AI 短剧提示词返工诊断：八个最常被漏掉的镜头指令

猫斯卡编辑部 ｜ 最后更新日期 2026 年 8 月 5 日

AI 短剧视频提示词返工，多半不是写得不够华丽，而是少了模型执行镜头所需的关键信息。把主体、动作、场景、光影、运镜、风格、画质、约束八项补齐，出片才稳定。

为什么提示词看起来很长，成片还是崩

很多短剧团队写视频提示词，会陷入一个误区：把形容词堆得很满，却没有把镜头执行信息交代清楚。结果是画面看似有氛围，但人物动作飘、镜头乱晃、场景串戏、参考图失效。

视频提示词不是小说描写，也不是美术文案。它更像一张极简分镜表：谁在什么地方，做什么动作，光线如何，镜头怎么运动，必须遵守什么限制。

镜头提示词是给视频模型的执行指令，不是给读者想象的文学段落。 它需要让模型在一次生成里同时完成主体识别、动作调度、空间关系、光影统一和镜头语言控制。

下面按返工现场最常见的八个问题倒推，看看每一项到底该怎么补。

一、主体不清：模型不知道镜头该看谁

最常见的崩法，是提示词写了“两人争执”，但没有说明谁是镜头主体、谁在前景、谁在反应。模型会平均分配注意力，最后出现视线乱飘、动作抢戏、人物站位不稳定。

应该写清

• 本场主体是谁
• 主体在画面中的位置：前景 / 中景 / 后景
• 谁主动，谁反应
• 多人场景中谁的脸需要保持稳定

不建议写

• “一群人很紧张地看着他”
• “现场气氛非常压抑”
• “所有人都震惊了”

这些句子有情绪，没有执行对象。更稳的写法是：“女主站在前景，手指攥紧文件；两名保安在她身后半步，目光同时看向门口。”

如果人物已经有定妆参考图，就不要在提示词里重复描写服装、发型、五官。参考图负责外观，文字只负责动作、表情和伤情。否则文字和参考图互相打架，最容易造成换装、换脸。

二、动作太虚：模型只能自由发挥

“女主很生气”“男主冲过去”“两人发生冲突”都属于动作意图，不是可执行动作。模型会自行脑补动作幅度，结果可能变成夸张挥手、突然奔跑、表情变形。

动作要写成低缓、连续、可拍摄的肢体细节，并尽量给出程度。

AI 视频对高爆发动作更脆弱：快速转身、打斗、奔跑、拥抱、大幅度手势都容易出现肢体错误。短剧里如果不是必须，优先用微表情、停顿、手部动作、步伐变化来制造张力。

三、场景不明：人物像飘在空背景里

只写“办公室”“酒店房间”“古代街道”还不够。模型需要知道空间关系和视觉锚点，否则人物会像贴在背景上，或者镜头一转就换了房间布局。

场景描述至少包含三件事：

1. 空间类型：内景还是外景，具体地点
2. 关键陈设：桌、门、窗、床、柜台、屏风等能定位人物的物件
3. 人与空间的关系：坐在哪里、站在什么旁边、从哪扇门进入

例如：“内景，狭小审讯室。女主坐在铁桌后方，头顶日光灯偏冷；男主站在门口，手搭在门把上，没有立刻进来。”

如果已经有场景参考图，提示词应避免重新发明场景布局。文字只补充本场需要的调度，比如人物从窗边走到桌前。

另外，场景图本身要遵守空镜纪律：场景参考图里不要出现人物。否则拍摄时，模型可能把图里的陌生人也当成角色。

四、光影和色调缺失：前后场不像同一部剧

很多团队只在画风里写“电影感”，但每场不补光线方向和色调，最后成片一场亮、一场暗、一场偏蓝、一场偏黄。观众未必能说出原因，但会觉得“不像同一部剧”。

光影不是装饰，它是连续性的一部分。

每场至少交代

• 光源：窗光、台灯、霓虹、月光、烛光、顶灯
• 方向：顺光、侧光、逆光、顶光
• 色调：冷色、暖色、低饱和、高对比
• 时间：日景、黄昏、夜晚

例如：“夜晚，窗外霓虹从左侧打入，人物半边脸呈冷蓝色，背景压暗。”

要注意，光影描述要服务剧情，不要每一场都写“电影级光影”。真正有用的是能让模型执行的光线信息。

五、运镜贪多：一镜里推拉摇移全上

AI 视频最容易出戏的地方之一，是镜头自己乱动。提示词写“镜头缓缓推进、环绕、拉升、晃动”，模型会把多个运镜叠加，最后画面眩晕、主体丢失。

稳的原则是：一镜一运镜。

一个镜头只选一个主要运动：

• 固定机位
• 缓慢推近
• 缓慢拉远
• 横移跟随
• 轻微手持
• 升降镜头

如果剧情确实需要复杂调度，可以拆成多个场块，不要让一个 10 秒左右的镜头承担太多运动。

还有一个常见错误：用绝对秒数写镜头，比如“0–3 秒推近，3–6 秒环绕”。视频模型对这种时间码控制并不稳定。更适合的方式是用镜头序号或动作顺序描述：“镜头先固定在女主脸上；她抬眼后，镜头缓慢推近。”

六、风格不统一：人物、场景、视频各说各话

风格问题通常不是一句“国风”“写实”“赛博朋克”能解决的。真正的问题是：人物立绘按一种风格画，场景按另一种风格画，视频提示词又引入第三种审美。

稳定的做法是，选定画风后，让人物、场景、道具和视频提示词共用同一条风格路径。

风格描述应尽量具体，但不要借用具体影视作品或 IP 名称。可以写：

• 材质：水墨纸本、工笔重彩、黏土质感、3D 国漫、真实皮肤质感
• 线条：细腻线稿、粗颗粒、柔和边缘
• 色彩：低饱和灰调、高对比霓虹、暖金宫廷色
• 镜头质感：浅景深、胶片颗粒、柔和高光

不要写“像某部电影”“像某部动漫”。这类描述不仅有版权风险，也会让模型抓取不可控的视觉元素。

七、画质要求没兜底：奇怪文字、水印、脸部崩坏

有些提示词主体和动作都写得不错，但忘了加画质与稳定性约束，结果画面里出现乱码文字、Logo、水印、脸部变形、手指错误。

这类要求不需要写得很长，但要形成固定兜底包。每场都应包含：

• 高画质、清晰面部
• 无水印、无 Logo、无乱码文字
• 人物五官稳定
• 手指与肢体自然
• 多人场景避免双胞胎或分身
• 非写实风格保持画风一致

多人同框尤其要补“避免双胞胎 / 分身”。因为模型在相似服装、相似发型、相似光线下，很容易把两个人生成一张脸。

八、约束条件漏写：该禁止的没有说

约束条件不是负面词堆砌，而是告诉模型什么不能发生。短剧生产里，最有价值的约束通常和连续性有关。

常见约束

• 有参考图的人物，不改变服装、发型、五官
• 本场只出现指定人物，不新增陌生角色
• 不使用未绑定的道具
• 不改变场景布局
• 不突然切换年代、服饰和建筑风格
• 不加入现代物品，除非剧本明确要求

穿越、闪回、重生题材还要特别注意时代造型。同一个角色可能有现代装和古代装，系统需要按场景地点和剧情时间选择对应定妆图。如果绑错参考，提示词写得再好也会穿帮。

道具也不是越多越好。每场只保留剧情真正需要的道具。无关道具挤占参考槽位，还可能让模型把注意力放错地方。

一条可执行的提示词检查顺序

写完整场提示词后，不要立刻出片。按下面顺序检查一遍：

1. 主体：镜头看谁，谁在前景，谁在反应？
2. 动作：是否写成了可拍摄的连续动作？
3. 场景：空间、陈设、人物位置是否明确？
4. 光影：光源、方向、色调、时间是否交代？
5. 运镜：是否只有一个主要镜头运动？
6. 风格：是否与定妆、场景、道具保持同一画风？
7. 画质：面部、水印、乱码、肢体、分身是否兜底？
8. 约束：服装、道具、人物数量、时代是否被锁住？

这八项不是为了把提示词写长，而是为了减少返工。短剧生产里，最贵的不是第一次生成，而是同一场反复改词、反复换图、反复重拍。

简单场景和复杂场景要分开处理

不是每场都需要写成复杂三段式。提示词长度应服从场块复杂度。

简单场景：一段式

适合单人反应、对白特写、静态情绪戏。结构可以是：主体 + 动作 + 场景 + 光影 + 运镜 + 约束。

女主坐在审讯桌后，低头看着文件，手指慢慢收紧。冷白顶灯从上方落下，背景压暗。镜头固定在中近景，轻微推近。保持女主面部稳定，无水印，无乱码文字。

复杂影视化场景：三段式

适合多人调度、动作推进、情绪转折。结构可以是：

1. 总体设定：场景、时间、光影、风格
2. 镜头分段：镜头 1、镜头 2、镜头 3，各自写主体和动作
3. 约束包：人物一致性、道具限制、画质兜底

复杂场景不要把所有动作塞进一个长句。按镜头序号拆开，模型更容易执行。

场块粒度决定提示词质量

很多提示词问题，本质上是场切得太大。一个场块如果塞进太多剧情、太多人物、太多动作，再强的模型也容易失控。

更稳的生产方式，是把一集切成约 10 秒左右的视频场块。每个场块只承担一个主要动作或情绪转折。正文过长时，再按动作节拍、空段和句号继续拆。

这不是时间码精剪，而是工程启发式。它的价值在于：每个场块都有独立提示词、独立参考图、独立成片和历史 takes。哪一场坏了，就重拍哪一场，不必整集重来。

需要承认的是，约 10 秒的场块不是精确剪辑单位，仍然可能出现偏长的块。精剪、串场、节奏压缩仍需要后续剪辑环节完成。

提示词写完后，还要做这三件事

1. 核对参考图顺序

每场参考素材建议按“场景图 → 本场道具图 → 人物定妆图”的顺序构建。有图才占槽位，没有图就标明仅文字，不要强行编造绑定。

2. 确认角色称呼绑定

剧本里可能写“警官”“她”“那个男人”，但档案里的角色有正式姓名。拍摄前要确认称呼和定妆图绑定正确，尤其是客串、泛指角色和群演。

3. 保留重拍版本

同一场可以多拍几条，通过改词、换参考图、换模型档位得到不同 takes。不要只留一条结果。短剧生产需要择优，而不是把第一次生成当终审。

诚实边界：提示词不能解决所有问题

再好的提示词也有边界。

• 没有成片自动打分或自动择优重拍引擎，最终质量仍由创作者判断。
• 参考图不是强制门禁，缺图可以跳过纯文字生成，但质量通常更差。
• 当前产品单元主要是“单场多模态参考 → 单段成片”，不做跨场自动续写或延长视频的产品化工作流。
• 角色一致性依赖定妆资产链路，不是人脸嵌入校验；最终观感仍取决于立绘质量和提示词是否遵守“有图不写外观”。

所以，提示词规范的价值不是承诺零失误，而是把可控的部分先控住。把重复、易漂移、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。

常见问题

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