AI 短剧镜头提示词验收清单：导演交分镜前要核对的 12 项
提示词崩，多半不是模型不行，而是写得不可执行。把它当成分镜表来写：主体唯一、动作可拍、运镜单一、参考图与文字不打架，再套上兜底约束，出片稳定性会明显提升。
先把提示词当成一份分镜表，而不是一段文案
很多 AI 短剧翻车，问题不在模型档位，而在提示词本身同时塞了三件互相打架的事：描写人物长相、描写服装、又丢了一张定妆参考图。模型不知道听谁的，于是换脸、换装、串戏。
可执行的镜头提示词，是一份给模型看的分镜表，不是一段小说。 它回答的是「这一镜拍谁、在哪、做什么、怎么动、什么风格、哪些不许发生」，而不是「这个人物有多美、气氛有多虐」。
下面这份 12 项验收清单，按导演交分镜前的核对顺序排列。每一项都可以单独打勾，任何一项不达标，都值得回去改词而不是直接出片。
一、主体与动作：这一镜到底在拍谁
1. 主体是否唯一且可指认
一镜之内只允许一个视觉焦点。群像戏要拆镜，不要在同一段里让 A 转身、B 冲进来、C 摔杯子同时发生。
核对方法：把提示词里出现的人物名圈出来，如果超过一个人有动作动词，就拆。
2. 动作是否细化到肢体，并量化程度
「她很生气」是情绪，不是动作；「她右手攥紧衣角，指节发白，下唇微颤」才是可拍的动作。
| 小说腔 | 分镜表语言 |
|---|---|
| 他震惊地看着她 | 他瞳孔微缩，握杯的手停在半空，两秒后缓缓放下 |
| 两人激烈争吵 | 她前倾半步，食指戳向对方面门；对方后仰，肩膀绷紧 |
| 气氛紧张 | 两人对视，无人说话，背景烛火轻晃 |
原则：优先低缓、连续的小动作，减少高爆发动态。挥拳、奔跑、旋转这类大幅度动作最容易崩，能切镜就切镜。
3. 有参考图的人物，文字是否还在描写外貌
这是最常犯、也最致命的一条。
有参考图的人物，禁止再用文字描写服装 / 外观；以参考图为准，文字只写动作、表情、伤情。
如果定妆图里她穿的是红衣，你又在提示词里写「白色长裙」，模型会在两套指令之间摇摆，结果就是换装、变色、甚至换脸。文字只负责图里没有的信息：这一镜她在哭、嘴角有血、头发被雨打湿。
二、环境与光影：把世界观钉死
4. 场景是否结构化到「内外 / 地点 / 日夜」
不要写「一个很有感觉的地方」。要写「内景，老旧茶馆，午后，光柱从木格窗斜射进来，桌面浮尘可见」。
场景信息越具体，模型自由发挥的空间越小，串戏概率越低。
5. 光影与色调是否一句话说清
光影决定质感，色调决定统一度。每场至少给一个明确的光位和一个主色调：
- 光位：侧逆光 / 顶光 / 窗光 / 霓虹混合光 / 烛光低位
- 色调：暖琥珀 / 冷青蓝 / 低饱和灰绿 / 高对比黑白
不要堆「电影感、氛围感、高级感」这类模型无法执行的形容词。
三、运镜：一镜一运镜
6. 是否只指定了一种运镜
一镜一运镜，禁止单镜内推拉摇移叠加。
错误写法：「镜头缓缓推近，然后环绕半圈，再拉远」——这是三个镜头，模型会糊成一团。
正确写法：二选一。要推就只写推，要环绕就只写环绕。
7. 是否用镜头序号，而不是绝对秒数
多镜头段落用「镜头 1 / 镜头 2 / 镜头 3」标号，不要写「0–3 秒推近，3–5 秒切特写」。
原因有两个：一是不同模型对秒数的理解差异很大；二是秒数一旦和实际生成时长对不上，整段节奏全乱。镜头序号是给模型看结构，不是给剪辑台看时间码。
8. 复杂场景是否走了三段式
简单场景一段写完即可。复杂的影视化场景，用三段式结构：
- 总体设定：场景、时间、光影、色调、风格，一次性交代
- 镜头 1 / 2 / 3……：每个镜头单独写主体、动作、景别、运镜
- 约束包：画质、面部稳定、无水印、风格锚定等统一兜底
这样做的好处是：总体信息不重复，镜头之间不串戏，约束条件集中管理。
四、约束与兜底：模型最容易忽略的部分
9. 是否带了强制兜底包
每段提示词结尾都应该有一组约束，至少包含：
- 画质要求（清晰、无压缩噪点）
- 面部稳定（五官不漂移、不融化）
- 无水印、无 Logo、无字幕
- 多人场景加「无双胞胎、无分身、无多余手指」
- 非写实画风加「风格锚定，不滑向写实」
这些东西看起来琐碎，但它们是模型在最后一步最容易偷懒的地方。
10. 台词、音效、BGM 是否用了规范符号
不要把台词混在叙述里。用统一符号标记，方便下游识别：
| 类型 | 符号 | 示例 |
|---|---|---|
| 台词 | {} | {你终于来了。} |
| 音效 | <> | <茶杯碎裂声> |
| BGM | （） | （低沉弦乐渐起） |
规范符号的价值在于：它让提示词的结构对模型可读，而不是一堆混在一起的中文。
11. 是否只引用了本场素材，没有串戏
提示词生成时，只给本场的场景图、道具图、人物定妆图，禁止把其他集的素材带进来。
这听起来理所当然，但实际操作中，上一场的道具、上一集的服装、甚至别的剧的角色，都可能因为素材管理混乱被误绑。开拍前过一遍参考图映射表，顺序是：场景图 → 本场道具图 → 人物定妆图。有图才占槽位，没图就标「仅文字」，不要硬凑。
12. 是否做了合规清洗
交付给模型之前，剥离具体的影视作品名、IP 角色名、真人明星姓名。保留技法和美学描述（比如「九十年代日漫质感」「港式霓虹光影」），但不要写「像某某电影的某某镜头」。
如果参考图被识别为疑似真人照片，不要硬拍。改用平台绘制链路重新出定妆图，再绑定拍摄——否则下游可能直接拦截，或者出来一张怎么看都像某位明星的脸，法务风险很高。
一份可以直接用的自检流程
写完一段提示词，按这个顺序过一遍，通常不超过两分钟：
- 主体唯一吗？
- 动作是肢体动作还是情绪形容词？
- 有参考图的人物，我有没有手贱又写了服装外貌？
- 场景写到内外 / 地点 / 日夜了吗？
- 光影和色调各有一句吗？
- 运镜是不是只有一种？
- 多镜头用序号了吗？
- 复杂场景走三段式了吗？
- 兜底约束加了吗？
- 台词音效用规范符号了吗？
- 参考图只绑了本场吗？
- 有没有留下 IP 名或真人姓名？
十二项全过，再点生成。
这套规范解决什么，不解决什么
它解决的是提示词层面的可执行性问题：让模型知道拍什么、怎么拍、什么不能做。它不解决的是模型本身的能力上限——如果某个档位在多人互动、复杂肢体接触上就是会崩，再规范的提示词也只能降低概率，不能消灭崩片。
所以专业流程里，同一场多拍几条 take、改词再拍、择优使用，仍然是必要环节。提示词规范降低的是返工率，不是消灭返工。
系统在教模型用分镜表语言说话，而不是写小说。但最终判断这条 take 能不能用的，仍然是导演和监制。
---
关于猫斯卡：猫斯卡（Maosika）是 AI 竖屏短剧生产操作系统，提供从创意评估、剧本写作、角色定妆、场块切分到多模态出片的全链路生产流程。上述镜头提示词规范已固化在猫斯卡的视频拍摄链路中：剧本自动切为约 10 秒场块，每场绑定场景图、道具图、人物定妆图，按八大要素与三段式结构生成可编辑的工程化提示词，并支持改词重拍、换图重拍与多 take 择优。了解更多请访问 www.maosika.com。
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