写视频提示词，为什么要把「0–3秒」改成「镜头1」
提示词里写「0–3 秒推镜、4–6 秒切特写」，模型通常不会照表执行。更稳的做法是用「镜头 1 / 镜头 2」组织画面，把时间交给剪辑，把指令交给分镜。
时间码为什么在提示词里失灵
很多人第一次写 AI 视频提示词，会本能地写成一份时间表：
- 0–2 秒：全景，女主走进办公室
- 2–4 秒：推到中景，她看到桌上的离婚协议
- 4–6 秒：特写，手指颤抖
这种写法看起来精确，实际上把两个系统混在了一起：剪辑时间线和生成指令。剪辑软件认时间码，视频生成模型更认画面描述与镜头序列。你写「第 3 秒切特写」，模型未必理解这是一个硬切点；它可能把「推镜、特写、颤抖」揉进同一个连续镜头里，结果就是运镜糊、表情飘、节奏全靠运气。
镜头序号是一种分镜语言，不是时间标注。 它告诉模型：这里有几个独立镜头，每个镜头的主体、动作、景别和运镜分别是什么。至于每个镜头最终成片是 1.8 秒还是 2.4 秒，交给后期在时间线上裁。
镜头序号 vs 时间码：差别在哪
| 写法 | 模型理解 | 常见结果 |
|---|---|---|
| 0–3 秒推镜，3–5 秒特写 | 一段连续描述里的时间修饰 | 运镜叠加、切点不执行、画面拖沓 |
| 镜头 1：全景缓推；镜头 2：面部特写 | 两个独立镜头单元 | 意图更清晰，后期可按素材二次裁切 |
| 第 1 秒、第 4 秒分别做动作 | 模糊的时间节拍 | 动作提前或延后，关键帧错位 |
| 镜头 1 动作 A；镜头 2 动作 B | 分镜式任务拆分 | 更适合多 take 重试与局部改词 |
核心区别在于：时间码是后期语言，镜头序号是拍摄语言。 写提示词时，你是在给「摄影师 + 分镜师」下指令，不是在给剪辑师拉时间线。
怎么把一段时间码改写成镜头序号
假设原提示词是：
0–2 秒，夜晚街头，男主撑伞走过，镜头跟随；2–4 秒，他停下，抬头看霓虹灯；4–6 秒，特写雨水顺着脸颊流下，眼神冰冷。
可以改成三段：
- 镜头 1｜全景跟随：夜晚雨后街头，男主撑伞缓慢走过积水路面，镜头与人物平行移动，霓虹在水面反光。
- 镜头 2｜中景停驻：男主脚步停住，缓缓抬头看向街边霓虹灯牌，肩膀微紧，呼吸克制。
- 镜头 3｜面部特写：雨水顺着他的脸颊滑下，眼神冰冷不动，背景霓虹虚化闪烁。
这样写有三个好处：
- 每个镜头只承担一个主要动作，模型更容易稳定生成；
- 某个镜头失败时，可以只改那一段，不必整段重跑；
- 后期拿到素材后，按实际表演节奏决定镜头 1 留 2 秒还是 3 秒。
一镜一运镜：别让镜头「又推又摇又环绕」
镜头序号还能强制一个重要纪律：一镜一运镜。
单镜内同时写「推近、环绕、轻微手持晃动」，模型很容易生成晕眩、漂移或主体变形的画面。更稳的写法是每个镜头只选一种主动运镜：
- 镜头 1：缓推
- 镜头 2：固定机位
- 镜头 3：横移
- 镜头 4：轻微手持跟随
如果确实需要复杂调度，把它拆成多个镜头，而不是在一个镜头里叠加多种运动。短剧的观看场景是手机竖屏，运镜越复杂，人物面部和服装越容易崩。
动作也要可执行，而不是写情绪形容词
镜头序号解决结构问题，动作细节解决画面问题。不要只写「他很愤怒」「她非常震惊」，要把情绪翻译成肢体：
| 情绪写法 | 更可执行的动作写法 |
|---|---|
| 他很愤怒 | 他攥紧拳头，指节发白，下颌紧绷，停顿半拍后转身 |
| 她很震惊 | 她后退半步，瞳孔放大，手中文件滑落 |
| 气氛紧张 | 两人对视不语，其中一人手指轻敲桌面，节奏越来越慢 |
| 他很难过 | 他低头闭眼，深吸一口气，再抬头时眼眶泛红 |
动作原则是：肢体细化，程度量化，优先低缓连续动作。 高爆发的大幅度动作，例如突然转身、激烈打斗、快速奔跑，更容易出现肢体扭曲和穿帮。竖屏短剧里，克制的微表情往往比大动作更有冲击力。
复杂场景用三段论，不要堆成一段
如果一场戏只有一个人和一个简单动作，可以一段式写完。但如果是多人对话、情绪转折或强戏剧场面，建议用三段论：
- 总体设定：交代场景、时间、光线、色调、人物位置和视觉风格。
- 镜头序列：按「镜头 1 / 镜头 2 / 镜头 3」分别写主体、动作、景别、运镜。
- 约束包：统一补充画质、面部稳定、无水印、无多余肢体、风格一致等要求。
示例结构：
总体设定：现代医院走廊，冷白灯光，地面有轻微反光，气氛压抑。
镜头 1：长走廊全景，女主独自快步走来，脚步声在空走廊里回响。
镜头 2：中景，她在手术室门口停下，抬头看红灯。
镜头 3：特写，她的手缓缓握住背包带，指节泛白。
约束包：竖屏 9:16，面部稳定，肢体自然，无水印 Logo，多人或近似人物场景避免双胞胎与分身。
这种结构的价值在于：模型先知道「这是哪场戏」，再知道「每个镜头拍什么」，最后收到「不能出什么错」。它比把所有信息揉成一大段更稳定。
台词、音效、BGM 要分开标记
镜头里如果有声音元素，不要混在画面描述里。可以用清晰符号区分：
- 台词用
{}：{你终于来了。} - 音效用
<>：<脚步声由远及近> - BGM 用
（）：（低沉弦乐渐起）
例如：
镜头 2：男主站在门口，低声说
{我们谈谈。}，门外传来<雷声>，（压抑的低频音乐持续）。
这样做不是为了炫技，而是避免模型把「雷声」「音乐」当成视觉元素去生成，也方便后期分离处理。
别串戏：每个镜头只吃本场素材
写系列短剧时，另一个高频问题是提示词把前后几场戏的信息混在一起。镜头 1 还在办公室，镜头 3 突然提到上一集的雨夜回忆，但本场没有对应的人物造型和道具参考，模型就会自由发挥。
稳定做法是：
- 每个镜头只描述本场可见的人物、场景、道具；
- 有参考图的人物，不再用文字重复描写服装和外貌；
- 文字只补充动作、表情、伤情、光影和运镜；
- 闪回或穿越场景单独处理造型与环境，不要和当前场次混写。
一句话：一致性靠资产，不靠运气。 定妆图、场景图、道具图先就位，提示词再去调度它们。
什么时候镜头序号也救不了
镜头序号不是万能药。它解决的是指令结构问题，不解决素材缺失问题。
以下情况仍会翻车：
- 没有人物定妆图，却要求每个镜头长得一样；
- 同一场塞了太多角色，模型分不清谁是谁；
- 动作设计过于剧烈，超过当前视频模型的稳定范围；
- 提示词同时要求多种画风、多个光源方向和复杂运镜；
- 把 30 秒剧情压进一个镜头，期待模型自己剪辑。
如果一场戏正文很长，应该先拆成约 10 秒的场块，再在场块内写镜头序号。它是工程启发式，不是时间码精剪；最终串片仍需要剪辑环节把控节奏。
一个可直接套用的提示词骨架
``` 总体设定： 场次、时间、地点、光线、色调、人物位置、视觉风格。
镜头 1｜景别 + 运镜： 主体是谁，在做什么，动作细节，表情或伤情，场景里有什么关键道具。
镜头 2｜景别 + 运镜： 主体动作如何变化，镜头如何观察，台词 / 音效 / BGM 如有则标注。
镜头 3｜景别 + 运镜： 收在哪个动作或表情上，为下一场留下什么悬念。
约束包： 竖屏 9:16；画质清晰；面部稳定；肢体自然；无水印 Logo； 有参考图的人物以参考图为准，文字不重复描写服装外观； 多人场景避免双胞胎、分身和多余手指；风格保持统一。 ```
把「第几秒」从提示词里删掉，不是放弃节奏，而是把节奏放回它该在的地方：拍摄时分镜清楚，剪辑时再决定长短。
常见问题
AI 视频提示词里为什么不要写 0 到 3 秒？
因为视频生成模型通常不像剪辑软件那样精确执行时间码。写「0–3 秒」容易被理解成模糊修饰，导致切点不执行、运镜叠加。用「镜头 1、镜头 2」描述独立画面，更符合分镜逻辑，也方便后期按素材实际节奏裁切。
镜头序号和时间码可以一起写吗？
不建议把时间码作为硬指令写进生成提示词。可以在脚本或剪辑备注里记录预期时长，但提示词主体应使用镜头序号。每个镜头最终生成多长，往往需要后期在时间线上精修。
一个镜头里可以同时写推镜和环绕吗？
不建议。更稳的纪律是一镜一运镜：一个镜头只选推、拉、摇、移、固定等一种主要运动。复杂调度应拆成多个镜头，否则容易出现画面漂移、主体变形或晕眩感。
提示词里的台词和音效怎么标注？
可以把台词、音效、BGM 分开标注，例如台词用花括号、音效用尖括号、BGM 用圆括号。这样能减少模型把声音元素误当成视觉内容，也方便后期处理。
用了镜头序号是不是就不会换脸或穿帮？
不是。镜头序号解决的是指令结构问题，角色一致性还要依赖定妆图、场景图、道具图等参考资产。有参考图的人物不应再用文字重复描写服装外观，文字应主要写动作、表情和伤情。
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