视频提示词的八大要素，缺一个都会出问题

猫斯卡编辑部 ｜ 最后更新日期 2026 年 7 月 25 日

AI 短剧出片翻车，多数不是模型不行，是提示词没把该交代的交代清楚。一个能稳定出片的视频提示词，必须同时说清八件事：谁、在干什么、在哪、什么光、镜头怎么动、什么画风、什么画质、什么不能发生。

为什么提示词少写一项，成片就崩一项

很多团队写视频提示词还停留在「一个女孩在雨中奔跑，情绪悲伤，电影感」这种小说式描述。这种写法在文生图时代勉强能用，到了视频阶段就会暴露问题：模型必须在几秒内同时决定人物长相、服装、动作幅度、镜头运动、光线方向、画面风格——你没写的，它就自己补，补出来什么全凭运气。

工程化镜头提示词是一种用分镜表语言和模型沟通的写法。它不追求文采，追求的是每一项指令都可执行、可核对、可复现。核心就是八大要素，缺一个，成片就会在那个维度上漂移。

八大要素逐项拆解

1. 精准主体

镜头里是谁，必须精确到可识别。

• 有定妆参考图的人物：写角色名 + 当前状态（「苏晚，脸上带伤，衣服下摆沾泥」），不要重复描写服装和长相——那些交给参考图
• 没有参考图的群演或路人：写泛指身份（「围观群众数人」「两名保安」），不要给他们起名字、不要写具体外貌，避免模型把精力花在无关角色上
• 多人场景要点明主次：「苏晚（主）站在画面中央，陈警官（次）从右侧入画」

缺这一项的典型翻车：主角脸每镜一变、群演比主角还抢戏、本该是背影的镜头给了正脸。

2. 动作细节

这是视频和图片最大的区别——图片只有一个瞬间，视频是一段连续动作。

• 动作要肢体细化 + 程度量化：「缓缓抬手，指尖颤抖，幅度约 10 厘米」比「激动地举手」可控得多
• 优先写低缓连续动作：走、转脸、抬手、递东西、微微后退；少写高爆发动作（飞踢、翻滚、高速奔跑），这类动作模型最容易崩
• 一个镜头只写一个主动作，不要贪多
• 动作要和情绪匹配，但不要只写情绪词——「眼眶泛红，嘴唇紧抿，缓慢摇头」比「非常伤心」可执行

缺这一项的典型翻车：人物鬼畜抽搐、动作做到一半变形、手多了或少了。

3. 场景环境

在哪拍，内景还是外景，什么时间。

• 结构化写：「内景 / 老旧出租屋 / 夜晚」或「外景 / 江边步道 / 黄昏」
• 关键道具要点明位置：「桌上摊开一本旧相册」「脚边倒着一个行李箱」
• 不要堆砌无关环境细节——场景图已经承担了大部分环境信息，提示词只补本场特有的布置
• 场景图里严禁出现人物，否则参考图和提示词会打架

缺这一项的典型翻车：同一场戏背景从办公室跳到大街、白天变黑夜、关键道具凭空消失。

4. 光影色调

光线是情绪的载体，也是画面质感的来源。

• 光源方向：「顶光」「侧逆光」「窗外冷色月光从左侧打入」
• 色温倾向：「暖黄钨丝灯」「冷青荧光灯」「黄昏暖橙色」
• 对比度氛围：「高反差，阴影浓重」「柔光，低对比」
• 不要只写「电影感」「氛围感」——这不是可执行指令

缺这一项的典型翻车：画面平、没层次、同一场戏每镜色温跳来跳去。

5. 镜头运镜

这是最容易被忽略、也最容易造成「AI 味」的一项。

• 一镜一运镜：一个镜头只选一种运动——推、拉、摇、移、跟、固定，禁止叠加（「推近同时摇移」几乎必崩）
• 写清方向和速度：「缓慢推近至面部特写」「固定机位，无运镜」「从左向右横移，速度缓慢」
• 景别要明确：远景 / 全景 / 中景 / 近景 / 特写
• 用镜头序号组织，不要写绝对秒数（「镜头 1：……镜头 2：……」而不是「0–3 秒……3–6 秒……」）

缺这一项的典型翻车：镜头乱晃、莫名推拉、景别忽远忽近、一镜里塞了三种运镜。

6. 视觉风格

画风必须和全剧统一，不能每场各写各的。

• 选定画风后，人物立绘、场景立绘、道具立绘、视频提示词共用同一条风格路径
• 提示词里只写视频风格标签（如「国风工笔，淡彩，线条流畅」），不要把整套美术手册塞进视频提示词
• 非写实风格必须加风格锚定，否则模型会滑向写实

缺这一项的典型翻车：人物是日漫脸，场景突然变写实 3D；上一镜是手绘风，下一镜变真人。

7. 画质

这一项看似废话，但不写兜底，模型会在最不该偷懒的地方偷懒。

• 基础兜底：高清晰度、细节丰富、面部稳定
• 竖屏短剧默认 9:16，要在提示词或输出参数里明确
• 不要写「4K 超清 8K 极致画质」这种堆叠词，写实际交付规格对应的描述就够

缺这一项的典型翻车：脸部糊、边缘闪烁、分辨率忽高忽低。

8. 约束条件

这是「告诉模型什么不能做」的兜底包，也是专业提示词和业余提示词的分水岭。

• 通用兜底：无水印、无 Logo、无字幕、面部稳定不变形
• 多人场景加：无双胞胎、无分身、无多余肢体
• 有参考图的人物加：服装外观以参考图为准，文字不描述服装
• 动作约束：无瞬移、无穿模、无物体凭空出现
• 合规约束：不出现特定影视作品名称、不出现真实名人脸

缺这一项的典型翻车：画面角落冒出莫名其妙的水印、两个人长得一模一样、手指数不对、衣服颜色和定妆图对不上。

简单场景 vs 复杂场景：两种写法

不是每场戏都要写满八百字。要素齐全不等于篇幅冗长，要按场景复杂度分流。

三段论的结构大致是：

1. 总体设定：交代场景、光影、风格、画质（这些是全场统一的）
2. 分镜描述：按镜头序号写每个镜头的主体、动作、景别、运镜
3. 约束包：把兜底条款集中放在最后，避免每条镜头重复写

常见缺项对照表

几个写提示词时的硬纪律

• 本场素材只给本场：提示词生成时只引用本场的场景图、道具图、人物定妆，不要把其他集的东西串进来
• 有参考图的人物，禁止再用文字描写服装外观：文字只写动作、表情、伤情。这一条是解决「换装」最直接的手段
• 台词用 {}、音效用 <>、BGM 用 （）：符号规范让下游环节能准确识别哪些是说的、哪些是响的、哪些是铺的
• 生成参数偏保守，取稳定可控：不要为了追求「惊艳」把参数调到天马行空，短剧是批量生产，稳定性大于单条惊艳
• 提示词写完要人工审一遍：系统能帮你组织语言，但参考代号是否齐全、动作是否合理，最终还是人看一眼最靠谱

说到底，系统在教模型用分镜表语言说话，而不是写小说。八要素不是八股文，是让模型在每一个维度上都不用「猜」的最低信息集。

---

*本文是 AI 短剧镜头提示词规范的一部分，属于「AI 视频一致性问题全解」内容集群。*

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