为什么AI视频提示词写得很详细，生成视频还是不稳定？

很多人做 AI 视频时都会遇到一个问题：提示词明明写了很多，甚至写得很长，但生成结果还是不稳定。比如：

• 角色突然换脸
• 场景前后不一致
• 动作只完成了一半
• 镜头没有重点
• 画面看起来像随机片段
• 剧情关系没有被表达出来

这时候很多人会以为是模型不行。但其实很多时候不是模型完全不行，而是提示词没有按照“视频逻辑”来写。

一、AI视频提示词不是普通文字描述

我们平时写小说、剧本、脚本，习惯用叙事语言。比如：

她发现自己被跟踪了，心里越来越紧张，于是加快脚步穿过雨夜街道。

这句话作为剧情描述是清楚的。但如果直接丢给视频模型，它不一定知道应该怎么拍。因为它缺少很多画面信息：

• 她长什么样？
• 街道是什么样？
• 她怎么发现被跟踪？
• 镜头先拍她还是先拍车？
• 是近景还是远景？
• 是固定镜头还是跟拍？
• 紧张通过什么动作表现？

所以，AI视频提示词不能只写“发生了什么”，还要写“画面怎么呈现”。

二、提示词写得长，不等于写得有效

很多人的提示词会变成这样：电影感，高质量，8K，超清，真实光影，雨夜，紧张，压迫感，女孩奔跑，后面有人追，霓虹灯，赛博朋克风格，镜头感强。

这类词不是完全没用，但问题是它太像关键词堆叠。它没有告诉模型：

• 谁是主体
• 主体在哪里
• 主体怎么运动
• 镜头怎么跟随
• 动作从哪里开始，到哪里结束
• 画面重点是什么

所以看起来写了很多，实际上信息并不完整。

三、写AI视频提示词，最好先有分镜

我现在比较建议的流程是：不要从脚本直接到视频提示词。中间最好先经过一层分镜。比如原文是：

她发现身后的车一直跟着自己，于是加快脚步。可以先拆成几个镜头：

• 镜头1：雨夜街道，黑色轿车缓慢跟在女孩身后。
• 镜头2：女孩听到引擎声，停下脚步回头。
• 镜头3：车灯照亮她的侧脸，她意识到自己被跟踪。
• 镜头4：她握紧伞柄，加快脚步穿过路口。

这样再写视频提示词，就会清楚很多。这也是我为什么一直建议做 AI短剧、AI漫剧、小说改编视频的人，不要跳过分镜。分镜不是传统影视流程里的“麻烦步骤”，而是让 AI 视频更可控的中间层。像小镜故事板这类工具，核心价值就在这里：它可以先把小说、剧本或脚本拆成分镜脚本，再继续生成每个镜头的生图提示词和文生视频提示词。这样提示词不是靠人临时发挥，而是从剧情结构里拆出来的。

四、一个比较稳定的视频提示词应该包含什么？

我自己的建议是，至少要包含这几类信息。

第一，时长。

比如 5 秒、8 秒、15 秒。如果是长一点的视频，可以用 0-3 秒、3-7 秒这样的时间轴。

第二，场景。

不要只写“街上”“房间里”。要写清楚时间、地点、环境、光线和关键背景。比如：

雨夜的城市街口，地面积水反射蓝紫色霓虹灯，远处车流稀疏，高楼广告屏闪烁。

第三，角色。

不要只写“一个女孩”。可以写：

25岁左右年轻女性，黑色短发，穿深色皮夹克，右手握透明雨伞，神情紧张。

第四，动作。

不要只写“她很害怕”。可以写：

她听到身后引擎声后停下脚步，缓慢回头，看到黑色轿车靠近后握紧伞柄，加快脚步向前走。

第五，镜头。

这一点很关键。比如：

中景，平视角度，镜头从角色侧方缓慢跟拍，背景车灯虚化，角色位于画面右侧。

第六，光线和氛围。

比如：

冷蓝色夜景光，霓虹灯反射在积水中，雨夜悬疑压迫感。

第七，声音、对白和旁白。

比如：

声音：雨声、脚步踩过积水声、远处汽车引擎声。
对白：无。
旁白：无。

五、可以参考这个模板

时长：8秒

场景：雨夜城市街道，地面积水反射蓝紫色霓虹灯，高楼广告屏闪烁，远处车流稀疏。

角色：25岁年轻女性，黑色短发，穿深色皮夹克，右手握透明雨伞，神情紧张但克制。

动作：她站在街口，听到身后汽车引擎声后缓慢回头，看到黑色轿车正在靠近，随后握紧伞柄，加快脚步向前走。

镜头：中景，平视角度，镜头从角色正侧方缓慢跟拍，角色位于画面右侧，背景车灯在雨幕中形成虚化光斑。

光线：冷蓝色夜景光，霓虹灯反射在地面积水中，车灯形成强烈背光。

氛围：雨夜、紧张、悬疑、压迫感。

声音：雨声、远处车流声、脚步踩过积水声。

对白：无。

旁白：无。

这个提示词不一定适合所有模型，但它的结构是比较清楚的。

六、为什么很多AI视频会跑偏？

常见原因有几个。

第一，原始提示词只写了剧情，没有写镜头。

第二，动作太多，模型不知道先表现哪个。

第三，角色设定不稳定，每条提示词里人物描述都不一样。

第四，场景太抽象，导致模型自由发挥。

第五，情绪只用形容词表达，没有转成动作、表情和画面。

第六，提示词没有时间轴，多个动作被压在同一瞬间。

所以，与其不断换模型，不如先把提示词结构整理好。

七、我的建议

如果你只是偶尔生成一个氛围短片，可以直接写一段提示词测试。但如果你要做的是剧情视频、AI短剧、AI漫剧、小说改编视频，我建议流程一定要变成：原始文本-》分镜脚本-》角色设定-》场景设定-》镜头提示词-》文生视频提示词-》视频生成

中间的分镜非常重要。因为视频模型不是编剧，也不是导演。它更适合执行一个清楚的镜头描述，而不是理解一大段复杂剧情。所以 AI 视频提示词的核心不是“写得更华丽”，而是“拆得更清楚”。

如果不想手动拆，可以用小镜故事板这类工具辅助。它比较适合把小说、剧本、短剧脚本先拆成分镜，再生成对应的文生视频提示词。对于需要批量做 AI 视频内容的人来说，这一步能省掉很多手工整理时间。