为什么提示词决定一切
文生视频（T2V）和图生视频（I2V）模型并不"理解"你的想法——它们把你的文字与训练所用的影片素材进行匹配。提示词是它们收到的唯一指令，措辞的细微差别会改变生成结果。"路上有一辆车"和"一辆红色老式汽车沿海岸公路行驶，金色时刻，跟拍镜头"会用同一个模型生成完全不同的两个片段。
本文介绍有效的写法：六段式 T2V 提示词结构、视频模型能理解的镜头语言词汇、I2V 提示词的不同之处，以及如何针对所用模型调整提示词。
T2V 与 I2V：两种模式，两种提示词
- T2V（文生视频）——用文字写完整镜头：主体、动作、场景、镜头、光线、风格，模型自行想象一切的外观。
- I2V（图生视频）——你提供一张固定外观的静帧图片，提示词只描述发生什么：运动与镜头运动。
这一区别很重要，因为它改变了文字的作用。T2V 中提示词就是完整的分镜稿；I2V 中它是附加在你已选图片上的一段运动说明。
六段式 T2V 提示词公式
每个有效的 T2V 提示词都按大致顺序回答六个问题：
- 主体——画面中是谁或什么，带具体细节（不是"一个人"，而是"一位穿蜡布外套的灯塔看守人"）。
- 动作——每个镜头一个主要动作。堆叠三个动作通常得到糊成一团的混合。
- 环境与时间——地点、一天中的时刻、天气。时刻比任何风格词都更决定色调。
- 镜头——景别（特写、全景……）、角度（平视、仰拍……）、运动（固定、横摇、推轨、手持……）。只说出其中一项，也能阻止模型瞎猜。
- 光线与色彩——光线形态：黄金时刻、蓝调时刻、霓虹、烛光；以及青橙、单色这类色彩方向。
- 风格与情绪——视觉语言（电影感、纪录片、动漫、黑色电影）和情绪基调（忧郁、紧张、欢快）。
完整实例
按上述六段组装：
"中景（腰部以上），一位穿蜡布外套的灯塔看守人沿海堤行走，下方浪涛拍打，黄昏风卷动外套，跟拍镜头跟随主体，蓝调时刻的光线与一点暖黄灯光，电影胶片质感，忧郁的氛围"
九个要素一句不缺，每一小句只做一件事，没有一句是装饰。
视频模型能理解的镜头语言
视频模型在与带镜头术语标注的影片素材上训练，因此标准化的电影术语有效。最常用的词：
- 景别——大特写、特写、中近景、中景、中全景、全景、远景、大远景、顶视俯拍、双人镜头。
- 角度——平视、仰拍、俯拍、鸟瞰、虫视、倾斜角度（荷兰角）、过肩、主观视角。
- 运动——固定、横摇、俯仰摇移、推轨、拉轨、跟拍、环绕、摇臂、手持、变焦。
- 节奏——慢动作、实时、快动作、延时摄影。点明节奏是被低估最强的杠杆之一：只加"慢动作"一词就能改变整个片段。
不必全说。一个镜头决定——"跟拍"或"手持"——往往比三个风格形容词的影响更大。
I2V 提示词怎么写
图生视频模式下，静帧图片已经承担了提示词的一半。图片固定了主体、场景、色调和大部分风格，文字只描述运动与镜头：
- 发生什么："海浪开始涌来，人物举起灯笼。"
- 镜头如何运动："缓慢推轨"、"固定机位，主体运动"、"手持跟拍"。
- 节奏："慢动作"或"实时"。
描述要短——通常一两句就够。如果再用文字复述图片内容，模型会把你的文字和照片混合，结果两边都不像。AI视频提示词生成器在该模式下自动加上前导语（中文模型为「延续输入画面」，其余模型为 "Following the input image"），并隐藏已由图片决定的类别（景别、镜头角度、构图）。
针对模型调整提示词
主流视频模型来自不同厂商：Kling（快手）、Seedance（字节跳动）、Hailuo（MiniMax）、Wan 2.2（阿里巴巴）、Vidu（生数科技），以及 Sora 2（OpenAI）、Veo 3（Google）、Runway Gen-4（Runway）、Luma Dream Machine（Luma AI）、Pika 2.2（Pika）。提示策略上有两个实际区别：
- 语言。中文模型以中文为母语——对它们而言中文提示词最自然；其余模型主要用英文训练。用模型最擅长的语言写提示词。
- 画质尾缀。每个模型都有偏好的收尾句——Kling 喜欢「电影级画质，光影细腻，细节丰富」，Pika 2.2 则是 "cinematic, vibrant, smooth motion, crisp detail"。加上正确的一句，同样的选项在每个模型上都会读起来像原生提示词。
生成器会自动处理这两点：按所选模型匹配输出语言（中文页面选择中文模型时输出中文，其余情况一律英文），并附上该模型自己的画质尾缀。
毁掉 AI 视频提示词的七个错误
- 主体模糊。"某处有个人"会让模型自行想象主角；把画面中是谁或什么写具体。
- 多个动作。堆叠三个动作会得到糊成一团的混合；每条片段一个动作。
- 风格冲突。"纪录片手持"和"华丽棚拍质感"会互相抵消；只选一种视觉语言。
- 没有镜头意图。不给景别或运动，模型只能猜；明确写出来。
- 过度堆砌。200 字的段落会稀释每条指令；30-80 字的具体描述通常胜过长文。
- 语言混杂。提示词保持单一语言；半翻译的提示词会让模型困惑。
- 忽略节奏。想要慢动作或延时摄影就明说；实时是无声的默认值。
用结构搭建提示词
不必从零写自由文本，可以从结构化选项里挑选。AI视频提示词生成器覆盖 11 个类别——景别、镜头角度与运动、动作节奏、时间天气、光线、调色、风格、情绪、特效、构图——每个选项都带参考图，把每类别的单选组装成一条针对目标模型调优的完整提示词。全程在浏览器内运行：你写的任何内容都不会被上传。