做 AI 视频时，很多人最先研究的就是提示词。人物怎么写、运镜怎么写、电影感怎么写，恨不得把能想到的内容全部塞进一条 Prompt。但真正开始做连续视频以后，很快就会发现：
提示词写得很长，不代表视频就更可控。有时候你写了人物外貌、场景、动作、光线、构图、镜头和风格，最后模型反而不知道这一镜到底应该重点完成什么。尤其是剧情短视频、漫剧和小说改编视频，真正重要的已经不是“会不会写一句漂亮的 Prompt”，而是：
这一镜到底要发生什么。如果只记住一个原则，可以理解成：角色、场景和参考图负责固定“不应该变化的东西”，视频提示词负责描述“这一镜真正要发生的变化”。 前面的资料越稳定，Prompt 反而可以越短、越具体。
AI 视频提示词到底是用来控制什么的？
可以先把视频 Prompt 理解成：告诉视频模型，这几秒钟里应该发生什么变化。
这里的“变化”通常包括几类：
- 人物做什么动作
- 人物的表情和状态怎么变化
- 镜头怎么移动
- 画面中的物体怎么运动
- 环境有没有变化
- 这一镜最后停在什么状态
比如：
女生站在门口，先低头看了一眼手机，停顿片刻后缓慢抬头，看向走廊尽头。镜头从中景缓慢推进到近景，人物动作自然克制。
这就比：
一个女生站在走廊里，电影感，高级光影，氛围感，情绪压抑。
更接近一个真正可以执行的视频镜头，因为前者告诉模型：谁在动、怎么动、镜头怎么动。
写视频提示词之前，先把这一镜确定下来
如果连这一镜要拍什么都没有想清楚，Prompt 通常也很难写好。例如一段剧情是：
“男生带女朋友走到饭店包间门口，推开门以后，女生发现里面坐满了家人。”
不要直接把整段剧情塞进一个视频 Prompt。更适合先拆成几个镜头：
镜头 01：两人在走廊向包间走。
镜头 02：女生边走边问男生今天来了多少人。
镜头 03：男生推开包间门。
镜头 04：包间全景，一桌人同时看向门口。
镜头 05：女生表情僵住。
这时候，每个 Prompt 只需要解决一个镜头里的动作。这也是分镜和视频提示词最基本的关系：分镜决定拍什么，视频提示词负责告诉模型这一镜怎么动起来。
相关阅读：分镜怎么生成 AI 视频？从分镜脚本到可灵生成视频的完整流程
文生视频和参考图生视频，提示词不要用同一种写法
这是现在做 AI 视频时很容易忽略的一点。如果使用的是纯文生视频，模型一开始什么都不知道。这时候 Prompt 往往需要承担更多信息，例如：
人物是谁
人物在哪里
画面是什么样
人物做什么
镜头怎么拍
整体风格是什么
例如：
年轻女性站在昏暗的饭店走廊里，黑色长发，深色上衣，她停下脚步转头看向身旁的男生，中近景，镜头缓慢向前推进，暖黄色室内灯光，写实电影感。
但如果已经给了角色参考图、场景图或者当前镜头的起始画面，情况就不一样了。画面里已经能够看到：
人物长什么样。
穿什么衣服。
在哪里。
当前构图是什么。
这时候再把所有静态信息重新写一遍，不一定更好。Prompt 应该更集中在：接下来发生什么。例如：
女生先看向男生，短暂停顿后轻轻皱眉，再把视线转向前方。两人继续缓慢向前走，镜头保持同速跟拍，人物动作自然。
这就是两种 Prompt 非常重要的区别：
- 没有参考画面时，提示词需要建立画面。
- 已经有参考画面时，提示词更应该描述画面如何变化。
一条实用的视频 Prompt，重点可以拆成四部分
如果已经有分镜，视频提示词其实不用写得特别复杂。我更建议重点看下面四件事：
1. 主体动作
先说清楚这一镜谁在做什么。例如：
女生缓慢回头。
男人从椅子上站起来。
小孩提着灯笼向前跑。
两个人一边交谈一边沿走廊向前走。
尽量使用可以直接看到的动作，而不是只写：
悲伤。
紧张。
高兴。
有压迫感。
“紧张”可以转成：手指轻轻攥紧衣角，视线短暂移开。
“犹豫”可以转成：人物伸手准备推门，动作停顿片刻后才继续。
对于视频模型来说，这些才是真正能够表现出来的东西。
2. 动作过程
视频不是一张静态图。所以除了“人物做什么”，还可以交代动作怎么发生。例如：
男生抬起右手握住门把手，停顿约一秒，然后将门缓慢推开。
这里其实包含三个连续状态：抬手、停顿、推门。
但也不要在一个很短的视频里塞进太多动作。如果一条 5 秒左右的视频 Prompt 同时要求：
走路 → 停下 → 回头 → 说话 → 推门 → 进入房间 → 坐下
模型很难稳定完成。这种情况下，更适合继续拆镜头。
3. 镜头运动
接下来才是摄像机怎么拍。例如：
- 固定镜头。
- 缓慢推进。
- 镜头后退。
- 横向移动。
- 跟随人物向前。
- 围绕人物轻微移动。
镜头运动不要为了“有电影感”而硬加。如果这一镜的重点是人物表情，一个稳定的近景可能比复杂运镜更有效。如果这一镜包含摄影机运动，也可以把运镜理解成一个从 A 到 B 的变化过程：A 是镜头开始时摄影机和人物的位置，B 是镜头结束时的位置。 与其只写“缓慢推进”“跟拍”或“环绕”，不如进一步说明摄影机从哪里开始、往哪里移动、最后停在哪里，以及人物本身是否同时移动。
例如：
女生看到房间里坐满人后愣住，表情从微笑变成错愕。镜头保持稳定，近景拍摄。
这也是成立的视频 Prompt。相关阅读：漫剧分镜中的运镜设计方法
4. 需要保持的状态
如果是连续视频，还要考虑：哪些东西在这一镜里不能乱变。例如：
人物身份不能变。
服装不能突然改变。
当前环境不能突然换地方。
上一镜人物站在门外，下一镜不能莫名其妙已经坐在房间里。但这些内容不一定全部要靠 Prompt 重复描述。如果生成方式支持角色参考、场景参考、首帧图片或者其他参考资料，就可以让这些资料承担一部分一致性控制。提示词继续专注于当前镜头的变化。
这也是为什么做连续 AI 视频以后，提示词往往会和角色资产、场景资产、分镜以及参考图结合起来，而不是孤立存在。
角色一致性不是靠每条 Prompt 重写人物长相
很多人在做连续镜头时，会在每条提示词里重新写：
年轻女性，长黑发，白皙皮肤，黑色上衣……
下一镜再写一次。再下一镜继续写。问题是，只要每次描述稍微不同，模型对这个角色的理解就可能发生变化。更稳定的方法是：
- 先建立角色。
- 准备稳定的角色参考。
- 不同镜头继续引用同一个人物资料。
- Prompt 再负责当前镜头的动作。
简单来说：
角色资料告诉模型“这个人是谁”。视频 Prompt 告诉模型“这个人现在做什么”。
相关阅读：AI视频如何保证角色一致性？
场景也是一样
场景一致性也不应该完全靠每一条 Prompt 从头描述。
如果上一镜写：现代高级餐厅，暖黄色灯光，木质墙面。
下一镜变成：温馨饭店包间，柔和灯光。
第三镜又变成：中式餐厅室内，豪华装修。
人看起来觉得差不多，但模型可能把它们理解成三个不同地方。如果已经有稳定的场景参考，Prompt 就可以把注意力留给当前镜头。例如：
镜头从门口缓慢向房间内部推进，桌边的所有人陆续抬头看向门外。
环境仍然使用同一个场景参考。相关阅读：AI视频如何保证场景一致性？
一个实际的视频提示词怎么写？
还是用刚才“第一次见男朋友家人”的例子。这一镜的分镜是：男生推开包间门，女生站在旁边。如果是文生视频，可以写得相对完整：
饭店包间门口，一男一女站在门外。男生抬手握住门把手，短暂停顿后缓慢将门推开，女生站在他身旁看向门内。中景，平视镜头，摄像机轻微向前推进，室内暖黄色灯光，人物动作自然真实。
但如果已经有这一镜的参考图，可以简化成：
男生抬起右手握住门把手，停顿片刻后缓慢把门推开。女生保持站在他身旁，视线逐渐转向房间内部。镜头轻微向前推进，动作自然平稳。
后一个 Prompt 没有重新解释两个人长什么样，也没有重新描述整个饭店。因为这些信息已经在画面里。它把生成资源集中在了：推门、转移视线和镜头推进。
Prompt 不要替代分镜
如果每次做视频都要从一整段故事重新思考：
- 人物是谁。
- 场景是什么。
- 这一镜做什么。
- 镜头怎么运动。
- 上一镜发生了什么。
那真正的问题其实已经不是 Prompt 了。而是缺少一套分镜结构。反过来，如果你已经有了完整分镜，也不代表可以马上进入视频生成。角色、场景、关键道具、参考图、生图提示词和前后镜头状态，往往还需要继续整理。关于已有分镜进入 AI 视频制作前还缺哪些资料，可以继续看《已有分镜脚本还不够：做 AI 视频前还要补齐哪些资料？》。对于多镜头剧情，我更推荐这样的工作流：
故事
↓
拆成分镜
↓
确定角色、场景和镜头关系
↓
准备需要的画面或参考资料
↓
为每个镜头生成视频提示词
↓
进入视频模型生成
↓
最后剪辑成完整内容
在小镜故事板里，视频提示词就是跟着具体镜头管理的。不需要一开始把所有视频提示词全部摆出来。到了需要使用的时候，可以根据当前镜头内容生成对应的视频提示词，再根据实际使用的视频模型继续修改。这样一条 Prompt 始终对应一条具体镜头，而不是把几十条 Prompt 单独放在文档里，做到后面连自己都不知道对应哪张图、哪个角色和哪个场景。
AI 视频提示词常见的几个问题
第一种，是一条 Prompt 塞太多剧情。如果短短几秒钟要求人物连续完成六七个动作，首先应该考虑的不是继续优化词，而是拆镜头。
第二种是只写画面，不写变化。“一个女孩坐在咖啡馆里，电影感，暖色光。”这更像一条生图 Prompt。视频 Prompt 应该继续回答：
她接下来做什么？
镜头接下来怎么动？
第三种是把抽象情绪当成动作。
“她非常紧张。”
不如写：
“她短暂低下视线，右手下意识握紧杯子。”
第四种是每一镜都重新创造角色和场景。
连续剧情里，这会让角色和环境越来越容易漂移。
第五种则是为了运镜而运镜。
一个镜头如果本身只需要看清人物反应，就不一定要同时加入推进、环绕、变焦和旋转。
总结
AI 视频提示词并不是一套万能公式。真正好用的 Prompt，应该服务于一个已经明确的镜头。
可以先记住几个原则：
- 先有分镜，再写视频提示词。
- 文生视频需要更多画面信息，参考图生视频更关注动作和变化。
- 角色和场景的稳定，尽量交给稳定资产和参考资料。
- Prompt 重点告诉模型：这一镜谁在动、怎么动、镜头怎么动。
- 一条 Prompt 做不完的剧情，就继续拆镜头。
当角色、场景、分镜和提示词各自承担清楚的任务以后，AI 视频 Prompt 就不再是一段不断堆关键词的文字。它会真正变成：一条镜头的执行说明。