图生视频提示词怎么写才不崩：一套能过审的五段式结构

下面是我们在工作室里实跑模型时用的提示词结构。它跟具体模型无关：Veo 3.1、Sora 2、Kling、Seedance、Wan 2.5 都能用同一套骨架，只是末尾各有两行需要微调的地方。

为什么大部分图生视频提示词会翻车

最常见的第一次尝试，是一口气把主体、地点、气氛、风格、运镜全写进去。可主体、地点、风格这三样，你的图已经交代完了，提示词里三分之二的内容是重复的。更糟的是，这些重复里经常有和图片打架的部分——图是灰调影棚，提示词却在要黄昏。

第二个坑是运动量含糊。"让她笑一下"没说笑多少、多快、镜头动没动。模型只能自己猜，而一猜，画面就容易滑向恐怖谷：要么动得太猛，要么整张脸开始漂移。

五段式提示词骨架

能扛过渲染的提示词，按固定顺序回答五个问题。短句比文学化长句好，模型读的是意图，不是文采。

这张表里真正决定成败的是两行：运动幅度和镜头。它们决定了一段画面看起来是"拍到的"还是"生成的"，而这恰恰是新手最容易漏掉的两行。

模型真正认得的那几个镜头词

视频模型不是摄影指导，但它对一小批词汇反应相当稳定。以下这些是我们在测试里没有产生画面扭曲的说法：

• 固定三脚架机位——人像和产品图最安全的选择，除了主体之外什么都不动。
• 缓慢推近——朝主体轻轻推进，用于加张力而不重画背景。
• 缓慢拉远——露出更多环境，适合上传图里主体周围有留白的情况。
• 左摇 / 右摇——画面横向移动。用在静帧上会在边缘暴露出模型脑补的细节，所以摇的幅度要小。
• 手持轻晃——一点点晃动就能让完美渲染变得像实拍，但千万别多。
• 环绕——绕着主体转，只在不背景干净的产品图上靠谱。

反过来，凡是暗示剪辑、穿墙变焦、中途换镜头的说法都要避开。一条短片子就是一个连续镜头；你想在八秒里塞进蒙太奇，得到的只会是一团糊。

运动强度：没人提的那个旋钮

每个图生视频模型都有一个隐含的"运动强度"滑块，你没有数字可调，只能用措辞控制。"细微""轻轻的""几乎不动"往下压；"冲刺""旋转""爆开"往上顶。误区是把高运动量当成"更有意思"。可高运动量正是脸糊、手指多长一根的源头。

人像要低：一次眨眼、一次呼吸、一缕头发飘动，就够撑起可信的短片。产品图中等：缓慢旋转或一道扫光。风景和抽象素材可以高，因为画面里没有脸和手可以画错。

运动量是一笔预算。把它花在你希望观众注意的那一件事上，其余全部保持静止。

五种崩法，五种改法

这五条改法里有两条是"删"而不是"加"。只要画面开始偏离原图，第一件事就是删掉所有描述外观的句子：颜色、光线、镜头、情绪，这些都已经由你上传的像素固定了。

各模型的脾气

由此得出一个实操结论：不要拿同一条提示词跑五个模型然后比输出。要复用骨架，然后针对每个模型最在意的那两行做微调，否则你测的是提示词和模型之间的错配，不是模型水平。

三十秒能跑完的检查清单

1. 1提示词里是否只有一个主体动作？
2. 2是否写明了运动幅度（细微 / 中等 / 较大）？
3. 3是否写明了镜头动作，哪怕答案是"固定"？
4. 4是否删掉了所有描述外观的句子？
5. 5描述的这个动作能在片长内做完吗？
6. 6把这条提示词换到另一张图上还说得通吗？如果是，重写。

生成前把这张清单过一遍，大部分重试预算就省下来了。剩下的失败通常来自模型选错，而不是提示词结构有问题——而选错模型，是便宜得多的问题。