AI 影视镜头提示词规范：八大要素与三段式写法

猫斯卡编辑部 ｜ 最后更新日期 2026 年 7 月 25 日

AI 影视镜头提示词的核心，是用分镜表语言跟模型说话，而不是写小说。把主体、动作、场景、光影、运镜、风格、画质、约束八件事写齐，再按三段式组织，出片稳定性会有量级差异。

为什么你的提示词出片总崩

很多人写 AI 视频提示词，习惯堆形容词：「氛围感拉满、电影质感、高级光影、情绪张力」。这些词对模型来说几乎是噪音——它不知道镜头里是谁、在做什么、机位在哪、光从哪来、动到什么程度。结果就是脸漂、手怪、动作跳、镜头乱晃、风格漂移。

问题不在模型，在指令语言。剧组里摄影师不会跟掌机说「拍得电影一点」，他会说：中近景、女主侧脸、窗边侧逆光、缓慢推近到眼部、情绪从隐忍到落泪、镜头不要摇。AI 也是一样。

镜头提示词是一份给模型的分镜说明，不是一段文学描写。

八大要素：一条合格提示词的骨架

不管场景简单还是复杂，一条能稳定出片的镜头提示词，都应该覆盖以下八个要素。缺任何一项，模型就会用自己的想象去补，而它的想象往往和你想的不一样。

这八项里，前五项决定「拍什么」，后三项决定「怎么拍、别出什么错」。写的时候不必拘泥顺序，但必须件件有交代。

三段式写法：复杂场景的组织方式

简单场景（一个人、一个动作、一个固定机位）一段写完就够。但一旦涉及多人、多动作节拍、镜头内调度，一段式就会乱——模型会把所有信息糊在一起，导致动作抢戏、运镜打架。

复杂场景推荐三段式结构：

第一段：总体设定

交代场景、时间、光影、风格、画质基线。这一段是整场的「世界观」，只写一次。

老式居民楼卧室，夜晚。窗外霓虹冷蓝光从右侧打入，面部半明半暗，高反差。九十年代港片胶片质感，颗粒明显，偏暖黄绿调色。4K，面部清晰稳定，无水印无 Logo。

第二段：镜头分点

按镜头序号写，每个镜头只写一个主体动作 + 一个运镜。一镜一运镜，禁止在同一个镜头里又推又拉又摇。

用「镜头 1 / 镜头 2」编号，不要写「0–3 秒」「3–6 秒」这种绝对秒数——不同模型对秒数的理解差异极大，用镜头序号更稳。

镜头 1：中近景，女主侧身坐在床边，右手缓慢攥紧衣角，指节发白。机位固定，不运动。

镜头 2：缓慢推近至女主面部特写，她眼眶泛红，一滴泪从左眼滑落，嘴唇轻颤。推镜速度极缓，全程不摇。

镜头 3：切到床头那杯水的特写，水面因远处震动微微泛起涟漪。机位固定。

第三段：约束包

集中写兜底规则和禁止项，不要散落在各段里。

全程不出现第二个人物，不切换房间，女主服装保持白衬衫不变，手部动作自然不畸变，不出现文字水印，不叠加多余运镜。

三段式的好处是：模型先建立环境基线，再按镜头顺序执行，最后被约束包兜住。比一大段散文式提示词的可控性高得多。

运镜：一镜一运镜原则

AI 视频最常见的运镜翻车，是提示词里写了「推拉摇移跟环拍」全活儿，模型理解成同一秒内同时做，结果画面像被甩出去一样。

硬规则：

• 一个镜头只给一种运镜：推、拉、摇、移、跟、固定，选一个。
• 速度必须量化：写「缓慢推近」「极缓横移」，不要只写「推镜」。默认速度下模型往往推得太快。
• 景别先定：远景 / 全景 / 中景 / 中近景 / 近景 / 特写，先写景别再写运镜，否则模型会自己选一个奇怪的距离。
• 机位高度要交代：平视、略俯、略仰、低角度。不写就随机。

常见运镜词汇对照：

动作：低缓连续优于高爆发

AI 视频模型在处理大幅度、高速度、复杂肢体动作时，崩坏概率陡增：拳脚相向、奔跑转身、舞蹈旋转、多人肢体接触，都是重灾区。

写动作的三个原则：

1. 肢体细化：不要写「她很生气」，要写「右手攥紧、眉头紧皱、呼吸加重、嘴角下压」。把情绪拆成可见的肌肉和肢体动作。
2. 程度量化：「微微颤抖」比「颤抖」稳，「缓慢转头」比「猛然回头」稳。能用低缓连续动作表达的，不要用爆发动作。
3. 一个镜头一个主动作：镜头 1 写攥拳，镜头 2 写抬头，镜头 3 写落泪。不要在一个镜头里让她同时攥拳、转头、后退、嘶吼。

如果剧本确实需要高爆发动作（比如巴掌、摔倒），处理方式是：把动作拆成「动作前 → 动作中 → 动作后」三个镜头，每个镜头只拍一个阶段，用剪辑节奏拼出爆发力，而不是指望一个镜头里完整演出来。

符号规范：台词、音效、BGM 怎么标

提示词里混入声音元素时，用统一符号区分，模型和后期都能看懂：

• 台词用花括号：{你凭什么替我做决定}
• 音效用尖括号：<雷声轰鸣><玻璃杯碎裂><脚步声由远及近>
• BGM 用圆括号：（低沉弦乐渐起）（九十年代粤语老歌片段）

不要把台词直接写进正文叙述里。「女主说你凭什么替我决定」和「女主：{你凭什么替我做决定}」是两种完全不同的生成结果——前者模型可能把这句话当旁白处理，后者明确是角色开口。

参考图与文字的优先级

当一场戏绑定了人物定妆图、场景图、道具图之后，提示词里不要再用文字去描写有参考图人物的服装和外貌。

这是 AI 短剧最经典的翻车源：你给了一张「红裙长发」的定妆图，提示词里又写「她穿着黑色风衣，短发利落」，模型在两套指令之间摇摆，结果就是中途换装、换脸、发色漂移。

正确做法：

• 有参考图的人物：文字只写动作、表情、伤情、朝向，不写服装、发型、脸型、肤色。
• 场景有参考图：文字只写时间变化、光影变化、临时道具，不重写场景装修。
• 道具有参考图：文字写人物怎么使用它，不重复描述它长什么样。

一句话：参考图管「长什么样」，提示词管「在做什么」。

只给本场素材，禁止串戏

写某一场的提示词时，只引用这场戏里出现的人物、道具、场景信息。不要把全剧人物表、所有道具 catalog 都塞进去。

模型没有「这是第 3 场、那个人在第 8 场才出场」的概念，你写了它就可能让他提前出现。专业流程里，每场提示词自动只吃本场的素材切片：本场场景图、本场道具图、本场出场人物定妆图、本场剧本正文。

本场剧本正文是最高优先级的撰写依据，提示词是对剧本的镜头化翻译，不是二次创作。

兜底包：每条提示词都该带的尾巴

不管什么场景，以下兜底项建议默认带上，按题材增减：

• 画质兜底：4K（或目标分辨率），面部清晰稳定，皮肤纹理自然，无畸变
• 水印兜底：无水印、无 Logo、无文字叠加
• 多人兜底：不出现双胞胎、分身、多余手指（多人场景必加）
• 风格兜底：非写实画风必须加「全程保持 [画风名称] 风格，不切换写实」
• 动作兜底：肢体动作自然连贯，不出现穿模、瞬移、物体悬浮
• 场景兜底：不切换场景地点，光线方向保持一致

这些兜底看起来啰嗦，但它们是在替你挡掉模型最常犯的那几类错。

合规清洗：别把 IP 名写进提示词

很多人习惯写「像《某电影》一样的光影」「某导演风格」。这类描述有两个问题：一是下游模型可能触发版权拦截直接拒出；二是不同模型对同一部电影的视觉理解差异极大，出来的东西不可控。

正确做法是把参考对象拆解成技法语言：

• 不说「像王家卫」，说「高饱和霓虹色光，慢快门拖影，浅景深，暖色调」
• 不说「像诺兰」，说「低饱和冷色调，高反差硬光，IMAX 画幅质感，写实」
• 不说「像吉卜力」，说「手绘水彩质感，柔和漫射光，色彩明快，线条清晰」

把美学翻译成可执行的视觉参数，比直接报片名稳。

一个完整示例

以「女主深夜在旧卧室收到一条短信，情绪崩溃」为例，三段式提示词写法：

总体设定 老式居民楼卧室，深夜。窗外冷蓝霓虹光从右侧窗户打入，面部半明半暗，高反差，阴影偏蓝。九十年代港片胶片质感，颗粒明显，色调偏暖黄绿。4K 画质，面部清晰稳定，皮肤纹理自然，无水印无 Logo。

镜头分点 镜头 1：中景，女主穿白衬衫侧身坐在床边，右手握着手机，屏幕光映在脸上。机位固定，不运动。<手机消息提示音> 镜头 2：切至手机屏幕特写，一条新消息弹出，女主拇指悬停在屏幕上方微微颤抖。机位固定，缓慢推近至屏幕。 镜头 3：切回女主面部特写，她读完消息，眼眶迅速泛红，嘴唇轻颤，右手缓慢攥紧手机壳。极缓推近，不摇。{怎么会是你……} 镜头 4：特写女主右手，手机从松开的指尖滑落，掉在床单上。机位固定。<手机砸在被褥上的闷响>（低沉弦乐渐起）

约束包 全程不出现第二个人物，不切换房间，女主服装保持白衬衫不变，发型保持参考图样式，手部动作自然不畸变，不出现多余手指，不叠加多余运镜，光线方向始终从右侧窗户打入。

诚实边界

这套规范能显著提升出片稳定性，但它不是魔法。有几件事需要说清楚：

• 提示词规范是工程启发式，不是时间码精剪。约 10 秒的场块粒度是经验值，超长场会再拆，但仍可能出现偏长的块，精剪与串场成片需要后续剪辑环节。
• 角色一致性依赖定妆资产链路，不是靠提示词里反复描写外貌。最终观感取决于立绘质量，以及提示词是否遵守「有图不写外观」。
• 当前不做跨场自动续写或延长视频的产品化工作流，产品单元是「单场多模态参考 → 单段成片」，长片靠剪辑拼接。
• 没有成片自动打分或自动择优重拍引擎，质量终审在创作者手里，系统提供的是多 take 与改词重拍的工具。

把重复的、易漂移的、易失控的部分变成可约束的流水线，审美判断仍然坐在人这边。

---

*本文为 AI 竖屏短剧生产工艺系列之镜头提示词规范篇。*

关于猫斯卡 ｜ 猫斯卡 · 专业AI视频自动生产系统。把创意评估、剧本写作、人物场景道具定妆、镜头提示词与出片串成一条可审、可改、可回退的生产链。官网：www.maosika.com