AI文生视频提示词怎么写？镜头、动作、时长三个关键项

AI文生视频提示词写多细才算够？我以前也觉得一句话足够，写细了反而束手束脚。2026年8月14日晚，我拿同一个画面想法「雨夜街边面馆，蒸汽升腾」做了组对照：一句话版、加镜头语言版、镜头加动作加时长全写版，每档各生成10次，同用可灵网页端，每段5秒，720p，一晚跑完，避开模型版本变动的干扰。

结果挺打脸。一句话版10次里只有2次能直接用，全写版7次可用，差了三倍多。下面把三档原文和改法摊开讲。

同一个画面，三档写法各生成10次，可用数差了三倍多

详略档位直接决定出片稳定率：三档实测可用数是2次、4次、7次，全写版明显最稳。差距不在文笔，在对齐。模型缺了镜头、动作、时长里任何一项，就只能自己猜，猜成什么样全看运气。

三档提示词原文照抄如下。一句话版：「雨夜的街边面馆，蒸汽升腾，烟火气」。加镜头语言版：「雨夜的街边面馆，蒸汽升腾。镜头从街对面缓慢推近，暖黄灯光，浅景深」。全写版：「雨夜的街边面馆。镜头从街对面缓慢推近，全程单机位不切换，始终对准锅面蒸汽；穿蓝色围裙的老板娘用漏勺搅动锅里的面，只做这一个动作；前2秒画面静止只有蒸汽在动，第3秒老板娘开始搅面，5秒内完成，节奏平缓」。

说实话，看到一句话版只有2次可用时我愣了一下。能用的第4次和第9次，恰好都取了中远景，人脸小到看不出变形。挺离谱的，稳定率居然靠「看不清」来兜底。全写版的7次里，废掉的3次也集中在同一个毛病：5秒被塞得太满，动作赶。

AI文生视频提示词三个关键项，各写到什么程度算够

镜头只给一个机位加一个运动并写清起止，动作只留一个主动作，时长写出节奏句，三项全给可用率最高。少一项，模型就自己补，补出来多半不是你要的。

镜头怎么写。写「从哪开始、怎么动、对准谁」，比如「从蒸汽后缓慢推近，始终对准锅面」。别写「电影感运镜」这种虚词，模型会给你加花活。8月15日我试过一句「希区柯克式变焦」，10次里3次把人脸拉到变形，老实讲得不偿失。「航拍」「环绕」这类词在5秒片段里也是坑，环绕到一半时间就到了，画面直接断掉。改成「缓慢右移半圈」后，完成率高出一截。

动作怎么写。一个主动作，就一个。模型对动作时序的理解还很弱，两个连续动作几乎必瞬移：上一帧漏勺还在锅里，下一帧面已经装盘，中间过程整段消失。「甩面下锅」就只写甩面下锅，装盘是下一条的事。

时长怎么写。给动作留缓冲，直接写节奏句：「前2秒静态，第3秒开始搅面，5秒内完成」。8月19日我把这句加进老板娘那条提示词重跑10次，8次没有瞬移，比不加的版本多出4次可用。这行字是我目前测到性价比最高的一句。

话说回来，蒸汽这种半透明元素在文生图里也是老大难，写「少量蒸汽贴着锅面」比「蒸汽升腾」可控得多。这是画面元素的事，扯远了，回到三项本身。

三类翻车怎么救：主体变形、动作瞬移、镜头乱切

变形锁主体数量和外貌，瞬移砍到一个主动作加节奏句，乱切写明全程单机位不切换，对症下药都验证过有效。30次生成里这三类我全撞到过，改法见下。

主体变形多发在人脸和手。一句话版6次，全写版只1次。改法是把主体写死：「一个穿蓝色围裙的老板娘」，数量加特征，别写「几个人」「人群」。数字越具体，模型越不敢加人。

动作瞬移是加镜头语言版的主力失败，3次。镜头稳了，动作却跳帧。解法就是上一节说的主动作加节奏句，砍到只剩一个动作后，这条几乎绝迹。不夸张地说，砍动作往往连变形率一起降，因为模型不用在5秒里塞太多事。

镜头乱切最烦人。一句话版4次自己加切镜，5秒切了三四个机位，回来剪都没法剪。改法只要几个字：「全程单机位，不切换镜头」。5个字救一片。

回到那碗雨夜面馆。最后用进成片的，是全写版第6次生成的片段：蒸汽贴着锅面，老板娘在第3秒准时搅动漏勺，一次没废。AI文生视频提示词的差距从来不靠辞藻华丽，镜头、动作、时长三顶写满，稳定率自然就上来了。你下一条提示词，先从补齐这三项开始。

常见问题

文生视频提示词用中文还是英文写？

用国内工具直接写中文，语义损耗小。用海外工具可以写英文，翻译时保住动词和数量词，形容词砍一半，别逐字直译。

提示词里要不要堆画质词，比如8K、电影感？

写一个就够。堆多了占描述预算，还容易触发奇怪的色调，我实测以8K开头的那条整体偏灰，砍掉后恢复正常。

负面提示词有用吗？

有用，但别贪长。写「变形、多余的手、镜头切换」这类3到5个词足够，堆十几条反而互相打架。

10秒的片段和5秒写法一样吗？

节奏句要改。10秒可以给两个主动作，机位仍然只写一个，两个动作中间留半秒过渡，不然瞬移会回来。

延伸阅读

提示词的通用结构和排序逻辑，可以看这篇ai提示词怎么写。

如果画面想法已经有一张满意的参考图，走图生视频往往比纯文字更稳，写法差别见ai图生视频提示词。