纪录片解说提示词怎么写？旁白的节奏和留白

纪录片提示词里最值钱的部分，不是教AI描述画面，是规定哪里不说话。2026年8月，我给一部拍家乡的短片写解说词，片子四分二十秒，二十一个镜头。第一版指令只写了「庄重大气」，出来的稿子满篇四字句，配画面像县级台的专题片。挺离谱的。

折腾到第三版，我摸出三个东西：节奏标记管一句话说多久，留白标记管哪里闭嘴，画面对应关系管每句话落在哪个镜头上。下面按翻车的顺序讲。

第一版为什么像新闻联播

第一版翻车的根源，是指令里只有「庄重大气」这类形容词，没有节奏信息，AI只能套用它见得最多的播音腔。

那版指令我的原话是：「为这部四分二十秒的家乡短片写解说词，语言庄重大气，有文化感。」三十秒出稿。四百一十二个字，二十一个镜头平均每个摊到二十个字，中间没有一处停顿。朋友听完只说了一句：像县志朗读。

问题出在哪？AI对「解说词」的默认想象就是播音腔，训练语料里最工整的解说样本基本都长这样。指令里不写节奏，等于把节奏的决定权交给了默认值。老实讲，我一开始还怪模型笨，回头看清第一版指令，才发现自己一个字都没提「怎么读」。

顺带说个判断：口播稿的断句和提词节奏，跟解说词是两回事。前者服务人读，后者服务片子呼吸。我参考过播音提词器怎么用？口播稿的断句和提词节奏里的断句思路，直接照搬会把片子带快，只借了它「按气口断句」这一条。

纪录片提示词的三类标记：节奏、留白、画面对应

节奏标记管一句多久、留白标记管哪里不说话、画面对应关系管每句话落在哪个镜头，三样都写进指令，AI才不会自己发挥。

先说节奏标记。我用了两种写法，一种是硬约束：「每句不超过十二个字，两句之间空一拍」；另一种是标调子：「这段用陈述调，句尾下沉，不要上扬」。单用前一种，句子是短了，读起来还是赶。加上后一种，才松下来。

留白标记是这次最大的发现。短片的第三个到第六个镜头是清晨的溪埠头，捶衣声、鸭群下水、雾还没散。我在指令里写：「[00:32-00:48]此处只有环境声，不配任何旁白」。第一版没有这行，AI很贴心地把这段也填满了词。环境声本身怎么描述，我单独整理过一篇音效提示词怎么写？给视频配环境声的描述方法，两份指令可以对着用。

画面对应关系最简单，也最容易被省掉：要求AI按镜头号输出，一行一条，格式固定为「镜头号｜旁白｜预计时长」。有这个格式，哪句话压着哪个镜头一目了然，改哪句直接定位，不用整篇重读。

三版解说词的读感对比

同一个溪埠头镜头，新闻腔版在讲解，聊天腔版在碎嘴，只有低语态版像蹲在你旁边说话，字数差了一半还多。

同一个镜头摆出来更直观。第一版写的是「青石板路蜿蜒千年，见证着古镇的沧桑变迁」；第三版写的是「路比镇上最老的人还老」，后面跟一行留白标记，空四秒。

从第二版到第三版，我只往指令里加了三条硬规矩：一，只用陈述句，全稿不许出现感叹号；二，一个镜头只说一件事；三，形容词每句最多留一个。字数从三百五十六掉到一百六十八，砍了快一半。不夸张地说，成片读感提升最大的就是这三条。

话说回来，低语态也不是处处适用。讲工艺流程、讲数据变化的段落，还是得让句子立起来，信息密度优先，溪埠头那套留白就要收着用。情绪段落用低语态，说明段落用正常语态，一部片子里两种语态换着来，比一路到底更像人话。

可以直接抄走的成稿指令

成稿指令的关键，是先给AI分好段的镜头清单和几条硬规定，再让它按「镜头号｜旁白｜留白」输出，最后自己动手删三分之一。

第三版定稿用的指令原样放在这里，镜头清单部分换成你自己的就行：

你是一部4分20秒家乡短片的解说词作者，片子共21个镜头，清单如下（粘贴镜头号和每个镜头的画面描述）。

写法规定：
1. 低语态：只用陈述句，不用感叹号，每句不超过12个字，每句最多1个形容词；
2. 一个镜头最多一句旁白，一个镜头只说一件事；
3. 我标注「留白」的镜头，只输出「此处只有环境声」，不写任何字。

输出格式：镜头号｜旁白｜预计时长（秒）。
写完自检：删掉所有「见证」「诉说」「岁月」「变迁」，删完再读一遍，能删的字都删掉。

末尾那句自检不是摆设。模型对「解说词」这个词的惯性很重，不加这句，它写完会顺手把大词塞回去。我试了下，加与不加，返工次数差出一倍。

短片最后定在凌晨五点半的溪埠头：四秒只有水声和捶衣声，那句「路比镇上最老的人还老」才进来。回头翻那份纪录片提示词，没一条是什么高级技巧，全是给自己划的禁区——哪里不许说，一句说几个字，形容词留几个。旁白的呼吸感不是写出来的，是删出来的。

常见问题

留白一段留多长合适？

我的经验值：单一动作的画面留3到5秒，情绪落点留6到8秒，超过10秒观众就开始走神，除非那段声音本身是主角，比如雷雨或者庙会锣鼓，那就让声音撑满整个镜头。

旁白可以先于画面半拍出现吗？

可以，这叫引导式进入，旁白先抛半句，画面跟上来补完，适合转场镜头。我用过一次，比严格对位要活。但一部片子里别超过两三处，多了显得刻意。

AI写的解说词一股翻译腔怎么办？

在指令里加两条：主语前置，删掉「这是……的」结构。出稿后再通读一遍，凡是你自己读着会停顿半秒的句子，直接拆成两句。

没有分镜清单，只有一个主题能写吗？

能，但别直接要成稿。先让AI按主题列一份镜头清单，你来砍掉三分之一，剩下的再进解说环节。清单不过你的手，旁白就跟画面对不上。