AI视频生成提示词实战：从基础公式到多镜头叙事

AI视频生成提示词Prompt工程

于 2026-07-07 15:51:10 修改

·本内容遵循CC 4.0 BY-SA版权协议

你是不是也遇到过这种情况：想用 AI 生成一个视频，输入了“一只猫在玩”，结果出来的要么是静态图片，要么是动作僵硬、不知所云的片段。或者，你精心构思了一个复杂的场景描述，AI 却只理解了其中一小部分，生成的视频和你脑海中的画面相去甚远。

问题出在哪里？答案往往不在模型本身，而在于你给它的“指令”——提示词（Prompt）。

很多人把 AI 视频生成想得太简单，以为像聊天一样随便说两句就行。实际上，从“文生图”到“文生视频”，指令的复杂度是指数级上升的。图片是静态的，描述一个瞬间即可；而视频是动态的，需要描述时间线上的变化、镜头运动、声音配合，甚至多角色互动。一个模糊的提示词，就像给一个顶级厨师一张写着“做点好吃的”的纸条，结果可想而知。

今天，我们不谈空洞的理论，直接通过两个实战案例，手把手拆解如何写出能让 AI 精准“听懂”并执行的视频提示词。我们将以阿里云百炼平台的“万相”AI视频模型为例，因为其官方文档提供了目前最系统、最落地的提示词公式，极具参考价值。无论你使用的是 Sora、Runway、Pika 还是其他工具，这些结构化思维和技巧都是通用的。

读完本文，你将掌握：

结构化提示词公式：从“主体+场景+运动”的基础三要素，到包含声音、多镜头、参考生视频的进阶公式。
两个深度案例拆解：从零开始，一步步构建一个温馨的“冬日小猫玩雪”场景和一个复杂的“多镜头叙事短剧”。
可复制的代码与工作流：如何利用大语言模型（如通义千问）自动优化和扩写你的提示词。
避坑指南与最佳实践：避开新手常犯的错误，写出高质量、高可控性的视频提示词。

1. 为什么你的AI视频提示词总是不奏效？

在深入案例之前，我们必须先建立一个核心认知：AI视频生成不是魔法，而是基于概率的预测。 你给的提示词越清晰、越结构化，模型预测出的下一帧画面就越符合你的预期。

常见的失败提示词有以下几类：

过于笼统：“一个美丽的风景”。（模型：什么样的风景？山？海？草原？动态呢？）
缺乏时序：“一个人在跳舞”。（模型：从哪开始跳？跳什么舞？镜头怎么动？）
逻辑矛盾：“在寂静的图书馆里大声唱歌”。（模型：到底要安静还是喧闹？）
忽略运镜：“两个人对话”。（模型：是特写还是全景？镜头切换吗？）

阿里云万相模型的官方指南揭示了一个关键：高质量的AI视频生成，本质上是将导演思维翻译成机器语言。 你需要告诉AI：谁（主体）、在哪（场景）、做什么（运动）、怎么看（镜头/运镜/风格）、听什么（声音）。这就是结构化提示词的起点。

2. 核心公式拆解：从“拍脑袋”到“写剧本”

根据官方文档，我们可以将提示词写作归纳为几个层层递进的公式。理解这些公式，是写出有效提示词的基础。

2.1 基础公式：确保视频“有东西可看”

TEXT

提示词 = 主体 + 场景 + 运动

主体：视频的核心表现对象。可以是人、动物、物体，甚至是抽象概念（如“一团能量”）。
场景：主体所处的环境。包括背景、前景、时间、天气等。
运动：主体或环境的动态变化。这是视频区别于图片的核心。

示例对比：

差：一只猫（只有主体）
中：一只猫在雪地里（主体+场景）
好：一只毛茸茸的小奶猫在冬日清晨的雪地庭院里玩雪球（主体+细节场景+具体运动）

这个公式能保证生成一个内容完整、动态合理的短视频，适合快速测试和灵感激发。

2.2 进阶公式：提升视频的“质感”与“故事性”

TEXT

提示词 = 主体（主体描述） + 场景（场景描述） + 运动（运动描述） + 美学控制 + 风格化

在基础三要素上，增加了对画面质量和艺术风格的精细控制。

主体/场景/运动描述：增加形容词和细节。例如，“身着少数民族服饰的黑发苗族少女”、“破旧却华丽的服饰”、“猛烈地摇摆”。
美学控制：相当于摄影指导。包括：
- 光源：日光、火光、霓虹灯光。
- 光线类型：柔光、硬光、侧光、逆光。
- 景别：特写、近景、中景、全景。
- 视角/机位：俯拍、仰拍、过肩镜头、航拍。
- 运镜：镜头推进、拉远、平移、环绕。
风格化：定义视觉艺术风格。如“赛博朋克”、“水墨画风”、“黏土动画风格”、“8-bit像素风”。

这个公式让你能像导演一样，精确控制画面的视觉呈现。

2.3 声音公式：实现“声画同步”

（适用于万相2.5/2.6/2.7等支持音频的版本）

TEXT

提示词 = 主体 + 场景 + 运动 + 声音描述（人声/音效/背景音乐）

视频是视听艺术。声音公式让你能描述音频元素，实现更沉浸的体验。

人声 = 角色说话的内容 + 情绪 + 语调 + 语速 + 音色 + 口音
- 示例：一个男人在讲脱口秀，他说道：“好好学习，天天向上”，语气轻松，语速适中，声音清亮，美式英文。
音效 = 音源材质 + 行为 + 环境音
- 示例：一个玻璃小球从桌面掉在木质地面上，发出“砰”的声音，室内安静环境。
背景音乐 = 背景音乐/配乐 + 风格
- 示例：雨夜，阴森窄小的走廊，尽头有一扇窗户，配有悬疑风格背景音乐。

2.4 多镜头公式：创作“叙事短片”

（适用于万相2.6/2.7等版本）

TEXT

提示词 = 总体描述 + 镜头序号 + 时间戳 + 分镜内容

这是创作故事性短视频的利器。你可以规划镜头序列，控制节奏和转场。

总体描述：概述视频主题和风格。
镜头序号：镜头1， 镜头2...
时间戳：[0-3秒]， [3-6秒]，确保内容与时长匹配。
分镜内容：为每个镜头单独撰写提示词，可包含上述所有元素。

2.5 参考生视频公式：实现角色/风格一致性

（适用于万相2.6/2.7等版本）当你有一张人物肖像、一个卡通形象或一个特定场景的图片，想让它“动起来”或融入新场景时，就需要这个公式。

万相2.7公式：提示词 = 参考指代 + 动作 + 场景 + 台词（可选）+ 背景音乐（可选）
- 示例：视频2抱着图3在咖啡厅里弹奏一支舒缓的美式乡村民谣，视频1笑着看着视频2。（其中“视频2”、“图3”、“视频1”指代你上传的参考素材）。
万相2.6公式：提示词 = 主角 + 动作 + 台词 + 场景
- 示例：character1在草地上蹦跳着玩耍，character2在旁边的一颗苹果树下弹奏钢琴，一颗苹果掉到了character2的头上，character1开心地指着character2说：“你要变成科学家了！”。（其中character1、character2指代参考视频中的角色）。

3. 案例一：从“一句话”到“一部短片”——冬日小猫玩雪

目标：将一句简单的“小猫在雪地里玩雪球”，扩展成一个充满细节、声画俱佳的5-10秒短视频。

3.1 原始想法与问题诊断

我们最初的念头是：小猫在雪地里玩雪球。

问题：过于简单。猫是什么品种？多大？雪地是什么样？玩的具体动作是什么？有声音吗？画面风格是什么？
结果预测：AI自由发挥，可能生成一只普通猫在模糊雪景中做不明动作的普通视频。

3.2 应用进阶公式进行扩写

我们按照 主体+场景+运动+美学控制+风格化 的结构来丰富它。

主体描述：一只毛茸茸的、眼睛圆溜溜的布偶猫幼崽。（确定了品种、年龄、外貌特征）
场景描述：冬日清晨，一个铺满厚厚积雪的日式庭院，屋檐下挂着冰凌，远处有一个堆好的小雪人，几株松树上覆盖着白雪。（确定了时间、地点、环境细节）
运动描述：小猫先用鼻子好奇地碰了碰雪球，然后用前爪尝试滚动雪球，雪球越滚越大，小猫兴奋地跳起来扑向雪球，结果摔了个屁墩儿，甩甩头又继续玩。（描述了连贯、有因果的动作序列）
美学控制：柔和的晨光，侧光，微距特写与中景切换，镜头缓缓跟随小猫运动。（控制了光线、景别和运镜）
风格化：吉卜力动画风格，色彩温暖清新。（定义了整体艺术风格）

组合后的提示词：

TEXT

一只毛茸茸的、眼睛圆溜溜的布偶猫幼崽，在冬日清晨一个铺满厚厚积雪的日式庭院里（屋檐有冰凌，远处有雪人）玩雪球。它先用鼻子好奇地碰雪球，然后用前爪滚动雪球，雪球变大后兴奋地跳扑，结果摔了个屁墩儿，甩甩头继续玩。柔和的晨光侧射，采用微距特写与中景切换，镜头缓缓跟随。吉卜力动画风格，色彩温暖清新。

3.3 应用声音公式增添氛围

视频如果只有画面，感染力减半。我们加上声音描述。

人声：无（小猫不会说话）。
音效：
- 小猫爪子踩在雪地上的“咯吱”声。
- 雪球滚动时的“沙沙”声。
- 小猫扑空摔在雪地里的闷响。
- 它甩头时雪花飞溅的细微声响。
- 远处偶尔传来的清脆鸟鸣。
背景音乐：轻快、温馨的钢琴音乐，带有灵动的音乐盒音色，节奏活泼。

最终完整提示词：

TEXT

音效：爪子踩雪的“咯吱”声，雪球滚动的“沙沙”声，摔在雪地的闷响，甩头时雪花飞溅声，远处清脆鸟鸣。

背景音乐：轻快温馨的钢琴曲，带有音乐盒般灵动的音色。

效果对比：从一句模糊的话，变成了一个导演脚本。AI 能理解的信息量增加了十倍，生成视频的质感、趣味性和一致性会大幅提升。

4. 案例二：多镜头叙事短片——少年的午后邂逅

目标：创作一个15秒左右，包含三个镜头，有简单情节和情绪变化的叙事短片。

4.1 故事梗概与分镜设计

主题：夏日午后，一个在书店看书的少年，与一个匆匆跑过的女孩短暂对视，女孩遗落了一本书，少年拾起后望向她离开的方向。
情绪：宁静 -> 偶然 -> 怅然若失。
镜头设计：3个镜头。

4.2 应用多镜头公式撰写提示词

我们使用公式：总体描述 + 镜头序号 + 时间戳 + 分镜内容。

TEXT

这是一个关于夏日午后偶然邂逅的短剧，风格是日本青春电影风格，色调清新，带有一点淡淡的忧郁感。

镜头1[0-5秒]：夏日午后，阳光透过梧桐树叶洒下斑驳光影。一家安静的街角书店内，一个穿着白色衬衫的少年坐在靠窗的木桌前，专注地阅读一本厚书。手边放着一杯冰咖啡，水珠缓缓滑落。镜头从中景缓缓推至少年阅读时的面部特写，他神情宁静。环境音是书店里轻柔的爵士乐和翻书声。

镜头2[5-10秒]：硬切转场。书店玻璃门外，一个穿着碎花连衣裙、头戴草帽的女孩抱着几本书匆匆跑过，仿佛在赶时间。经过窗前时，她不经意间转头，与窗内抬头的少年视线相遇，时间仿佛静止了一秒。女孩微微一愣，随即抱歉地浅笑一下，继续跑开。镜头采用过肩视角，跟随女孩运动，背景虚化。音效是突然清晰的脚步声和短暂的安静。

镜头3[10-15秒]：镜头切回少年视角（POV镜头）。少年望向窗外，发现地上躺着一本女孩遗落的书（一本《小王子》）。他起身，走出书店门，俯身捡起书。他拿着书，望向街道尽头女孩消失的方向，眼神有些许迷茫和怅然。风吹过，书页轻轻翻动。镜头缓缓拉远，变成书店门口的远景，少年小小的身影立在午后的阳光中。背景音乐转为一段孤单的钢琴旋律。

公式解析：

总体描述：这是一个关于夏日午后偶然邂逅的短剧，风格是日本青春电影风格，色调清新，带有一点淡淡的忧郁感。（设定了基调和审美）
镜头1：明确了时间、地点、人物、动作、景别变化（中景->特写）、运镜（推进）、声音（环境音）。
镜头2：明确了转场方式（硬切）、人物动作、关键情节（对视）、视角（过肩）、声音变化。
镜头3：明确了视角（POV）、关键道具（书）、人物情绪、运镜（拉远）、音乐变化。

这个提示词已经具备了初级电影脚本的雏形，给予了AI非常明确的叙事指令，大大提高了生成视频故事连贯性的概率。

5. 自动化技巧：用大模型帮你优化提示词

手动构思如此详细的提示词费时费力。好消息是，我们可以用另一个大语言模型（LLM）作为“提示词工程师助理”。阿里云文档也给出了示例。

核心思路：将我们前面总结的结构化公式作为 system 指令（系统角色）喂给 LLM，让它根据我们简单的初始想法，生成符合公式的、丰富的提示词。

以下是一个使用阿里云百炼平台（兼容OpenAI API）的通义千问模型（qwen-plus或qwen-max）进行提示词优化的Python示例：

PYTHON

import os

from openai import OpenAI

# 初始化客户端，使用阿里云百炼的API

# 请替换为你的真实API Key，可从阿里云百炼控制台获取

client = OpenAI(

api_key=os.getenv("DASHSCOPE_API_KEY"), # 建议将API Key设置为环境变量

base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", # 阿里云百炼API端点

)

def optimize_video_prompt(user_prompt: str, style: str = "detailed") -> str:

"""

使用大模型优化视频生成提示词。

Args:

user_prompt: 用户简单的初始提示词，如“小猫在雪地里玩雪球”

style: 优化风格，可选 'detailed'(详细), 'cinematic'(电影感), 'simple'(简洁)

Returns:

优化后的完整提示词字符串

"""

# 定义系统角色，即“提示词优化助手”的指令

# 这里我们融合了基础公式和声音公式

system_content = """你是一个专业的AI视频提示词优化助手。请根据以下结构化公式，将用户简单的想法扩展成丰富、详细、可直接用于AI视频生成的提示词。

核心公式：提示词 = 主体（细节描述） + 场景（细节描述） + 运动（细节描述） + 美学控制（光源/光线/景别/运镜） + 风格化 + 声音描述（人声/音效/BGM）

请按以下结构组织你的回复：

1. 【主体】...

2. 【场景】...

3. 【运动】...

4. 【美学控制】...

5. 【风格化】...

6. 【声音描述】...

7. 【完整提示词】：将以上所有部分流畅地组合成一个段落。

要求：

- 描述具体，使用生动的形容词和名词。

- 运动描述要有时间顺序和因果逻辑。

- 美学控制要符合场景氛围。

- 声音描述要贴合画面动作。

- 最终输出的【完整提示词】段落要自然流畅，可直接使用。

"""

# 根据风格微调用户指令

if style == "cinematic":

user_content = f"请以电影感、富有镜头语言的方式优化以下视频创意：{user_prompt}"

elif style == "simple":

user_content = f"请优化以下视频创意，保持简洁但关键细节完整：{user_prompt}"

else: # detailed

user_content = f"请详细地优化以下视频创意，补充所有可能的细节：{user_prompt}"

try:

response = client.chat.completions.create(

model="qwen-plus", # 或使用 "qwen-max" 获得更强能力

messages=[

{"role": "system", "content": system_content},

{"role": "user", "content": user_content}

temperature=0.7, # 控制创造性，0.7比较平衡

max_tokens=1500,

)

optimized_prompt = response.choices[0].message.content

return optimized_prompt

except Exception as e:

print(f"调用API出错: {e}")

return None

if __name__ == "__main__":

# 测试用例1：优化“小猫玩雪”

simple_prompt = "小猫在雪地里玩雪球"

result = optimize_video_prompt(simple_prompt, style="detailed")

if result:

print("=== 优化后的提示词 ===")

print(result)

# 测试用例2：优化一个故事场景

print("\n" + "="*50 + "\n")

story_prompt = "一个宇航员在月球上发现了一朵花"

result2 = optimize_video_prompt(story_prompt, style="cinematic")

if result2:

print("=== 优化后的提示词（电影感） ===")

print(result2)

运行环境准备：

安装必要库：pip install openai
获取API Key：前往阿里云百炼控制台，创建API Key。
设置环境变量（推荐）：在终端执行 export DASHSCOPE_API_KEY='你的sk-xxx'（Linux/macOS）或在系统设置中添加。
运行脚本：python optimize_prompt.py

预期输出示例（节选）：

TEXT

=== 优化后的提示词 ===

1. 【主体】一只毛茸茸的、约三个月大的金渐层小奶猫，拥有琥珀色的大眼睛和粉嫩的鼻头。

2. 【场景】冬日晴朗的清晨，一个被厚厚白雪覆盖的古典欧式庭院。晶莹的冰柱悬挂在石雕栏杆上，远处有一个戴着胡萝卜鼻子和石子眼睛的雪人，几棵落光叶子的橡树枝头积着雪。

3. 【运动】小猫先是小心翼翼地用前爪试探性地拍了拍一个拳头大小的雪球，然后开始用两只前爪交替推动雪球，雪球在滚动中逐渐变大。小猫玩得兴起，试图用整个身体抱住大雪球，结果失去平衡向后仰倒，在雪地上留下一个猫形印记，它迅速翻身，甩掉脸上的雪，对着雪球发出“喵呜”的好奇叫声。

4. 【美学控制】柔和的晨间侧逆光，凸显小猫毛发边缘的金色光泽和雪地的质感。景别从雪球的微距特写拉开到小猫玩耍的中景，镜头带有轻微的呼吸感晃动，模拟手持拍摄的亲切感。

5. 【风格化】迪士尼皮克斯风格的3D动画，渲染真实，毛发和雪地质感细腻，色彩明亮温暖。

6. 【声音描述】人声：无。音效：爪子踩雪的“咯吱”声、雪球滚动的“沙沙”声、小猫摔倒的闷响、甩头的“噗噗”声、好奇的“喵呜”声、远处偶尔的鸟鸣。背景音乐：轻快、温馨的弦乐与钢琴交织的短曲，节奏活泼可爱。

7. 【完整提示词】：一只毛茸茸的金渐层小奶猫，在冬日清晨一个白雪皑皑的古典庭院里玩雪球。它先用爪子拍打雪球，然后推动雪球变大，试图拥抱时仰面摔倒，又迅速翻身好奇地打量。柔和的侧逆光下，镜头从特写拉至中景，带有轻微呼吸感。采用迪士尼皮克斯3D动画风格。音效包括踩雪声、滚动声、摔倒声、猫叫和鸟鸣，背景是轻快温馨的弦乐钢琴曲。

通过这个自动化流程，你可以将任何简单的灵感火花，快速转化为专业级的视频生成指令，极大提升创作效率。

6. 常见问题（FAQ）与排查指南

在实践过程中，你可能会遇到以下问题。这里提供排查思路和解决方案。

问题现象	可能原因	排查方式	解决方案
生成的视频完全偏离主题	提示词语义模糊，存在歧义。	检查提示词中的核心名词（主体）是否明确。避免使用“东西”、“地方”等代词。	将“一个东西在动”改为“一只红色的无人机在夜空中盘旋”。
视频动作僵硬或不符合物理规律	运动描述过于简单或逻辑矛盾。	检查运动描述是否连贯。例如，“跳起来然后坐下”是连贯的，“飞起来然后游泳”在普通场景下是矛盾的。	将“人物在运动”改为“人物从楼梯上快步跑下，在最后两级台阶时轻盈跃下，稳稳落地”。
画面闪烁、主体突变	提示词中不同描述冲突，或AI对时序理解混乱。	检查提示词中是否有相互冲突的风格或状态描述。在多镜头提示中，检查时间戳是否重叠或逻辑跳跃。	确保风格一致（如不要同时写“赛博朋克”和“水墨画”）。在多镜头中，确保镜头间动作衔接自然。
无法生成声音或声画不同步	1. 模型版本不支持音频。 2. 声音描述与画面动作时间不匹配。	1. 确认使用的模型（如万相2.5+）支持音频生成。 2. 检查音效描述是否对应了画面中的具体动作。	1. 切换到支持音频的模型。 2. 将“有音乐”改为“当他按下琴键时，响起一段清脆的钢琴旋律”。
参考生视频中角色形象变化大	1. 参考图质量不高（模糊、多主体）。 2. 提示词中动作描述与参考图姿态差异极大。	1. 检查参考图是否清晰、主体突出。 2. 检查动作描述是否在参考图姿态基础上进行合理延伸。	1. 使用高清、单一主体、姿态清晰的图片作为参考。 2. 动作描述从参考图姿态自然过渡，如“图1中的人物从站立变为缓缓坐下”。
提示词过长导致报错或忽略部分内容	模型有token长度限制，过长的提示词后半部分可能被截断。	简化提示词，优先保留核心指令（主体、关键运动、核心风格）。	使用“分阶段生成”策略。先用一个简短提示词生成大致视频，再用图生视频功能，以生成视频为参考，用新提示词细化调整。

7. 最佳实践与高级技巧

掌握了基础方法和案例后，以下技巧能帮助你更稳定地产出高质量视频：

先写“剧本”，再写“提示词”：不要边想边写。先用几句话写下你想讲的故事或看到的画面，然后再将其拆解成结构化提示词要素。
善用“负面提示词”：许多AI视频工具支持负面提示词（Negative Prompt），用于告诉模型不要什么。例如，可以加上“low quality, blurry, distorted face, extra limbs, bad anatomy”来规避常见低质量或畸形问题。
迭代优化，而非一次成功：将第一次生成的结果作为“草稿”。如果画面满意但动作不对，可以将其作为“图生视频”的参考图，在新提示词中只修改运动描述。这种工作流效率更高。
控制视频长度与节奏：目前多数AI视频生成长度有限（如4秒、10秒）。对于更长的叙事，可以分段生成多个短视频，后期剪辑拼接。在提示词中用“slow motion”（慢动作）、“fast paced”（快节奏）来控制时间感。
融合多种公式：一个提示词可以同时包含风格化、运镜和声音描述。例如：[电影感运镜] + [赛博朋克风格] + [具体场景动作] + [ synthwave背景音乐]。
建立你的提示词库：将效果好的“美学控制”词汇（如“cinematic lighting, anamorphic lens flare, shallow depth of field”）和“风格化”词汇（如“Studio Ghibli style, cyberpunk, oil painting”）收集起来，方便后续组合使用。

8. 总结：从“描述者”到“导演”

AI视频生成的门槛，正在从“会不会用工具”迅速转移到“会不会下指令”。通过本文两个案例的拆解，我们可以看到，写出好提示词的关键在于思维的转变：

从“描述画面”到“设计镜头”：不仅要告诉AI“有什么”，还要告诉它“怎么看”——用什么景别、什么角度、镜头怎么运动。
从“列举元素”到“构建叙事”：特别是对于多镜头视频，要有起承转合的时间线意识，用提示词控制节奏和情绪。
从“依赖模型”到“驾驭模型”：通过结构化公式和自动化工具（LLM优化），将模糊的创意转化为模型可精准执行的、低歧义的指令。

提示词工程是AI时代最重要的元技能之一。它不仅是与机器沟通的语言，更是将人类创意具象化的桥梁。现在，就打开你的AI视频工具，用今天学到的公式，从一个简单的想法开始，尝试导演你的第一部AI短片吧。记住，最好的学习方式是实践，然后迭代。