述要结合参考：描述的动作要符合参考素材中主体的能力（比如参考图是一只猫，就不要让它“打字”）。

4. 从理论到实践：你的提示词工作流与避坑指南

了解了所有零件后，我们需要一套可重复的工作流，把它们组装起来，并避开常见的陷阱。

4.1 结构化提示词工作流

我建议遵循以下四个步骤，这能极大提高成功率：

第一步：明确核心意图（Ideation）

问自己：我想表达什么情绪？讲述一个什么故事？展示一个什么概念？
用一句话写下核心想法。例如：“表达都市夜晚的孤独与疏离感”。

第二步：进行结构化拆解（Deconstruction）

将核心意图拆解到基础公式：主体（一个孤独的行人）、场景（雨夜霓虹灯下的空旷街头）、运动（低头缓步行走，身影被拉长）。
继续拆解到进阶维度：美学控制（冷色调，低饱和度，硬光下的阴影）、风格化（电影感，赛博朋克色调）、声音（淅沥的雨声，远处模糊的城市白噪音，忧郁的爵士乐片段）。

第三步：撰写与优化提示词（Drafting & Refinement）

按照公式组织语言，确保描述具体、无歧义。
利用大语言模型（LLM）优化：这是最高效的技巧之一。你可以将上述提示词公式作为系统指令（System Prompt）提供给如通义千问等LLM，让它帮你将简短想法扩展成结构完善的提示词。例如，给LLM输入：“你是一个提示词优化助手，请根据‘主体+场景+运动+声音描述’的公式，优化以下提示词：‘小猫在雪地里玩雪球’。” 你会得到一份细节丰富的描述。

第四步：小步快跑，迭代验证（Iteration）

永远不要第一次就生成长视频或复杂视频。先用最小成本验证。
从单镜头、无声音、默认风格开始生成，检查主体、场景、基本动作是否符合预期。
然后，一次只添加一个进阶元素（比如加上风格化，或改变运镜），观察变化。
确认单镜头没问题后，再尝试多镜头或参考生视频。
每次生成后，分析结果哪里好、哪里不好，回头微调你的提示词。是描述不够具体？还是维度之间有冲突？

4.2 常见问题排查指南

当生成结果不理想时，不要盲目重试，按以下顺序排查：

问题现象：主体扭曲？场景混乱？动作怪异？颜色失真？没有声音？
检查输入（提示词）：
- 是否足够具体？把“车”改成“一辆红色的复古敞篷跑车”。
- 是否存在矛盾描述？比如“阳光灿烂的午夜”会让 AI 困惑。
- 语法和标点：尽量使用简洁、连贯的短句，避免过长的复合句。
- 文化特定概念：AI 对某些文化梗理解可能不到位，尽量使用通用描述。
检查期望管理：
- 是否超出了模型的当前能力？比如要求生成极度精细的手指动作或复杂的物理交互（如打碎玻璃后无数碎片飞溅），目前多数模型仍有困难。
- 是否在追求“过度控制”？AI 生成有其随机性和创造性，提示词是引导，而非百分百的精确蓝图。接受一定范围内的意外之喜。
模型与参数：
- 确认你使用的模型版本是否支持你要求的功能（如多镜头、音频生成）。
- 了解并尝试调整关键参数，如cfg_scale（提示词跟随度）、seed（随机种子）等。

4.3 最重要的原则：先跑通，再优化，最后工程化

先跑通：用最简单的提示词（基础公式）生成一个 3-5 秒的视频，确保流程是通的，你能得到一个大体符合预期的结果。
再优化：在“跑通”的基础上，开始迭代。一次只修改一个地方（比如调整光线、增加一个动作细节、更换风格），并对比前后效果，积累你对每个提示词维度影响力的感性认识。
最后工程化：当你对某个风格或类型的视频生成非常熟悉后，可以将成功的提示词结构保存为模板。例如，你可以有一个“产品展示视频模板”，一个“人物口播视频模板”，一个“风景延时模板”。未来需要时，只需替换模板中的核心变量（如产品名称、人物描述、地点），即可快速生成高质量初稿。

写提示词不是魔法咒语，而是一种需要练习的结构化沟通技能。它要求你既要有天马行空的想象力，又要有工程师般的严谨逻辑。最好的学习方式，就是选定一个简单的想法，从今天介绍的基础公式开始，亲手写一段，生成一次，观察结果，然后思考：“如果我这样改，会变得更好吗？” 在这个不断提问和验证的循环中，你会逐渐掌握与 AI 协同创作的真正语言。