视频模型的提示词写法：和图像模型不是一回事

图像提示词的骨架是主体 + 环境 + 风格；视频提示词在这三层之上还要加一层：运动与时间。少了这一层，模型只能给你一段几乎静止的画面。

一、四层结构

四层里最容易被漏掉的是「镜头」和「动作」。补上这两层，同一个主体的出片差别非常明显。

二、动词比形容词有用

「唯美」「电影感」这类词对模型几乎没有约束力，它们不能对应到任何具体像素。换成可执行的动作描述：

• 不说「唯美」，说「浅景深，背景虚化成光斑」；
• 不说「有电影感」，说「低角度仰拍，逆光，主体轮廓有边缘光」；
• 不说「生动」，说「她抬手把头发挽到耳后，视线短暂移开」。

三、运动幅度的写法

除了文字，多数模型还有一个独立的运动参数（有的叫 motion、有的叫 shift）。两者要配合：

1. 先定幅度：对话戏用小幅度，动作戏用大幅度；
2. 再写具体动作：告诉模型「动什么」，参数告诉它「动多少」；
3. 幅度和内容匹配：写「静静坐着」却把幅度拉满，出来就是抽搐。

四、负面提示词该写什么

负面提示词的作用是排除典型失败模式，不是堆砌形容词。三组最有效：

画质类：模糊、噪点、低分辨率、压缩痕迹
结构类：多手多指、肢体扭曲、面部变形、文字乱码
时间类：闪烁、跳帧、画面撕裂

不要写「丑」「不好看」这类主观词——模型无法把它对应到具体缺陷。

五、一个可复用的模板

[景别/机位]，[主体及外观]，[具体动作]，[环境与光线]，
[镜头运动]，[风格参考]，[画质要求]

按这个顺序写，逻辑和模型的注意力分布基本一致：先生成结构，再补细节。

六、写完之后的自检

三条快速检查：

1. 把「镜头」和「动作」遮住，剩下的部分像不像一条图像提示词？如果像，说明视频层没写够；
2. 有没有互相矛盾的指令（比如「静止」+「快速运动」）；
3. 长度是否超过 100 字——超长的提示词里，后半段常被模型忽略。

模型参数层面的取舍见 AI 视频本地部署实战；不同模型对提示词的偏好差异见 Wan2.2 拆开看。

相关阅读

• 首帧与尾帧：用图生视频控制镜头走向的实操
• 生成失败的五种典型画面与对应改法
• AI 视频本地部署实战：一张 24G 显卡能跑到什么程度
• Wan2.2 拆开看：MoE 双专家为什么能同时要画质要速度