完美 AI 视频提示语的构成

大多数糟糕的 AI 视频来自于只适合生成一张图片的提示。像「一个女人在东京的夜晚站着」描述的是一个静止的瞬间。视频模型需要把几秒钟的画面填满，所以它会自作主张地编造动作。通常会出现人物无重力地滑过画面，手悄然变成另一只手，以及背景在中途自行重组。

解决办法不是写更长的提示，而是写一个回答模型本来需要猜测的问题的提示：是谁，在做什么，在哪里，从哪里看到，光线如何照明。本文将逐步介绍这样一个五层结构，以及针对社交短视频的竖屏要点。

描述变化，而不是静态状态

在结构之前，先调整思路。图片提示描述的是一个状态。视频提示要描述一个变化，也就是片段结束时与开始时不同的东西。

两个小习惯能解决大部分问题。第一，使用进行动词。“快步走着”、“慢慢下跪”、“伸手越过桌面”这些都以进行时暗示持续运动，而「一个站在街上的女人」则没有。第二，描述因果而不仅是事件。比较一下：

• 弱：「一辆车快速拐过一个弯。」
• 强：「一辆车高速过弯，轮胎溅起水雾，车身向弯道内倾，碎石在底盘上叮当作响。」

第二种说法不仅更详尽，而且更有次序。它告诉模型先发生什么，随后又由此带来什么，这为生成的动作指明了方向。同样的技巧也适用于微观场景。不要写「一只玻璃杯碎了」，可以写「胳膊肘碰到玻璃，杯子倾斜，牛奶溢出碰到桌面，玻璃碎裂，洒出的液体沿着木纹扩散」。

五个层级

结构如下。并非每个提示都需要全部五层，但缺少其中三层的提示会给模型留下太多空白需要它自己填补。

1. 主体

模糊的名词会迫使模型猜测。「一个人」可能是任何人。要尽量具体：大概年龄、体型、服装、姿态。写成「一位 30 多岁中段的女性，运动型身材，穿着一件破旧的海军蓝雨衣」会比单写「一个女人」更稳定地返回一致的结果。

如果角色需要在整个视频中保持一致，而不只是单个片段，描述就不够了。角色参考指南会说明该怎么做。

2. 动作

每个片段一个明确动作，使用现在进行时。一个片段内有两个相互竞争的动作通常就是变形开始的地方，因为模型倾向于混合它们而不是把它们排序。如果有两件事同时发生，那就是两个场景，ClipPilot 会生成两段内容。

3. 环境

把主体放在真实的地方。三到五个具体细节是最佳：一天中时间、天气、表面质感，以及一两个能确立场景的物件。细节太多会和主体争夺模型的注意力，某些细节就会被丢在你没选择的位置。

4. 镜头

这是人们常忽略的一层，但也是最能让产出看起来有意图的一层。这些模型看过大量被专业标注的影视片段，因此它们对真实的镜头语言反应很好。

• 平移与俯仰。在固定位置左右或上下旋转。适合揭示空间。
• 推近和拉远。相机向主体靠近或远离。推近增强亲密感和压迫感。拉远打开画面并使主体孤立。
• 跟随。与主体并行移动，保持速度一致。适合任何走路或驾车场景的默认镜头。
• 环绕。围着主体旋转。看起来像高成本的英雄镜头，但也最考验稳定性，所以最容易出现晃动。
• 手持。有机的抖动。给人生猛真实的感觉，也能掩盖固定机位会暴露的小型AI瑕疵。
• 静态广角。是真正的选择，不是退路。当主体自身运动就能承载镜头时，静止相机常常比移动相机更干净利落。

5. 光线与氛围

光线是提示词中每个词产生效果最多的层次。“暖色钠灯街灯”、“肩部的柔和轮廓光”、“阴天漫散的日光”和“半边脸的硬阴影”，每一句四个词左右就能改变镜头的整体情绪。如果你只想往已有提示里加一层，就加这层。

组合提示

按顺序叠加的层次：

一位30多岁的女性，穿着风化的藏蓝色雨衣，迅速走过东京一条狭窄的巷子，双肩蜷着防雨，路过蒸汽口和手绘招牌。相机在眼平位置并行跟随她。湿漆黑的柏油反射着暖色钠灯，店面间有深深的阴影。

主体、动作、环境、相机、光线。读起来像导演在给剧组做交代，这也是一个合适的心智模型。

为竖屏构图写提示

9:16 的画面不是把 16:9 横屏翻过来，忽视这一点的提示会产出在技术上可用但在信息流中感觉不对的片段。

利用高度。竖屏在全身构图时很宽裕，但在横向开阔构图时会显得局促。要求“全身镜头，眼平”可以把整个主体舒适地纳入画面。要求宽阔的横向全景时，你只会得到一条很窄的画面切片。

偏好竖向镜头运动。仰视建筑、俯冲到主体或推进都在高画面里很自然。长时间的横向平移会显得局促，因为画面无法展示你平移所经过的足够内容。

注意画面上方的内容。在 TikTok、Reels 和 Shorts 上，屏幕底部会被字幕和描述覆盖，右侧是互动按钮。ClipPilot 自己的字幕在开启时会横跨画面中轴。这样一来，上三分之一成为最可靠的可视区域，把主体置于那里能避免被遮挡。

以运动开场。算法非常看重前几秒，开头用静止的建立镜头就是把最宝贵的时刻浪费在无事上。把动作放在前面。“从微距特写迅速拉远，揭示霓虹天际线，一辆悬浮车从镜头前擦过”比“相机缓慢向前穿过霓虹城市”更能抓住注意力。

ClipPilot 为你处理的内容

把分工讲清楚很重要，因为这会改变你该写什么。

你不需要在提示里写字幕、配音、音乐或镜头之间的过渡。这些是创建页面上的设置，而不是提示文本。在视频提示里要求“屏幕上显示文字 X”往往会产生混乱的AI字体而不是干净的字幕，所以把这交给字幕系统来处理。

你也不需要写镜头清单。ClipPilot 会把你的脚本或想法拆成多个场景，并为每个场景生成一个片段，所以一个提示会变成一个多场景视频。这本身值得理解，已在 如何把一个想法变成完整视频 中说明。

检查清单

在生成之前，读一遍你的提示并检查：

• 有没有具体的主体，还是用了占位名词？
• 是否只有一个明确的动作，并以进行中的移动来描述？
• 相机是否在做具体的动作？
• 光线有描述吗？
• 对于竖屏：主体是否为高画幅构图，位置是否足够靠上以免被字幕和平台覆盖遮挡？
• 前0.5秒内是否有任何移动？

通常，六条中有五条的差别，会决定你是直接发布素材还是要重新生成。