AI视频提示词怎么写？6个公式要素和生成案例一次看

在AI视频生成工具里输入一句话，结果出来的是一个几乎静止的模糊画面—这种情况大多数人都遇到过。问题不在于工具，在于提示词缺少AI真正需要的信息。

AI视频提示词跟图片提示词有一个根本区别：视频有时间轴。你需要告诉AI画面从哪里开始、中间发生什么、镜头怎么运动、最后停在哪里。把这几点交代清楚，ai视频生成的质量会有明显提升。

这篇文章从写提示词之前要先想清楚的3件事开始，介绍一套可以复用的6要素公式，配上4种常见视频类型的改写案例，以及生成结果不符合预期时的修改思路。

直接动手写提示词很诱人，但有3个问题没想清楚之前，ai生成视频的结果多半要返工。先解决这3件事，再写提示词。

确认视频用途和发布平台

视频发布在哪里，几乎决定了它在节奏、构图和视觉风格上的所有需求。同一个内容主题，用来做品牌官网的展示视频和用来做抖音短视频，节奏、景别、字幕位置的要求完全不同。

写提示词之前先问自己两个问题：这个视频要让观众做什么？他们会在哪里看到它？视频的平台和用途决定了提示词里应该强调什么，放在后期制作阶段再考虑这些往往已经太晚。

选择文生视频、图生视频或首尾帧生成

主流AI视频生成工具—Runway、可灵（Kling）、Sora、即梦—都支持三种输入模式，每种模式对提示词的要求完全不同。

文字生成视频是从零开始，AI没有任何视觉参考，全部画面信息都要靠提示词提供。主体外观、场景细节、动作方式、镜头运动、视觉风格，一个都不能省。

图片生成视频是上传一张图片作为起始帧。画面的主体、场景和视觉风格已经确定，提示词的重心转移到动作和运镜上：什么在动、怎么动、镜头往哪里走。重新描述图片里已经有的视觉信息，反而会让AI产生困惑。

首尾帧生成是同时提供开场画面和结束画面，AI负责生成中间的过渡。提示词要描述的是转换的逻辑：什么样的运动连接了两个画面、速度是快是慢、过渡是流畅的还是有节奏感的。

先确定用哪种模式，再写提示词，可以避免写了半天才发现方向搞错了。

设置画面比例、视频时长和输出要求

这几个参数容易被忽略，但在ai做视频之前就应该确定：

• 画面比例：16:9用于横版内容（YouTube、官网展示），9:16用于竖版短视频（抖音、Reels、视频号），1:1用于部分信息流场景

• 视频时长：大多数ai视频生成器单次生成上限在5到10秒，需要更长的视频要分段生成再剪辑拼接

• 输出分辨率：确认工具是否支持1080p或4K，不同规格可能影响积分消耗或生成时间

这些参数大部分在工具界面里设置，不一定要写进提示词，但提前确定好可以避免生成出来的格式不对用。

AI视频沿着时间轴展开，有开始、有中间、有结束。按照这条时间线来构建提示词，而不是描述一张静止的图片，是让ai制作视频真正有动感的关键。

描述视频开始时的画面

开场画面是整段视频的视觉基础。AI会从这里出发，建立后续所有内容的逻辑。描述要够具体：主体在哪个位置、处于什么状态、周围环境是什么、光线从哪里来、镜头是什么景别。

「一瓶护肤精华竖立在白色大理石桌面上，45度侧面中景，柔和的棚灯从左上方打来，背景浅白带渐变阴影」，给了AI足够的视觉基础。「一瓶精华」什么都没给。

说明主体产生的动作和变化

这是提示词里最常被忽略或写得最含糊的部分。如果你不说明什么东西在动，AI很可能生成一个几乎没有运动的精致静态画面，这通常不是你想要的结果。

动作描述要具体到方向和速度：「人物从左向右走过画面」「一滴液体从滴管顶部缓缓落下」「蒸汽从杯口慢慢升起并扩散」。速度感也很重要，「缓缓」「快速」「在整个视频过程中逐渐」都会影响最终画面的节奏。

指定镜头如何观察或跟随主体

镜头运动是独立于主体动作的另一个维度，两者可以同时发生也可以单独出现。常见的运镜方式：

• 推镜头/向前推进：镜头靠近主体，产生聚焦感或紧张感

• 拉镜头/向后拉远：镜头远离，展现更大的环境或制造画面呼吸感

• 横移/平移：水平扫过，适合跟随横向运动或展示空间

• 摇镜头（仰摇/俯摇）：垂直方向移动，适合展示高度或向下确立场景

• 跟随镜头：镜头跟着运动中的主体移动

• 环绕/弧形运动：镜头围绕主体转圈，常用于产品展示或英雄时刻

如果不指定运镜，AI会自行决定，默认往往是几乎静止的锁定镜头，不一定符合你的需求。

描述视频最后停在哪个画面

告诉AI你希望视频结束在什么画面，可以帮助它反向规划中间的运动过程。不需要很复杂，「视频结束时镜头已拉远到全景，主体站在画面中央」这样的描述就够了。

部分工具支持首尾帧生成模式，直接用图片指定结束画面，比用文字描述更可靠。如果结束画面的准确性对你的项目很重要，值得考虑用这个模式。

添加不能改变的画面限制

告诉AI什么不能出现，和告诉它要出现什么一样重要。这就是负面提示词（negative prompt）的作用—列出你想排除的元素或不希望发生的情况。

常见的质量类排除：模糊，低画质，水印，过曝，颗粒感

常见的人物类排除：手指变形，手部扭曲，面部模糊，服装前后不一致

常见的场景类排除：不要出现多余人物，不要有背景文字，不要出现镜头切换

大多数工具都有单独的负面提示词输入框，记得用上。这是减少意外情况最直接有效的方式之一。

一条完整的ai视频提示词需要覆盖6个要素。不是每个项目都需要把6个要素写得同样详细—一个简单的循环动画和一条电影感产品视频的侧重点完全不同—但了解每个要素的作用，可以让你有意识地决定哪些详写、哪些省略。

公式：画面主体 + 动作变化 + 场景环境 + 镜头语言 + 视觉风格 + 技术控制

画面主体：视频中出现谁或什么

画面主体是视频的核心视觉焦点，可以是人物、产品、动物、建筑或任何你想展示的对象。描述要详细到让AI能建立一致的视觉印象：外观特征、大小、颜色、在画面中的位置，以及任何需要保持不变的关键细节。

主体需要在整个视频里保持视觉一致性时（尤其是人脸和手部），描述越具体越好。模糊的主体描述会导致画面漂移—随着镜头角度变化，主体的外观会发生细微变化，这种情况在后期很难修复。

动作变化：主体如何移动

描述可见的运动：主体做了什么、速度快还是慢、朝哪个方向。如果背景也有运动（风吹树叶、人群流动、水面波纹），同样需要描述—它不会自动发生。

具体的动作描述往往效果更好：「稳稳地朝镜头方向走来」「缓缓将头向上仰」「液体以连续不断的细流倒下」「蒸汽向上飘散后逐渐消散」。避免描述内心状态或抽象动词，AI按字面意思理解提示词，不知道「充满活力」或「散发能量」长什么样。

场景环境：动作发生在哪里

场景涵盖地点、时间段、天气以及围绕主体的环境细节。描述越具体，AI自行发挥的空间就越小，这通常是你希望的结果。

「一间现代咖啡厅」是个起点。「一间小型日式风格咖啡吧，暖色吊灯，裸露的水泥墙，磨砂落地窗，傍晚时分」是一个场景。第二个描述给了AI更少的解读空间，也给了它更多可以渲染的内容。

镜头语言：景别、角度和运镜方式

镜头语言是提示词里杠杆效应最强的要素之一。同样的主体和动作，从低角度拍摄和从俯视角度拍摄，配上慢推镜头和固定锁定镜头，给人的感受可以完全不同。

景别从小到大：极特写→特写→中近景→中景→全景→大全景。拍摄角度包括：平视、仰拍（向上看主体）、俯拍（向下看主体）、鸟瞰（垂直向下）。运镜方式参考上一节的列表。

这三个维度不需要在每条提示词里都用到，但如果镜头感对视频的表现力很重要，就明确写出来，而不是把它交给AI自行决定。

视觉风格：光线、色彩和画面氛围

这是视频「长什么样」的部分。光线描述词如「黄金时刻暖光」「冷蓝色夜景」「强硬的顶光」「柔和的漫射棚光」告诉AI如何构建场景的情绪。色彩基调词如「去饱和的大地色系」「高对比霓虹色」「清透冷白」快速塑造整体画面感。

整体风格上，描述感受比直接引用影片名字效果更好—「电影感浅景深」「纪录片手持风格」「干净的商业美学」「梦幻柔焦」都比「拍得像某部电影」更容易让AI准确理解。

技术控制：比例、时长、声音和限制条件

这个要素涵盖所有偏技术性的参数。如果工具支持，可以指定：

• 时长：「5秒片段」或「生成约8秒的视频」

• 负面提示词：在专用输入框填写，或在主提示词里加「避免……」「不要出现……」

• 特效：运动模糊、镜头眩光、胶片颗粒感、景深效果

• 音频提示：部分新工具（如可灵3.0的原生音频）支持同步添加声音描述

技术控制要素的作用是给视频做最后一层修整——补充那些让生成结果更干净、防止它往不想要方向跑偏的细节。

同一个视频创意，在不同生成模式下，提示词的侧重点完全不同。

文字生成视频：交代完整画面信息

文字生成视频时，AI没有任何视觉参考，所以需要覆盖全部6个要素，每个都要有足够的细节，不给AI猜测的空间。

这不代表要写一篇长文章。一条结构清晰的80字提示词通常比一段模糊的200字描述效果更好。按视觉重要性排序，最关键的信息放在最前面—大多数模型对提示词开头的权重更高，关键细节放到最后容易被弱化。

一个实用技巧：先写主体和动作，再补充场景、镜头和风格，最后加入技术控制和负面提示词。这个顺序跟大多数AI视频模型处理信息的权重基本一致。

图片生成视频：重点描述动作和运镜

上传参考图片后，主体外观、场景和视觉风格已经确定，提示词只需要告诉AI两件事：什么东西在动，以及镜头怎么走。

重新描述图片里已经有的视觉内容—「图中的人物穿着蓝色外套，背景是木质桌面……」—通常会让模型产生困惑而不是帮助它。直接跳过视觉描述，把重心放在动作上：「蒸汽从杯口缓缓升起，镜头轻柔地向前推进，焦点落在咖啡液面上」。

如果有一处需要改变、其他地方要保持不动，两个条件都要说清楚：「蜡烛火焰轻轻摇曳，其他所有元素保持静止」。

首尾帧生成视频：说明两张画面的转换过程

提供开场和结束两张图片后，提示词要描述这段路径的逻辑：什么样的运动连接了两个状态、过渡发生得快还是慢、路径是流畅的还是有节奏感的。

生成之前最值得检查的一件事：两张图的视觉连贯性—光线方向、色温、场景规模，要有足够的相似度，让过渡看起来合理。如果起始帧是暖光近景、结束帧是冷蓝广角，不管提示词写得多好，AI都很难生成自然的过渡。如果两张图差距比较大，在提示词里说明过渡逻辑（比如「结合缓慢淡入和镜头拉远的组合」）可以帮助AI弥补差距。

对比改写前后的提示词是理解「什么有效」最快的方法。下面是4种常见视频类型的改写示例。

产品展示视频提示词案例

模糊版本：一段护肤精华的广告视频。

优化后版本： 「一瓶小型玻璃精华液放在白色大理石桌面上，从45度侧面中景拍摄。一滴液体在滴管顶端慢慢成形，随后以慢动作落入下方静止的水面，激起柔和涟漪。镜头缓缓向液滴落点推进。光线柔和，来自左上方，有微微暖光晕。背景干净白色，带轻微渐变阴影。风格：高端美妆广告，浅景深。不要出现手部，不要有文字入镜。」

人物动作视频提示词案例

模糊版本：一个男人在夜晚城市里行走。

优化后版本： 「一位30多岁的男性，穿深色大衣，沿湿润的城市人行道从画面左侧走向右侧，步伐稳定。镜头跟随他以中景高度平行跟拍，保持匀速。霓虹招牌和路灯的光线倒映在湿润的路面上。背景是焦外的行人和经过的车灯。氛围：沉静、电影感，略带忧郁。色调：深蓝和琥珀色。不要出现镜头切换。」

美食广告视频提示词案例

模糊版本：一条放在Instagram上的意面视频。

优化后版本： 「一碗刚摆盘的培根蛋黄意面放在深色石板上。蒸汽从面条表面缓缓升起，同时一只手以缓慢的旋转动作用叉子挑起一叉面——镜头跟随叉子从中景向下推进到特写，紧贴着叉子离开碗的过程。右侧暖光侧打，在面条表面形成金色光泽。背景是虚化的厨房环境。氛围：丰盛、触感强。风格：高端美食编辑，暖色调。」

社交短视频提示词案例

模糊版本：一条生活方式类视频号短视频。

优化后版本： 「以一只陶瓷马克杯被轻轻放上木质桌面的极特写开场。镜头缓缓向后拉远，逐渐展现一个人坐在宽大的落地窗旁，双手捧着杯子，窗外是清晨的城市屋顶，玻璃上有雨痕。手持镜头感，轻微晃动。色调：冷蓝与来自马克杯的柔暖琥珀色交织。时长约6秒，9:16竖版。风格：安静生活，纪录片质感。」

提示词写得再好，也不一定每次都能一次生成到位。下面是最常见的几类问题，以及通常有效的修改方向。

视频几乎没有动作

这是最常见的问题。AI生成了一张精美的「会动的图片」，画面几乎没有真实的运动感。

原因：提示词描述了视觉场景，但没有包含明确的动作语言。没有运动指令，很多模型默认输出接近静止的画面。

修改方向：加入带有节奏感的具体动作动词。「蒸汽缓缓升起」「人物朝镜头走来」「镜头用5秒的时间缓慢推进」—这些给了模型可以动起来的依据。如果工具有运动强度滑块，也可以同步调高。

人物动作出现变形

手臂以奇怪的角度弯折，手指数量不对，面部在运动中模糊—人物动作仍然是当前AI视频模型最难处理的部分之一。

原因：复杂动作、多人互动和手部细节超出了当前大多数模型的稳定处理范围。

修改方向：简化动作。把「厨师快速切菜」改成「厨师站在操作台旁，双手做缓慢的稳定动作」。把每次生成的动作限制在单一方向或单一运动上。除非工具明确支持，否则避免手部特写。

运镜幅度超出预期

你要了「轻微推镜」，结果AI给了一个令人头晕的急推。

原因：「推镜」「缩放」这类词本身不带速度信息，模型自行判断了幅度。

修改方向：加入程度修饰词：「非常缓慢地」「轻微的」「几乎察觉不到的漂移」「贯穿整个视频过程」。也可以用起点和终点锚定范围：「从中景开始，结束时刚好进入中近景范围」比「推镜头」精确得多。

场景突然发生切换

视频在同一场景里突然跳切到另一个完全不同的地方。

原因：提示词里出现了多个地点或环境描述，被模型理解成了场景切换，而不是一个连续场景。

修改方向：每次生成只描述一个场景。如果视频概念需要多个地点，分开生成再后期拼接。同时避免在文生视频提示词里使用「然后」「接着」「随后」，这些词会被模型理解为切换信号。

主体外观前后不一致

人物在视频开头和结尾长得不太一样—发型、面孔或服装发生了细微变化。

原因：随着镜头角度变化或视频时长增加，模型在保持主体视觉一致性上会出现偏差，时长较长的片段尤其明显。

修改方向：让运动弧度保持简单—主体主要朝一个方向移动（而不是转向面对新角度）会保持得更稳定。在提示词里重点强调最显著的外观特征：「全程保持人物的红色外套和深色短发」。如果工具支持图片或角色参考，用上它，效果比纯文字描述可靠得多。

视频没有停在指定画面

结束帧跟描述的完全不一样。

原因：大多数文生视频模型不把结束帧描述当成硬约束，而是当成大致方向，结束帧是连续生成流程的一部分，并不会被锁定。

修改方向：如果工具支持首尾帧模式，切换过去用—这是控制结束画面最可靠的方式。如果只能用文生视频，把结束帧的描述放到提示词靠前的位置，而不是末尾，因为模型对提示词开头权重更高。或者考虑生成第二段视频，以第一段结束的地方为起点，再后期拼接。

从头写一条完整的结构化提示词需要练习，在快速生产内容或需要跨多种视频格式切换时，这个过程会成为效率瓶颈。GenApe的ai视频提示词助手就是为这个场景设计的。

用你自己的话描述视频创意，GenApe会根据你使用的AI视频工具生成一条完整的结构化提示词，覆盖画面主体、动作、镜头语言、视觉风格和技术控制，不需要你记住每一个术语和公式格式。同时提供按视频类型分类的提示词模板，不管是产品展示、社交短视频还是电影感场景，都可以从一个已经搭建好的结构开始，而不是面对空白输入框从零开始。