图生视频 AI 提示词设计：从入门到精通

你输入「一只猫在跳舞」，AI 生成的却是一坨像素糊在一起的抽搐动画。问题不在模型——Runway、Kling、Sora 都能生成电影级画面——问题在你跟模型"沟通"的方式上。提示词写得太笼统，AI 就只能瞎猜，猜对的概率约等于零。

翔宇测试了 Runway、Kling、Sora 等主流模型的图生视频效果后，总结出了一套结构化提示词设计方法。

这篇文章帮你搞懂图生视频提示词的设计方法——从模型选择到提示词结构，从实战案例到避坑指南，一步步走完。掌握了提示词设计的核心逻辑，你就能让 AI 真正成为你的视频创作助手，而不是一台随机出图且不可控的机器。

要点速览

• 图生视频提示词核心：描述「运动方式」而非静态画面，告诉 AI 主体怎么动、镜头怎么走
• 不同模型适配策略不同：Runway 偏创意自由度，Kling 偏指令精确控制，Pika 偏快速原型
• 提示词模板结构：主体动作 + 镜头运动 + 环境变化 + 时长节奏
• 商业应用方向：产品展示视频、社交媒体内容、电商详情页动态图

全景地图：主流图生视频模型

在写提示词之前，你需要了解当前有哪些模型可用，以及它们各自的特点。2025-2026 年是 AI 视频生成的爆发期，模型迭代速度极快，每隔几个月就有重大升级。

翔宇的观察：2026 年的趋势是多模型协作。专业创作者通常用 Sora 或 Veo 生成主体素材，用 Runway 做风格化精修，用 Pika 或 Kling 快速出社交媒体变体。单一模型打天下的时代已经过去了。

模型选择决策树

不确定该用哪个模型？按这个逻辑走：

1. 预算有限 + 刚入门 → Hailuo AI 或 Kling 免费版，零成本练手
2. 社交媒体量产 → Kling 2.6（速度快、支持长视频）或 Pika 2.5（性价比高）
3. 需要带声音的视频 → Veo 3.1（原生音频生成）或 Kling 2.6（同步音视频）
4. 电影级品质 → Sora 2.0（物理模拟最强）或 Runway Gen-4.5（控制力最强）
5. 电商产品展示 → Seedance 2.0（产品一致性好）
6. 角色一致性要求高 → Runway Gen-4.5（参考图锚定面部/造型）

搞懂了各模型的特点，你就知道针对不同模型该怎么写提示词了。

模型选择的常见误区

翔宇见过很多新手犯的第一个错误是"什么都想试"——今天用 Runway 明天用 Kling 后天换 Sora，每个模型都浅尝辄止。结果？每个模型的"脾气"都没摸透，提示词写得不伦不类，生成效果自然不理想。翔宇的建议是选定一个主力模型深度使用至少两周，把它的优势和局限都搞清楚后再考虑多模型协作。

第二个常见误区是"只看价格不看效果"。免费模型确实降低了入门门槛，但如果你是要做商业项目——比如电商产品视频或品牌广告——省下的几十块钱远不如多花一点拿到更高品质的素材划算。翔宇做过一个对比测试：同一个提示词在免费模型和付费模型上生成的产品展示视频，客户选中付费模型版本的概率超过百分之九十。质量差距在商业场景下会被放大。

第三个误区是忽视后期处理。很多人以为 AI 直接生成的视频就是最终成品。实际上，即使是最好的模型，生成的原始视频也需要进行色彩校正、节奏调整和音效添加。翔宇的工作流中，AI 生成只占总制作时间的百分之三十，剩下百分之七十是后期处理和筛选优化。

提示词的核心要素

一个好的图生视频提示词需要覆盖五个维度。每个维度都对最终效果有关键影响——缺了任何一个，AI 就会自己「脑补」，结果大概率不是你想要的。

主体描述

你想让画面里出现什么？人物、物体、场景——描述要具体。AI 模型是通过关键词匹配训练数据中的视觉模式来生成画面的，越具体的描述意味着越少的猜测空间。

• 模糊："一个人在走" → AI 可能给你任何年龄、性别、场景的画面
• 具体："一位穿风衣的年轻女性在雨中的东京街头撑伞行走" → 画面精确可控

实操技巧：

翔宇的经验：用英文写提示词效果通常优于中文，因为主流模型的训练数据以英文为主。如果你英文不太好，可以先用中文写好再让 AI 翻译成英文提示词。翔宇的具体做法是先用中文详细描述自己想要的画面，包括人物外貌、环境氛围、光照效果和情绪基调，然后让 Claude 或 DeepSeek 帮忙翻译成适合视频生成模型的英文提示词。翻译时要特别注意不要直译，而是用视觉描述性的英文表达。比如中文"夕阳下的海边"直译是"seaside at sunset"，但更好的提示词写法是"golden hour sunlight reflecting on calm ocean waves, warm amber tones, long shadows on wet sand"——后者的描述维度更丰富，生成的画面质量也更精致细腻。

翔宇还观察到一个有趣的现象：Kling 和 Seedance 这类国产模型对中文提示词的理解能力正在快速提升。在二零二六年的测试中，Kling 二点六对中文提示词的画面还原准确度已经接近英文。如果你主要使用国产模型，中文提示词完全可以作为主力方案。

动作指令

静态图变视频的关键就是"动起来"。你要告诉模型具体发生什么动作，以及动作的速度和幅度。

基础动作词汇表：

关键原则：一条提示词只描述一个核心动作。 如果你想要"人物转头 + 风吹头发 + 背景下雨 + 猫跑过"，模型会顾此失彼。把复杂场景拆成多个片段分别生成，后期再拼接。

进阶示例：

• "镜头缓慢推进，人物转头看向镜头，微风吹动发丝"
• "花瓣从树上飘落，随风旋转，缓缓落入溪水中"
• "咖啡从壶中缓慢倒入杯中，蒸汽升起，液面轻微晃动"

风格定义

你想要什么视觉风格？风格关键词直接影响 AI 选择的渲染方式——色彩、质感、光影处理都会因此改变。

常用风格关键词对照表：

翔宇的提醒：风格关键词不要互相矛盾。"photorealistic + cartoon style" 会让模型困惑。选定一个主风格，最多叠加一个辅助风格（比如 "cinematic + moody"）。

镜头语言

这是很多人忽略的维度。AI 模型能理解基本的镜头术语，用镜头语言能让你的视频从"PPT 幻灯片感"升级到"电影感"。

进阶技巧：组合镜头语言

不要只用单一镜头。组合使用能让视频更有层次感：

• "Camera slowly pushes in while slightly tilting upward" → 推进 + 上仰，增加史诗感
• "Drone shot rising from street level to reveal the cityscape" → 低到高的航拍揭示
• "Tracking shot following the character from behind, then orbiting to front view" → 跟拍转环绕

氛围和光照

光照决定情绪。同一个场景，黄昏暖光和冷蓝夜光传达的感觉完全不同。很多新手忽略了这个维度，导致 AI 给出的是"通用光照"——看起来没什么问题，但也没什么感觉。

光照关键词速查：

翔宇的心得：氛围不只是光照，还包括天气和环境效果。加入 "rain", "mist", "dust particles in the air", "steam rising" 这类元素，画面的层次感会大幅提升。

情绪板的作用

在写提示词之前，翔宇强烈建议你先做一份"情绪板"。情绪板就是把你想要的视频风格用几张参考图片拼在一起——电影截图、摄影作品、甚至是其他 AI 生成的效果图都可以。有了情绪板，你写提示词时就有了明确的视觉锚点，不会写着写着跑偏。

做情绪板最简单的方法是在 Pinterest 上搜索关键词，把喜欢的图片保存到一个画板里。翔宇通常会收集五到八张参考图，然后提炼出它们的共同特征——色调、光照方向、构图方式、氛围感受——把这些特征转化为提示词中的关键词。这个准备工作只需要十到十五分钟，但能让你的提示词精准度提升一个量级。

提示词模板

翔宇给你一个通用模板，适用于所有主流模型：

[主体] + [动作] + [镜头运动] + [风格/光照] + [氛围/情绪]

模板实战：5 个场景的完整提示词

场景一：电影感人物

A silver-haired elderly man sits by a rain-streaked window reading a book.
Warm afternoon light filters through sheer curtains, casting soft shadows
on the pages. Camera slowly pushes in, focusing on his weathered hands
turning a page. Cinematic quality, shallow depth of field, warm color
grading. Quiet, contemplative mood.

场景二：产品展示（电商适用）

A sleek white wireless earbuds case sits on a dark marble surface.
The case slowly opens, revealing the earbuds inside. Soft studio lighting
with subtle reflections on the marble. Camera orbits smoothly around
the product at 45-degree angle. Product photography style, clean
and minimalist. Premium, high-end feel.

场景三：自然风光

A vast mountain valley at sunrise. Morning mist slowly rises from
the river below. Wildflowers sway gently in the foreground.
Drone shot slowly ascending to reveal the full panorama.
Epic landscape photography, 4K quality, golden hour lighting.
Majestic, peaceful atmosphere.

场景四：美食特写

Close-up of golden melted cheese being pulled apart on a freshly
baked pizza. Steam rises gently. A hand slowly lifts a slice,
cheese stretching in long strands. Macro lens, warm overhead lighting,
food photography style. Slow motion. Appetizing, indulgent mood.

场景五：赛博朋克城市

A lone figure in a hooded jacket walks through a narrow alley
in a futuristic city. Neon signs in Chinese and Japanese characters
cast colorful reflections on rain-soaked ground. Camera follows
from behind at medium distance. Cyberpunk aesthetic, high contrast,
volumetric fog. Mysterious, atmospheric mood.

不同模型的提示词适配策略

每个模型对提示词的理解方式有差异。翔宇总结了各主流模型的写法偏好：

Runway 特有技巧：参考图 + 提示词组合

Runway Gen-4.5 允许上传参考图来锚定角色外观。最佳实践：

1. 上传 1-3 张角色参考图（正面、侧面、全身）
2. 提示词中不再详细描述外貌，而是聚焦动作和场景
3. 用 Motion Brush 精确控制画面中哪些区域运动、哪些静止

Veo 3.1 特有技巧：原生音频描述

Veo 3.1 是目前唯一支持原生音频生成的主流模型。你可以在提示词中加入声音描述：

A barista carefully steams milk in a busy café. The hissing sound of
the steam wand mixes with quiet background chatter and soft jazz music.
Camera close-up on the milk foam forming a latte art pattern.

常见错误和优化建议

负面提示词（Negative Prompt）

很多模型支持负面提示词——告诉 AI 你不想要什么。这在避免常见问题时特别有用：

负面提示词示例：
- no text, no watermark, no logo
- no blurry, no distorted faces
- no extra limbs, no deformed hands
- no static image, no freeze frame

进阶：用 AI 帮你写提示词

如果你不想从零开始写提示词，可以让 ChatGPT 或 Claude 帮你生成：

你是一位 AI 视频提示词专家。我想用 [模型名称] 生成一段视频。

画面描述：[用中文简单描述你想要的画面]
视频时长：[5秒/10秒/15秒]
用途：[社交媒体/广告/教程/个人创作]

请帮我生成一条优化过的英文视频提示词，包含以下要素：
1. 具体的主体描述
2. 明确的动作指令
3. 镜头运动方式
4. 风格和光照
5. 氛围和情绪

同时生成一条对应的负面提示词。

图生视频的工作流最佳实践

翔宇在实际创作中总结的工作流：

第一步：准备参考图

• 用 Midjourney / FLUX 生成高质量静态图
• 确保图片构图清晰，主体突出
• 分辨率建议 1920x1080 或更高

第二步：选择模型和写提示词

• 根据用途选模型（参考前面的决策树）
• 用五要素模板写提示词
• 加入负面提示词

第三步：生成和筛选

• 同一个提示词生成 3-5 个版本
• 挑选动作最自然、画面最稳定的版本
• 如果全部不满意，调整提示词重新生成

第四步：后期处理

• 用 CapCut / Premiere 做基础剪辑
• 添加音乐和音效（如果模型没有原生音频）
• 调整色彩和节奏
• 导出适合目标平台的格式和比例

变现思路：图生视频的商业应用

掌握了图生视频技巧，这些变现路径已经被市场验证：

到这里，你已经搞懂了图生视频提示词的核心框架——五个维度（主体、动作、镜头、风格、氛围）、不同模型的适配策略、一套通用模板和避坑指南，以及可落地的变现思路。

提示词写作是一项需要练习的技能。

延伸阅读

• n8n 33. 不剪辑不拍摄！这个 n8n 自动化工作流批量生成万种风格抖音 TikTok 爆款短视频
• AI 短视频制作全攻略：从脚本到剪辑的创作教程

常见问题

Q：一条提示词生成的视频不满意怎么办？

翔宇的做法是"微调而不是重写"。不满意时先分析哪个维度有问题——是主体不对、动作太快、风格偏了还是光照不理想？然后只修改对应的关键词，其他部分保持不变。这样做的好处是你能清楚地知道每次修改带来了什么变化，逐步逼近理想效果。如果每次都从头重写提示词，你无法积累经验。

Q：图生视频和文生视频该怎么选？

图生视频适合你已经有高质量的静态参考图、需要精确控制画面内容的场景，比如产品展示或角色动画。文生视频适合你只有一个创意概念、画面细节可以交给模型自由发挥的场景，比如概念宣传片或氛围视频。翔宇的经验是：需要精确控制时用图生视频，追求创意惊喜时用文生视频。两者也可以组合使用——先用文生视频探索创意方向，选中最好的一帧作为参考图，再用图生视频生成高质量的最终版本。

每个模型的"脾气"不同，同一个提示词在不同模型上的效果可能差异很大。翔宇的建议是：选定一个模型，深度练习两周，比同时试五个模型效果好十倍。

提示词的进阶优化策略

当你对基础五要素已经熟练掌握之后，翔宇分享几个进阶策略帮你的视频效果再上一个台阶。

策略一：时间线描述法。 不要把所有动作写在一句话里，而是按时间顺序描述画面变化。比如"镜头先对准桌面上的咖啡杯，蒸汽缓缓升起。三秒后一只手从画面右侧伸入拿起杯子。五秒后镜头缓慢上移露出窗外的城市天际线"。这种写法能让模型生成更有叙事感的视频片段。

策略二：情绪递进法。 在提示词中明确指定情绪的变化方向。比如"画面从平静安宁的氛围开始，逐渐转向紧张不安，光线也从温暖的金色变为冷峻的蓝色"。情绪递进能让短短几秒的视频也有故事感。

策略三：物理细节法。 越是写实类视频，越需要描述物理细节。水滴的折射、布料的褶皱、金属的反光、头发在风中的飘动方式——这些微观细节是区分"AI 感"和"电影感"的关键。翔宇测试发现加入两到三个物理细节描述后视频的专业感会显著提升。

策略四：负空间法。 告诉模型画面中"不应该出现什么"和"应该出现什么"同样重要。加入"画面干净简洁背景无杂物""人物周围留出足够空间"这类描述能有效避免画面元素过多导致视觉混乱。

二零二六年 AI 视频生成领域变化极快。Seedance 二点零凭借物理锚定和产品一致性成为电商视频首选工具，Veo 三点一的原生音频生成能力让带旁白视频创作变得前所未有的简单。翔宇的判断是单一模型打天下的时代已经过去了，未来专业创作者一定是多模型协作的高手，每个模型各自在最擅长的领域中发挥最大的价值。

下一步

• AI 编程实操课：国内版-FlowUS | 国际版-BMC
• YouTube 频道：翔宇工作流