文生视频提示词：像导演一样指挥 AI

图片提示词描述的是一帧画面，视频提示词描述的是画面加上时间——而时间正是大多数提示词翻车的地方。解决问题的思维转换是：别再像画家那样写，要像导演那样写——你在给摄影师和一位演员下指令。

核心公式

镜头语言 + 主体动作 + 场景 + 光线 + 风格

• 镜头语言——镜头怎么动：推、环绕、固定
• 主体动作——主体做的一件明确的事
• 场景——事情发生在哪里，周围有什么
• 光线——时段、光源、情绪
• 风格——电影感、动漫、纪录片、定格动画……

对比一下：

弱：一个女人晚上走在城市里，氛围感
强：缓慢跟踪镜头，跟拍一位穿红色大衣的女人走过霓虹店面，
    雨后街道倒映着招牌，浅景深，阴郁电影风格

强版本回答了每个视频模型都在默默追问的三个问题：镜头在哪、什么在动、画面长什么样。

镜头语言词汇表

视频模型是用带字幕说明的真实影像素材训练的，所以正规电影术语比自创描述更管用。核心词汇：

一条提示词只下一个镜头指令。"边环绕边推进然后升起"读起来是三个镜头，模型多半会把三个都做砸。

写模型真能做到的动作

运动是视频模型最难的部分，所以要刻意保守：

• 一个主体，一个动作。"厨师颠了一下煎饼"没问题。"厨师颠煎饼的同时服务员在桌间穿行还有一只狗在追猫"出来的就是错位的四肢。
• 选持续性动词。*飘动、流淌、旋转、行走、荡漾*在整个片段里都撑得住。剧烈的状态突变——花瓶碎裂、变牌魔术——难度高得多。
• 动作要自己说明自己。"她对这个消息做出反应"在视觉上等于零。"她捂住嘴，眼睛睁大"才是能拍的。
• **让环境也动起来。**飘移的雾、落叶、闪烁的招牌能低风险地给画面加活气，因为它们不需要保持解剖学上的连贯。

短片段思维

当前的模型生成的是几秒钟，不是一场戏。每条提示词只写一个节拍——一个镜头运动、一段能在片段内完成的动作弧。如果你的创意需要开头、中间、结尾，就拆成多次生成再剪到一起，和剪辑师的做法完全一样。试图把一个故事压进一条提示词（"一个男人醒来、穿衣、错过公交、遇见陌生人"）只会得到一堆做了一半的模糊动作。

一个好用的检验标准：这条提示词的内容你能在五秒内表演完吗？不能就砍。

图生视频：描述"怎么动"，别重新描述画面

从静帧出发时，主体、场景、光线、风格都已经在图里了。再描述一遍既浪费提示词，还可能和原图打架。只描述什么应该动：

弱：日落时分美丽的高山湖泊，松树和橙色的云，电影感
强：镜头缓慢推向湖面，云向右飘移，水面荡开细微涟漪

弱版本写的东西全在图里。强版本把每个字都花在运动上。这也是拿到稳定结果最省钱的路径：先在图片生成器里把首帧打磨好，再送进 AI 视频生成器让它动起来。

五组完整示例

电影感产品镜头：

环绕镜头缓慢绕过石质底座上的哑光黑色无线耳机充电盒，
柔和影棚光，一束光里尘埃漂浮，深色背景，高端商业广告风格

自然纪录片：

航拍镜头沿黎明时分蜿蜒的河流滑行，水面雾气升腾，
金色晨光洒过森林覆盖的山丘，自然主义纪录片风格

动漫氛围片段：

固定镜头，黄昏的火车站台上站着一个女孩，
头发和围巾在风中飘动，身后驶过的列车灯光拉出光轨，
动漫风格，柔和粉彩色调

街头摄影质感：

手持跟踪镜头，跟拍滑板少年穿行在狭窄巷子里，
午后阳光在楼宇间炸出眩光，粗粝 35mm 胶片质感

微距抽象：

极近特写，墨水滴入清水，深蓝色墨丝以慢动作舒展开来，
白色背景，影棚布光，极简干净

每组示例都是一个镜头想法、一个运动想法、一种风格。更多这个格式的成品提示词见提示词库。

FAQ

视频提示词应该写多长？ 比图片提示词短——大约 15 到 40 个词。视频模型要同时兼顾空间和时间，多写一个从句就多一个会跑偏的变量。把字数花在镜头和运动上。

为什么主体在片段中途变形或扭曲？ 通常是提示词要的运动量超出了模型能保持连贯的范围——多个主体、快速动作或互相冲突的镜头运动。简化成一个主体、一个持续动作，或者改用图生视频，给模型一个稳定的首帧做锚点。

在 Bno AI 上生成视频需要什么条件？ 积分够就行——视频按条扣积分，不强制订阅。免费档每日 10 积分够出一条入门片（Grok Imagine 1.5，480p 6 秒，9 积分），或者按每张 2 积分出约 5 张 GPT Image 2 图片来打磨首帧。更重的模型单条更贵，常态化做视频可参考定价页——Pro 每月 $20 起，含 2000 积分。