Everygen AIEverygen AI
返回博客

文生视频提示词怎么写：一份实用指南

用简单的方法写文生视频提示词：主体、动作、场景、运镜和光线。内容依据 Google、快手、字节跳动、阿里巴巴和 xAI 对自家模型的官方说明。

2026年10月13日Everygen AI
文生视频提示词怎么写：一份实用指南

文生视频模型只能呈现你要求的内容。提示词含糊，视频也会含糊。而且每次生成都要消耗积分。所以在点击生成之前，花几分钟把提示词写好是值得的。

本文介绍一种简单的方法，帮你为 文生视频 工具写提示词。内容依据各模型厂商自己发布的指南。每个出处我们都附上了链接，方便你自行核对。我们不编造测试分数，也不评判哪个模型“最好”。凡是来自我们网站本身的信息，文中都会注明。

为什么提示词这么重要

视频模型把你的文字变成动态画面。除此之外，它没有任何线索知道你想要什么。你没法指着屏幕说“不对，再往左一点”。提示词就是全部的需求说明。

所以做这些模型的公司都会发布提示词指南。Google 为 Veo 写了指南，快手为可灵（Kling）写了指南，字节跳动和阿里巴巴在发布文章里展示了很长的示例提示词。它们的建议在细节上不完全相同，但核心思路很一致：好的提示词要说清楚画面里有谁、在做什么、在哪里、镜头怎么拍、整体是什么感觉。

从一个场景开始

大多数视频片段都很短。在 Everygen AI 的价格表上，每个模型都按固定时长列出：Veo 系列按 8 秒，Grok Imagine 系列按 6 秒，Seedance、Kling 和 Wan 系列按 5 秒。模型支持时，你可以调整时长。我们网站单个片段最长 30 秒。

几秒钟足够表现一个清晰的瞬间，但装不下一个分三段的完整故事。

所以动笔之前，先选定这一段里要发生的那一件事。例如：

  • 合适：“阳光充足的咖啡馆里，咖啡师在拿铁上拉出一颗心。”
  • 太多：“咖啡师开门营业，接待十位客人，晚上锁门离开。”

第二条包含三个场景，模型得把它们塞进几秒钟里，结果往往是一堆没完成的画面。如果需要一组连续镜头，就分别生成每个镜头，再用剪辑软件拼起来。

一些较新的模型能生成更长、包含多个镜头的片段。字节跳动表示 Seedance 2.5 单次最长可生成 30 秒；阿里巴巴表示 Wan 3.0 也可达到 30 秒；快手表示 Kling 3.0 最长 15 秒，并支持多镜头。这些是厂商对自家模型能力的说法。你在我们网站上能选什么，以生成器中显示的选项为准。即使是长片段，每个镜头只表达一个清晰的想法，效果也会更好。

好提示词的五个部分

Google 的 Veo 3.1 提示词指南 给出了一个简单公式，分为五个部分：

  1. 镜头语言：镜头怎么拍、用什么景别。
  2. 主体：画面中的主要人物或事物。
  3. 动作：主体在做什么。
  4. 场景：所在地点及周围环境。
  5. 风格与氛围：画面风格、情绪和光线。

Google 把镜头语言放在第一位，并称它是传达基调和情绪“最有力的工具”。你可以按自己读着顺的顺序排列，关键是五个部分都要有。

下面逐一来看。

1. 镜头与景别

说清楚镜头离得多近、是否移动。常见说法有：

  • 远景：拍出整个环境，适合表现规模。
  • 中景：拍到人物腰部以上，适合对话。
  • 特写：拍面部或小物件，适合表现情绪和细节。
  • 固定镜头：镜头不动。
  • 缓慢推近：镜头慢慢靠近主体。
  • 摇镜（平移）：镜头向左或向右转。
  • 跟拍：镜头跟随移动的主体。
  • 航拍：从高处俯拍。

Google 的指南列出了推轨、跟拍、摇臂、航拍、慢摇和主观视角等运镜。每个镜头只选一种运镜。“航拍、特写、手持”会同时把模型往三个方向拉。

只有在对画面有帮助时才加运镜。平静的商品镜头往往用固定镜头效果最好。

2. 主体

准确说明画面里是谁或是什么，用眼睛能核对的细节来描述。

  • 弱：“一辆自行车”
  • 强：“一辆带藤编车筐的红色复古自行车”

颜色、大小、材质和新旧都有帮助。人物可以写年龄段、衣着和发型。一开始控制在一两个主体。每多一个人或物体，模型就多一样需要保持稳定的东西。

3. 动作

说明这段时间里发生了什么，用一个主要动词，例如倒、转身、升起、飘动、打开、挥手、微笑。

动作要小而清楚。“她转过身，对着镜头微笑”在五秒内很容易呈现；“她在回忆过去”却很难表现，因为“回忆”是看不见的。

如果想表现随时间的变化，就按顺序写。例如：“门打开了。一只猫走进来。它坐了下来。”短句比一长串纠缠在一起的句子更容易让模型理解。

4. 场景

说明发生在哪里、附近有什么。时间和天气如果重要，也写上。

  • “黄昏时分湿漉漉的石板路上”
  • “一间铺着绿色瓷砖的小厨房里”
  • “日出时安静的海滩上”

场景搭好了舞台，也能帮模型选择合适的光线。

5. 风格、氛围与光线

说明片段应该给人什么感觉。光线是营造氛围最快的方法。

  • “柔和的晨光”
  • “温暖的台灯光，温馨氛围”
  • “霓虹灯、雨夜”
  • “平淡的阴天灰光”

你也可以指定一种风格，例如“纪录片”“定格动画”或“动漫”。每条提示词只用一种风格。

组合起来

下面是一条包含五个部分的完整提示词：

镜头缓慢推近。一辆带藤编车筐的红色复古自行车靠在咖啡馆橱窗旁。雨水从遮阳棚上滴落。黄昏时分湿漉漉的石板路。橱窗透出暖光，氛围安静。

注意它有多短。每个短语只负责一件事：一个运镜、一个主体、一个小动作（滴落的雨水）、一个场景和一种光线。

关于声音

有些厂商表示，自家模型除了画面还能生成声音。Google 表示 Veo 3.1 可以根据文字生成配乐和音效，并给出三条建议：

  • 台词放在引号里。例如：一个男人说：“我们迟到了。”
  • 清楚地写出音效。例如：“音效：远处传来雷声。”
  • 描述背景声。例如：“环境音：冰箱轻微的嗡嗡声。”

快手表示 Kling 3.0 支持多种语言的原生音频；字节跳动表示 Seedance 2.0 采用音视频联合生成；xAI 表示 Grok Imagine 视频模型生成的视频带有音频。

在 Everygen AI 上，视频声音功能仍在开发中，即将推出。目前请把这些内容视为厂商对自家模型的说法，而不是我们工具的功能。

常见错误

堆砌夸赞词。 “美丽、惊艳、震撼、超高清”帮助不大。把这些字留给真实的细节：颜色、材质或时间。

运镜指令混乱。 “特写、远景、航拍”不可能同时发生，选一个。

人物太多。 五秒钟里要保持五个人稳定，难度很大。先从一两个开始。

要求画面中出现文字。 招牌、标签和字幕常常出错。需要文字的话，之后用剪辑软件加上。

描述你不想要的东西。 写“没有人”反而可能把模型的注意力引向“人”。直接描述你想要的画面，比如“一条空荡荡的街道”。

句子又长又绕。 拆开写。短句你自己好修改，模型也更容易理解。

先选画幅

写运镜之前先选好画幅，因为画幅决定了镜头里能放下什么。

  • 竖屏（9:16）：适合单个人物或物体，用于手机信息流。
  • 横屏（16:9）：适合风景、群体和两人对话。
  • 方形（1:1）：介于两者之间。

在我们的生成器中，你可以从所选模型支持的画幅中选择，也可以选择 Auto（自动）。有些厂商会限制画幅，例如 Google 的 Veo 3.1 Lite 文档 列出的是 16:9 和 9:16。

生成前先看费用

每个片段都会消耗积分。我们的生成器会在你提交前显示确切费用。费用取决于三点：

模型。 每个模型有自己的费率。

分辨率。 分辨率越高费用越高。例如在我们的 价格页 上，5 秒的 Kling 3.0 视频在 720P 下是 15 积分，1080P 下是 20 积分。

时长。 积分按时长折算并向上取整，片段越长费用越高。

一个好习惯是先低成本测试。新想法先用低分辨率或低费用的模型试一试，画面对了，再用需要的画质重新生成同一条提示词。例如 Wan 2.2 Ultra Fast 生成 5 秒 480P 视频标价 2 积分，适合低成本检查构图和动作。

如果任务失败或被模型服务方拒绝，这次扣除的积分会自动退回你的余额，不需要申请。

一次只改一处

第一次生成的结果往往接近但不完全对，这很正常。遇到这种情况，只改一处再重新生成。

  • 动作不对，就只改动作描述。
  • 画面风格不对，就只改光线或场景。
  • 构图不对，就只改镜头描述。

一次全改，你就不知道是哪处修改起了作用。小步调整能让你了解每个模型的反应。

把效果好的提示词记下来。时间长了，你会积累一套适合常用模型的运镜、光线和主体表达。

看看厂商怎么写长提示词

参考厂商自己的写法很有帮助。下面是他们示例中值得注意的地方。

Google 的 DeepMind 提示词页面 展示了非常长、非常丰富的提示词，详细描述了镜头、场景、光线和声音。这说明 Veo 能接受大量细节。你不必写那么多，但这表明清楚的额外细节是有用的。

字节跳动的 Seedance 2.5 文章 展示了按时间段拆分的提示词，例如“0–4 秒”“4–10 秒”。这是写长片段的好技巧：告诉模型什么时候发生什么。

快手的 Kling 3.0 指南 介绍了多镜头片段，以及在多个镜头中保持同一角色。如果你计划多个镜头，就按顺序逐个描述。

xAI 的 视频文档 说明了 Grok Imagine 1.5 的一个特点：文生视频时，模型会先根据提示词生成一张静态图片，再让这张图片动起来。所以对 Grok Imagine 来说，先把第一帧描述清楚是个好起点。

三个可以直接试的提示词

把下面任意一条复制到 文生视频 工具里，再改成你自己的想法。

商品短片

固定微距镜头。黑色大理石上的一只玻璃香水瓶。一滴水沿瓶身缓缓滑落。柔和侧光，暗调优雅。

自然风景

镜头从左向右缓慢平移。日出时的一片高草地。微风吹过，草浪起伏。金色光线，远处有薄雾。

一个人物瞬间

中景。一位老渔夫坐在木栈桥上补渔网。他抬起头，对着镜头微笑。灰色柔光，安静的清晨。

每条都有镜头、主体、一个动作、场景和光线。没有一条要求画面出现文字，也没有一条超过一个人物。

什么时候改用图片

有时文字不够用。比如你需要自己的商品、自己的脸或某个真实地点，单靠文字没法完全还原。

这时请使用 图生视频。你的照片会成为第一帧，提示词只需描述动作。我们的 图生视频指南 讲解了如何挑选和准备这张照片。

如果还没有合适的照片，可以先做一张：用 文生图 生成起始画面，或用 图生图 修改现有照片，然后再让它动起来。

该用哪个模型？

每个模型的费率、时长和特点都不同。我们另写了一篇 如何选择视频模型，把我们价格表上的事实和各厂商的说法并列整理。

快速检查清单

点击生成之前，过一遍这份清单：

  • 是否只有一个场景？
  • 主体是否写清楚了？
  • 是否只有一个主要动作？
  • 是否说明了发生地点？
  • 是否只有一个运镜，或者没有运镜？
  • 是否设定了光线和氛围？
  • 是否选好了画幅？
  • 是否看过积分费用？

每一项都能答“是”，你的提示词就准备好了。

小结

  • 每个片段只写一个场景。
  • 写清镜头、主体、动作、场景和光线。
  • 运镜指令简单、一致。
  • 不要让画面出现文字，之后再加。
  • 在生成器里查看费用，先低成本测试。
  • 每次只改一处。

准备开始了吗？打开 文生视频，粘贴上面的示例，改成你自己的创意。

参考资料