AI 短剧分镜提示词怎么写才不崩：从小说腔到分镜表语言

猫斯卡编辑部 ｜ 最后更新日期 2026 年 7 月 30 日

AI 视频提示词最常见的翻车，是把镜头说明写成了小说段落。模型读到的是情绪和形容词，片场需要的却是主体、动作、景别、运镜、光影和约束——把这六类信息补齐，成片稳定性会立刻上一个台阶。

为什么你的提示词像小说，不像分镜

很多团队写 AI 短剧提示词时，习惯这样开头：「深夜，她独自走在空无一人的街道上，心里充满了委屈与不甘……」这类句子人读着很有画面感，但对视频模型来说信息密度很低：谁是主体？镜头是近景还是全景？机位动还是不动？光是冷还是暖？动作持续几秒？这些都没说。

镜头提示词不是文学描写，是给拍摄系统的执行单。 它的任务不是让读者感动，而是让模型在 5–15 秒内稳定地拍出一段可用素材。

判断一段提示词是否合格有个简单标准：删掉所有形容词之后，剩下的名词和动词能不能让一个摄影师独立架起机器拍出来。如果不能，这段词大概率会飘。

从小说腔切换到分镜表语言

两种写法的核心差别，可以用一张对照表说清：

切换思路的关键一句话：系统在教模型用分镜表语言说话，而不是写小说。 形容词是留给导演和观众的，提示词里要换成镜头决策。

八大要素：一段合格提示词的骨架

无论场景简单还是复杂，一段能稳定出片的镜头提示词，都应该覆盖以下八类信息。不要求每次八类都写满，但缺哪一类，哪一类就会交给模型随机发挥。

1. 精准主体：谁在画面里，是主演还是群演，服装外观以参考图为准，文字不再重复描写。
2. 动作细节：具体到肢体，有起止点和程度，比如「缓慢抬手」而不是「做了个动作」。
3. 场景环境：内景还是外景，具体地点，时间是日是夜，有哪些可见陈设。
4. 光影色调：光源方向、色温倾向、明暗对比、是否有特效光（警灯、闪电、屏幕光）。
5. 镜头运镜：景别（远/全/中/近/特）、机位角度、运镜方式（推/拉/摇/移/跟/固定），一镜一运镜。
6. 视觉风格：与全剧画风一致的风格标签，比如都市写实、国风工笔、3D 国漫等。
7. 画质：分辨率、清晰度、面部稳定、无畸变等兜底要求。
8. 约束条件：不能出现什么——无多余人物、无水印 Logo、不换装不换脸、多人场景不出现双胞胎。

这八类里，前五类决定画面内容，后三类决定画面不崩。新手常把精力全放在前两类，忽略后三类，结果就是动作拍对了，但脸换了、多了个路人、角落冒出个 Logo。

三段式写法：复杂场景的结构

简单场景（比如一个人坐着说台词）可以一段写完。一旦场景里有多人、多动作、多节拍，就应该用三段式结构，把信息分层。

第一段：总体设定

交代这一场的环境、光影、风格、画质基调。这一段是整场共用的底色，只写一次。

例：内景，老旧出租屋客厅，夜晚，仅一盏台灯提供暖色顶光，窗外有霓虹余光反射，都市写实画风，画面清晰，面部稳定。

第二段：镜头序列

按镜头序号写，每个序号对应一个镜头动作，不要写「0–3 秒」这种绝对秒数。用「镜头 1」「镜头 2」标注，每个镜头只给一个运镜。

例：

镜头 1：中景，女主坐在沙发边缘，双手紧握纸杯，低头不语，固定机位。

镜头 2：特写，纸杯被捏变形，杯沿水痕渗出，缓慢推近。

镜头 3：近景，女主抬眼，眼中有泪光，视线投向画外左侧门口。

第三段：约束包

集中写这一场的禁止项和兜底要求，避免散落在各处被模型忽略。

例：女主服装与外观以参考图为准，文字不重复描写；不出现多余人物；无水印 Logo；多人场景避免双胞胎；动作低缓连续，无高爆发突变。

三段式的好处是：模型先建立环境底色，再按序执行动作，最后被约束兜底。比起一大段揉在一起的散文，结构清晰的提示词出片稳定性明显更高。

一镜一运镜：最容易违反的一条规则

新手提示词里最常见的错误，是在一个镜头里堆好几种运镜：「镜头从远景缓缓推近，然后摇到她的脸，再拉远露出身后的人」。这种写法对真人剧组都需要调度，对模型更是灾难——它会在推、摇、拉之间随机切换，结果往往是画面抽搐、主体漂移、动作断裂。

一镜一运镜的意思是：一个镜头编号下，只允许一种主要运镜。需要复杂调度，就拆成多个镜头序号。

拆镜头不是妥协，是专业。真人剧组也是这么干的。

动作原则：低缓连续，程度量化

AI 视频在高爆发动作上最容易崩：快速奔跑、激烈打斗、突然转身、大幅度手势，这些都是重灾区。原因不是模型不会动，而是大幅动作的中间帧插值空间太大，模型容易「脑补」出畸形肢体。

工程化的做法是两条：

• 优先低缓连续动作：能用「缓慢抬手」就不用「猛地挥手」；能用「走三步」就不用「冲刺」。
• 程度量化：「微微低头」比「低头」好，「嘴角抽动一下」比「表情复杂」好，「眼泪沿右颊滑落」比「哭了」好。

这不是在限制创作，是在把动作拆成模型能稳定插值的粒度。真正需要爆发力的瞬间，可以用剪辑节奏（切特写、切反应镜头）来制造冲击，而不是逼模型在一个镜头里完成高难度动作。

符号规范：台词、音效、BGM 怎么标

提示词里混入声音元素时，用统一符号标注，避免模型把台词当成画面内容去演，或把音效理解成视觉元素。

• 台词用花括号：{你到底是谁？}
• 音效用尖括号：<雷声轰鸣>
• BGM 用圆括号：（低沉弦乐渐起）

这套符号的作用是分流：画面描述负责画面，声音标注负责声音轨道，互不干扰。如果把台词直接写在正文里，模型可能会试图让人物「说出」这句话的同时做出奇怪的口型，甚至把台词文字渲染到画面上。

兜底包：每段提示词都该带的安全网

很多翻车不是主体和动作写错了，而是没写「不要做什么」。一段专业提示词的末尾，应该有一组固定的兜底约束，根据场景按需组合：

• 画质兜底：画面清晰，面部稳定，无畸变，无水印 Logo。
• 多人兜底：多人场景避免双胞胎、分身、多余手指。
• 一致性兜底：有参考图的人物，服装与外观以参考图为准，文字不重复描写。
• 风格兜底：非写实画风需锚定风格标签，不向写实漂移。
• 动作兜底：动作低缓连续，无突发高爆发动态。

兜底包不是越长越好，但关键几条不能省。一致性靠资产，不靠运气——参考图解决「长什么样」，兜底包解决「别乱变」。

本场素材原则：禁止串戏

提示词生成时，系统只应该给当前这一场的素材：本场的场景图、本场出现的道具、本场出场人物的定妆图。上一场的雨伞、下一场的礼服、别的角色的发型，都不应该混进本场提示词的参考范围。

串戏是 AI 短剧的经典翻车源：第三集的角色突然穿上了第八集才会出现的衣服，客厅戏里冒出了厨房的道具。原因通常不是模型记错，而是提示词阶段就把不该出现的素材喂了进去。

人工审词时，最后做一个检查：这段提示词里提到的每件道具、每个人物，是不是都在本场戏里出场？ 不是的就删掉。

合规清洗：别把 IP 名写进提示词

很多创作者习惯用「像某部电影一样」「类似某导演风格」来描述视觉。这类写法有两个问题：一是可能触发下游模型的版权拦截，任务直接失败；二是即使不拦截，模型对「像某部电影」的理解也极不稳定，出来的画面可能和你想的完全不是一回事。

正确做法是把参考对象拆成技法描述：不说「像某电影的色调」，而说「青橙对比色调，高反差，阴影偏青」；不说「某导演的长镜头」，而说「缓慢横移，中景跟随人物，无剪辑」。技法是通用语言，IP 名是风险源。

诚实边界：提示词规范解决不了什么

这套规范能大幅提升出片稳定性，但它不是万能钥匙，有几件事它做不到，需要提前知道：

1. 它不替代导演的审美判断。 规范保证的是「不崩」，不保证「好看」。景别、节奏、情绪落点，仍然是创作者的决策。
2. 约 10 秒的场块是工程启发式，不是时间码精剪。 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。
3. 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」，长镜头和跨场调度需要人工拆段再剪辑。
4. 角色一致性依赖定妆资产链路，不是人脸嵌入校验。 提示词遵守「有图不写外观」只是第一步，最终观感仍取决于定妆图本身的质量。

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。提示词规范做的是前者，后者永远是创作者的活。

一张上手用的自检清单

写完一段提示词，提交之前，过一遍这张表：

十一项全部打勾，这段提示词就已经超过了市面上大部分「AI 电影感提示词」的水准。剩下的，交给多 take 择优——同一场拍几条，选最稳的一条用，这和真人片场的工作方式没有区别。

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