注册即送免费积分——今天就做你的第一条热门视频。免费开始
返回博客

AI 视频提示词公式:一个镜头需要的 6 个部分

2026年11月13日dimly.art Teamdimly.art Team

可直接套用的 AI 视频提示词结构——主体、首帧、动作、镜头、光线、负面约束——附前后对比示例与模型注意事项。

大多数 AI 视频提示词都以同一种方式失败:它们描述了一个场景(“一只狗在霓虹工作室里跳舞”),然后就没有了。剩下的全靠模型猜——镜头乱漂、光线中途变化、凭空多出一只没人要的狗。片子不是坏了,而是没有被“导演”。

这是 dimly.art 所有趋势页写提示词用的结构,以及每个部分为什么值得占一席之地。

六个部分

  1. 首帧。 说明运动从哪里开始:“用我上传的照片作为首帧。整段保持同一个人、同一个姿势、同一身衣服和同一个背景。”不写这句,模型会自己发明开头,你的脸可能根本不会出现。
  2. 主体。 片子关于谁或什么,说一次,说准:“一只柯基”“同一位女性”“一个玩具机器人”。克制住加主体的冲动——每多一个名词,就多一个“背景群演”的机会。
  3. 动作。 发生的那一件事,按顺序、带节奏地写:“八秒内这只狗跳舞:转两圈,跳一次,然后定格收尾。”动作才是产品——它应该比其他任何部分拿到更多的字数。
  4. 镜头。 “固定镜头”是一个正当且被低估的选择。“缓慢推近”“环绕向左”“手持跟随”也都成立——选一个,写出来。大多数“说不上哪里不对”的片子,坏就坏在镜头没写。
  5. 光线。 “柔和均匀的光”“金色时刻的逆光”“霓虹夜店光”。光线对身份一致性的作用不亚于对风格的作用:光线一变,模型就会把它已经画好的脸重新想象一遍。
  6. 负面约束。 什么绝对不能出现:“无文字、无标志、无水印、无其他人物。”短、具体、放在结尾。

不是每个提示词都需要六项全齐——五秒的特效三项就够。但当一次渲染出错时,缺的几乎总是上面六项之一。

前后对比

弱版本:

一个奶奶在奢华咖啡馆跳舞。

结构化版本:

用我上传的照片作为首帧。全片保持同一人物、同一身衣服。一位老奶奶走进挂满水晶吊灯和金色饰板的奢华咖啡馆,惊讶地环顾四周,然后开心地转了一个小圈,对着镜头笑。镜头从门口缓慢推近至中景。温暖的傍晚光,柔和均匀,写实风格。无文字,无标志,画面中没有其他直视镜头的人。

同一个创意。第二个版本渲出来就是“被导演过”的片子,因为没有任何东西留给模型去即兴:从哪开始、是谁、发生什么、镜头怎么动、光怎么打、什么不能出现。

模型注意事项

  • MiniMax H3 渲染 5–15 秒,分辨率最高 4K。适合紧凑的单动作镜头;动作保持一个创意,让分辨率去完成质感。
  • Seedance 2.5 最长 30 秒,并且可以生成音频。长片段的动作部分要按节拍顺序写(“先……然后……最后……”);想要声音,就具体说应该听到什么——“雨打在窗上,远处有人声”,而不是只写“带音频”。

两种模型的时长都按比例计积分,所以按创意实际需要的长度渲染——大多数趋势格式在 8 秒里活得很舒服。

从一条已经成立的提示词开始

每个趋势页都把提示词放进可复制的卡片里,还附了变体:年龄变化页写好了完整的变老时间线,宠物跳舞页有“旋转+定格”结构,地球拉远页有连续拉远的措辞。复制一条,换主体,改一处动作细节——这一步修改通常就是“模板感”和“你的片子”之间的全部差距。

打开工作台,粘贴、上传照片、渲染——5 秒片段约 11 个积分,渲染失败不扣积分。