用镜头序号，别用秒数：提示词里的时间表达

猫斯卡编辑部 ｜ 最后更新日期 2026 年 7 月 25 日

AI 短剧提示词里写「0–3 秒做什么、3–6 秒做什么」，模型往往把它当小说时间轴，而不是镜头指令。正确做法是用镜头序号切分动作，一镜一运镜，让模型按分镜表说话。

为什么「秒数」是坏指令

很多人写视频提示词的第一反应是按时间码排：

0–3 秒：女主推门进入办公室，镜头从背后推近；3–6 秒：她看到桌上的文件，特写手部；6–9 秒：抬头，眼神震惊。

这种写法对人类剪辑师是清楚的，但对视频生成模型有三个问题：

1. 模型不读秒。它理解的是一段连续的视觉描述，不是精确到秒的剪辑点，「0–3 秒」经常被忽略或平均化。
2. 动作被压扁。多个动作挤在一段时间里，模型倾向于挑最显眼的那个做，其余丢帧或糊掉。
3. 运镜叠加。你在同一段时间里既写「推近」又写「特写」又写「抬头」，模型会把推拉摇移叠在一个镜头里，画面晃、脸崩。

系统在教模型用分镜表语言说话，而不是写小说。

分镜表的基本单位是「镜头」，不是「秒」。一个镜头里只发生一件主要的事，只用一种运镜。

镜头序号写法：三段式结构

把一段约 10 秒的场块，按镜头序号拆开。复杂影视化场景推荐三段论：

改写上面的例子：

总体：现代办公室内景，午后冷白光，都市写实风格，画质清晰，面部稳定。

镜头 1：女主背对镜头推门进入，中景，镜头缓慢跟拍她走向办公桌。

镜头 2：桌面文件的特写，一只手入画拿起文件，镜头静止。

镜头 3：女主抬头，近景，眼神骤然收紧，镜头静止，微推。

约束：无水印、无 Logo；人物以参考图为准，文字不描写服装外观；动作低缓连续。

注意三点：

• 一镜一运镜。镜头 1 是「跟拍」，镜头 2 是「静止」，镜头 3 是「微推」，每个镜头只挂一种运镜。
• 用镜头序号，不用绝对秒数。不写「0–3 秒」，让模型自己按镜头顺序分配时长。
• 动作低缓连续。优先走、看、转头、抬手这类连续动作，少写「猛地转身」「一拳砸桌」这类高爆发动作——后者最容易崩。

简单场景用一段式

不是每场都要三段。动作单一、人物少、没有运镜变化的场（比如人物站着说一句话），一段式就够：

夜晚街边路灯下，男主侧身站立，点烟，火苗照亮半张脸，都市写实，中景静止镜头，画质清晰，面部稳定，无水印。

判断标准很简单：这场戏里如果有两个以上动作节拍或景别变化，就拆镜头；只有一个，就一段写完。

符号规范：台词、音效、BGM

镜头里出现声音元素时，用固定符号标记，不要混在正文里：

写法示例：

镜头 2：男主抬眼直视镜头，近景静止，{你以为你赢了？}，<手指关节轻叩桌面>，（低频弦乐持续）。

符号化的好处是模型能把声音和画面分开处理，不会把台词内容当成画面里要出现的文字。

强制兜底包：每场都要带的几条

不管场景简单还是复杂，约束包里有几条是每场都建议带上的：

• 画质清晰、面部稳定、无水印、无 Logo；
• 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；
• 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（如「统一九十年代日漫质感，不混入写实」）；
• 本场只出现本场剧本里的人物与道具，禁止串戏。

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。

这条是角色一致性的硬约束，和「用镜头序号」是配套的：前者管「人长什么样」，后者管「人在镜头里做什么」，两件事不要混在一句话里。

常见翻车与修正

边界要讲清楚

镜头序号是工程规范，不是魔法。有几件事它做不到：

• 不是时间码精剪。镜头序号告诉模型「按顺序拍这几个镜头」，但不保证每个镜头精确到几秒，最终成片的节奏仍需要后期剪辑调整。
• 不做跨场自动续写。每个场块是独立单元，当前不支持把上一场的最后一帧自动续到下一场。
• 提示词里的参考代号靠规范引导，不做二次硬拼。写完后仍要人工确认参考图、角色绑定、道具纳入是否齐全。

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。镜头序号、符号规范、兜底包，都是把「模型容易自由发挥的地方」钉死，让导演的分镜意图能落到每一帧上。

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