视频提示词与图像提示词，是两种不同的技能
图像提示词描述的是一帧画面。视频提示词描述的则是随时间发生的变化——什么在动、镜头怎么运动、先发生什么后发生什么，而且越来越多时候，还要描述听起来是什么样。要在一两句话里说清楚这么多东西并不容易，这也是为什么那些在静态图像上很好用的提示词习惯（比如"黑色大理石上的一根金色香蕉，影棚灯光"），放到视频里往往会生成画面死板、缺乏生气的片段。
解决办法不是把提示词写得更长，而是让它更有结构。
五个构成要素
在本平台上，每一条优秀的视频提示词基本都会按下面这个顺序，覆盖五个要素：
- 主体——画面里是谁、是什么。要具体描述外观，而不只是给个类别："一位穿红色风衣的女性"，而不是"一个人"。
- 场景——在哪里、什么时候。时间和地点能免费为画面增添大量信息："雨后的东京十字路口，夜晚"，比"一座城市"能告诉模型多得多的信息。
- 动作——片段里究竟发生了什么。视频模型渲染的是运动，所以要给它运动去渲染：行走、转身、伸手去拿杯子、蒸汽升腾。
- 镜头语言——画面如何取景、如何运动（见下方速查表）。这是大多数人会漏掉的、性价比最高的一项。
- 风格与灯光——视觉处理方式：电影感、手持纪录片风格、黄金时刻、霓虹灯光、黑白胶片颗粒感。
一条精简却完整的提示词，能在一两句话里覆盖全部五个要素："一位金色香蕉宇航员缓缓飘过土星环，镜头缓慢环绕，电影感灯光，远景镜头，画面透出宏大与寂静之感。" 主体（香蕉宇航员）、场景（土星附近）、动作（飘浮）、镜头（缓慢环绕、远景）、风格（电影感，"寂静"暗示了氛围与声音）。
镜头语言速查表
视频模型对真正的电影摄影术语反应很好，因为这些词汇在训练数据里大量出现。以下几个词可靠好用：
- 环绕镜头 / 弧形运镜（Orbit / arc）——镜头围绕主体转动
- 推镜头 / 拉镜头（Dolly in / dolly out）——镜头本身朝主体靠近或远离（这和变焦（zoom）不同，变焦时机位不动，只是焦距在变）
- 急速推镜（Crash zoom）——快速、戏剧化的推近
- 固定镜头（Static / locked-off）——镜头完全不动，适合让动作本身撑起整个画面
- 手持镜头（Handheld）——轻微的自然晃动，读起来像纪录片或跟拍素材
- 航拍掠过（Drone / aerial pass）——从空中掠过的大幅度运动
- 焦点转移（Rack focus）——画面内的焦点从一个主体转移到另一个主体
- 慢动作（Slow motion）——不言自明，但明确写出来仍然很重要
选一个，最多两个。把五种镜头运动硬塞进一个 5 秒的片段，只会让结果变得混乱。
围绕时长与画幅做规划
本平台上的每个模型都有一份固定的片段时长菜单，而不是一个可以随意拖动的滑块，写提示词之前先了解这份菜单很值得：
- Kling——5 秒或 10 秒
- Veo 3.1——4 秒、6 秒或 8 秒
- Sora 2——4 秒、8 秒或 12 秒
- Seedance——5 秒或 10 秒
更短的片段适合承载单一、干净利落的动作——一件产品转动、一只手伸入画面、一个手势。更长的片段可以承载一个小的连续动作（比如某人走进画面、坐下、端起杯子），但如果你按顺序描述这套动作，效果会更好，因为模型实际上是在根据你的文字规划一份迷你分镜表。
画幅比例应该匹配片段的最终用途，并且要在生成之前就定好，而不是生成后再裁切：
- 16:9——适合 YouTube、落地页和传统视频位
- 9:16——适合 TikTok、Reels 和 Shorts
- 1:1——适合信息流帖子
负面提示词：说清楚不该发生什么
本平台上的 Kling、Veo 3.1 和 Wan 都支持负面提示词——一个独立字段，专门用来填写你希望模型主动避免的内容，而不是把"没有文字、没有水印、不要模糊"这类要求硬塞进主提示词里，跟你真正想要的内容互相争夺注意力。遇到反复出现的问题时用它最合适：变形的手、多余的肢体、文字瑕疵、运动模糊，或者悄悄混入了你没要求过的风格。
图生视频与文生视频的提示词写法
如果你要用图生视频给一张现成的照片赋予动态，就不用再写主体和风格描述了——图像本身已经把这两者都定义好了。把整条提示词都花在动作本身上："缓慢推近，杯中蒸汽升腾，镜头轻轻晃动。"重新描述照片里已经存在的内容没有帮助，反而可能和模型看到的画面产生冲突。
而对于纯粹的文生视频，你是在从零定义一切，所以上面完整的五要素结构不是不重要，而是更加重要。
像真正在意结果一样去迭代
把你的第一次生成当作草稿，而不是最终答案。一个实际有效的迭代循环：
- 写一条包含全部五要素的精简提示词，生成一次。
- 看看哪里不对——通常是镜头运动、节奏，或某个具体的视觉细节。
- 每次只增加或调整一处，而不是把整条提示词推倒重写。如果动作没问题、只是灯光偏平淡，那就只动灯光相关的措辞。
写 AI 视频提示词，更像是在做导演，而不是写一句配文。你能把一个真正的摄影师会做的事情描述得多精确，最终结果就能多接近你脑海中的画面。想看看每个模型在这些提示词上的实际表现，可以参考我们的 Kling、Veo、Sora 与 Seedance 对比评测。