prompt-videos

在 Replicate 上为视频模型编写提示词

内容提炼自 Replicate 关于视频模型提示词编写的博客文章（2025-2026）。这些技巧与模型无关，着重介绍可迁移的原则。

通过 API 选择模型，而不是凭记忆

本技能介绍通用的提示词编写技巧。要选择模型，请使用 find-models 技能并查询 Replicate API。视频模型领域每周都在变化。不要根据以前见过的名称，假定特定模型仍然存在或仍处于最先进水平。务必先搜索 API，了解当前可用选项，然后再阅读 schema 后运行任何内容。

如需了解价格和功能对比，请参阅 compare-models 技能。

场景描述

好的视频提示词是场景描述，而不是说明文字。写清楚发生了什么、在哪里发生，以及画面是什么样的。

在每个提示词中融入以下要素

1. 主体：场景中的人物或事物（人、动物、物体、风景）。
2. 背景：主体所在的位置（室内、城市街道、森林、宇宙飞船走廊）。
3. 动作：主体在做什么（行走、转身、拿起手机、奔跑）。
4. 风格：视觉美学（电影感、动画、定格动画、纪录片）。
5. 镜头：摄影机如何移动（推轨镜头、跟拍、固定、手持）。
6. 构图：镜头如何取景（远景、特写、过肩镜头）。
7. 氛围：情绪和光线（暖色调、蓝光、黄金时刻、阴天）。

描述具体，不要含糊

含糊：“一场汽车追逐”

具体：“夜晚，雨水浸透的高速公路上，一场高速汽车追逐正在上演。两辆肌肉车以 140mph 的速度穿梭于拥挤车流中，车灯划破倾盆大雨。一辆车撞上半挂卡车，火花飞溅，洒落在六条车道上。轮胎在积水路面上打滑。头顶的霓虹高速路标牌模糊掠过。”

尽量详尽地描述

现代视频模型能够很好地处理冗长、信息密集的提示词。不要只写“一个男人在打电话”，而要写“一个绝望的男人穿着一件磨旧的绿色风衣，拿起一部装在粗粝砖墙上的转盘电话，身上笼罩着绿色霓虹灯牌诡异的光芒”。你加入的每个具体细节，都能减少模型自由发挥出糟糕结果的空间。

直接指明主体

使用“穿红夹克的女人”或“穿法兰绒衬衫、留着胡子的男人”这类描述性短语。避免使用代词，因为代词对视频模型来说和对图像模型一样含糊。

摄影机与电影摄影

视频模型能够理解电影制作术语。用这些术语指导镜头，而不是寄希望于模型能自行构图得当。

景别类型

使用标准景别术语控制构图：

• 远景／建立镜头：展示完整场景和环境
• 中景：大致取景至主体腰部以上
• 特写：让主体的脸或关键物体充满画面
• 大特写：突出某个细节（眼睛、握着把手的手、水滴）

摄影机运动

描述摄影机如何移动：

• 固定／三脚架：锁定机位，不移动
• 摇镜头：水平向左或向右转动
• 俯仰镜头：垂直向上或向下转动
• 推轨：摄影机实际向主体靠近或远离
• 跟拍：摄影机伴随主体移动
• 升降镜头：摄影机垂直上升或下降
• 手持：摇晃、具有纪录片风格的运动
• 无人机／航拍：俯拍或掠过的鸟瞰镜头
• 推拉变焦（希区柯克／眩晕效果）：主体保持不动，背景则被拉伸

摄影机位置

指定摄影机的高度和角度：

• 平视：中性、自然的视角
• 低角度／虫视：向上拍摄主体（使主体显得强大或具有压迫感）
• 高角度／鸟瞰：向下拍摄（使主体显得渺小或脆弱）
• 过肩镜头：从一个主体身后取景另一个主体
• POV／第一人称视角：摄影机就是主体的眼睛

镜头与焦点语言

• 浅景深：主体清晰，背景虚化
• 深焦：从前景到背景，所有内容都清晰
• 微距镜头：极端特写，焦点范围较浅
• 广角镜头：透视效果夸张，可看到更多环境
• 移轴：微缩模型效果，选择性焦点带

逐步推进模式

短片的自然推进顺序是远景 > 中景 > 特写 > 极端特写。这种方式很适合 8-15 秒的片段，也能为模型提供清晰的结构。例如：

• 0-3s：地点的远景交代镜头
• 3-7s：中景，主体入场或采取行动
• 7-12s：关键时刻的特写
• 12-15s：某个细节的极端特写（手、眼睛或一滴雨）

音频与对话

许多视频模型会在生成画面的同时原生生成音频。如果你不提示想要的音频，模型就会自行猜测，而且经常猜错。

提示所有四个音频层次

1. 对话：角色说的话，可以是准确台词，也可以描述表达意图。
2. 环境音：场景的背景音频（雨打金属雨篷声、城市交通声、森林鸟鸣）。
3. 音效：动作产生的特定声音（关门声、玻璃破碎声、拔剑声）。
4. 音乐：风格、情绪和乐器（紧张的电影配乐、轻柔的爵士钢琴曲、不加音乐）。

如果省略环境音，模型可能会臆造不合适的声音。常见的问题是在背景中加入“现场演播室观众”的笑声。你可以明确描述声景来避免这种情况：“远处乐队声、嘈杂的人群声、繁忙节庆场地的环境背景音。”

对话提示

有两种方式：

• 明确提示：“The man says: My name is Ben.”这样可以精确控制台词。
• 隐含提示：“The man introduces himself.”这样由模型决定具体措辞。

明确提示的对话应足够简短，以适应片段时长。在 8 秒片段中塞入太多对话，会导致语速不自然地过快。对话太少则可能造成尴尬的沉默或 AI 乱码。

避免字幕的语法

许多视频模型是在带有内嵌字幕的视频上训练的，因此会在生成结果中添加字幕。要避免这种情况：

• 对话使用冒号：“She says: Hello there”，而不是“She says 'Hello there'”
• 在提示中添加“(no subtitles)”
• 如果仍然出现字幕，请重复说明：“No subtitles. No subtitles!”

发音

如果模型读错了某个名字或单词，请在提示中用语音方式拼写。例如，写“foh-fur”而不是“fofr”，或写“Shreedar”而不是“Shridhar”。

谁说什么

在多角色场景中，模型可能会搞混台词归属。请将对话与明显的视觉描述对应起来：“穿粉色衣服的女人说：……”以及“戴眼镜的男人回答：……”

多镜头与时间码提示

某些模型支持在单个片段中生成多个镜头（最长约 15 秒）。你可以使用时间码分别指导每个镜头。

时间码格式

直接在提示中写入时间戳：

[0-4s]: Wide establishing shot, static camera, misty bamboo forest at dawn
[4-9s]: Medium shot, slow push-in, the fighter steps forward
[9-15s]: Close-up, orbit shot, the fighter strikes, slow motion

每个镜头都应注明：

• 摄像机位置和运动
• 主体动作
• 光线或情绪变化

转场语言

在镜头之间使用明确的转场指令：

• “Hard cut to...”表示突然切换
• “Seamless morph into...”表示流畅转场
• “Whip pan to...”表示快速、有动感的切换
• “Snap cut to...”表示突兀、戏剧性的变化

如果没有明确指定转场，模型就会自行发挥，结果可能符合也可能不符合你的意图。

示例：多镜头广告

(0-3s) Macro shot of a luxury perfume bottle among scattered pink peonies,
       shallow depth of field, petals floating in warm afternoon light,
       soft ambient music.
(3-7s) Camera glides closer, a feminine hand enters frame from the right,
       fingers gently touch the glass bottle, the sound of silk rustling.
(7-12s) Hard cut to slow-motion spray, golden mist diffuses through the air,
        particles catching rim light against a dark background,
        the hiss of the atomizer.
(12-15s) Seamless pull-out to hero frame, product centered, volumetric
         lighting, minimal cream background, elegant silence.

参考输入

许多视频模型支持在文本提示之外，接受图像、视频片段或音频文件作为参考输入。这会让工作流从“提示”转变为更接近“导演”的过程。

图像转视频

输入一张起始图像并描述运动。模型会从该帧开始生成动画。

• 输入图像会成为视频的第一帧
• 描述发生的变化（动作、镜头运动），而不是模型已经能看到的静态场景
• 风格保留是模型的一大优势：动画风格、绘画、照片和色彩分级都能延续
• 如需最大程度地控制风格，可先使用专门的图像模型生成起始图像，再将其输入视频模型

首尾帧插值

有些模型同时接受起始图像和结束图像，并生成两者之间的过渡。这适用于：

• 在不同主体之间变形（例如，一种动物变成另一种动物）
• 前后变化（房间改造、季节更替）
• 已知起始和结束状态的可控叙事弧线

主体参考

有些模型接受角色、产品或物体的参考图像，并在生成的视频中保持其外观。这适用于：

• UGC 风格的产品评测视频（角色参考图像 + 产品参考图像）
• 多个视频片段中的品牌一致性
• 将现有角色放入新的场景中

引用输入素材时，许多模型会在提示词中使用类似 [Image1] 或 [Audio1] 的方括号语法，以指定各参考素材对应的角色：“[Image2] 位于 [Image1] 的内部。”

音频驱动生成

有些模型接受音频文件，并让生成的视频与音频同步。模型可以匹配：

• 口型与语音
• 剪辑和动作与音乐节拍
• 环境节奏与环境声音

使用音频参考时，也建议在文本提示词中转录音频内容，并让视频时长与音频长度匹配。

多参考工作流

结合多种参考类型，可以获得最出色的效果：

• 用于角色外观的图像
• 用于运动风格的视频片段
• 用于节奏和韵律的音轨
• 描述各元素如何结合的文本提示词

风格控制

明确指定风格

视频模型能理解风格标签。请将其直接写入提示词：

• “黏土动画风格”
• “Pixar 动画风格”
• “Anime”
• “定格动画”
• “8-bit 复古风格”
• “图像小说”
• “纪录片镜头”
• “折纸”
• “LEGO”
• “蓝图技术制图”

风格标签不仅会影响视觉效果，还会影响角色的动作和互动方式。黏土动画风格会产生生硬的定格动画效果。Anime 风格则会产生流畅而夸张的动作。

质量锚点

“超写实、8k”或“电影感”之类的短语会促使模型生成最高保真度的内容。需要照片级写实效果时可使用这些短语。

电影与类型语言

参考特定类型或电影制作风格，以营造氛围和基调：

• “Michael Mann 的电影摄影风格”（霓虹、夜景、都市）
• “Wes Anderson”（对称、粉彩、古怪）
• “Roger Deakins 的灯光风格”（自然、精准）
• “《银翼杀手 2049》的电影摄影风格”（富有氛围感、橙青色调）
• “National Geographic 纪录片”（自然、稳定、观察式）

使用输入图像指定风格

与其用文字描述风格，不如先使用图像模型生成一张具有所需精确美感的图像，再将其输入视频模型。这样可以对画面外观进行像素级控制。视频模型会在添加运动的同时保留风格、色彩分级和构图。

颗粒感与纹理

加入“略带颗粒感、类似胶片”或“VHS 美学”等描述，可以让输出摆脱过于干净的 AI 风格，使视频显得更自然。

角色一致性

重复使用完全相同的描述

使用同一角色生成多个视频片段时，在所有提示词中使用完全相同的角色描述。创建一份“角色设定表”，并使用准确的措辞：

"John, a man in his 40s with short brown hair, wearing a blue jacket and glasses, looking thoughtful"

在每个出现 John 的提示词中粘贴这段描述。描述越具体、越独特，结果就越一致。

需要说明的内容

• 外貌：年龄、头发、肤色、体格
• 服装：具体衣物、颜色、材质
• 配饰：眼镜、珠宝、帽子
• 表情或神态：若有所思、开朗、专注

改变场景，不改变角色

将同一角色放入不同场景时，只改变动作、地点和镜头表现。角色描述必须逐字保持一致。

使用参考图保持身份一致

如果模型支持主体参考图，请将角色的清晰照片作为输入。这比单靠文字描述更可靠，尤其有助于在不同视频片段中保持面部特征一致。

常见问题

1. 未描述音频：如果跳过音频提示，模型可能会臆造环境音。常见问题是添加不合适的笑声或“现场观众”。务必描述声音环境。

2. 对视频片段时长而言，对话过多：8 秒的视频片段大约可以容纳 2–3 个短句。塞入一整段文字会导致语速不自然地过快，或输出内容被截断。

3. 对视频片段时长而言，对话过少：如果长视频片段中只有寥寥几句，模型就会用胡言乱语或尴尬的停顿填补静默。对话长度应与视频片段时长相匹配。

4. 未说明哪些内容应保持不变：使用参考图或进行编辑时，务必说明哪些内容应保持不变。没有明确指示时，模型可能会改变任何内容。

5. 期待相同提示词带来不同结果：与图像模型不同，有些视频模型对相同提示词会生成非常相似的结果（即使使用不同的种子值）。如果想要多样化结果，请修改提示词，而不是只重新运行。

6. 未提示镜头运动：没有镜头指示时，生成的画面要么是静态镜头，要么会出现不可预测的移动。请明确描述镜头。

7. 字幕污染：许多模型的训练数据包含内嵌字幕的视频。对话请使用冒号（不要使用引号），添加“(no subtitles)”，必要时重复说明。

8. 复杂场景的提示词过于模糊：现代视频模型能够处理冗长、详细的提示词。只要每项要求都说明清楚，包含 12 项以上具体要求（镜头移动、光线、声音设计、主体动作、环境细节）的提示词也能奏效。不要低估自己想要的效果。

9. 忽略宽高比和分辨率：大多数视频模型都支持特定分辨率（480p、720p、1080p）。请确认模型支持的分辨率，并选择适合用途的分辨率。如果需要竖屏视频，而模型只输出横屏视频，可能需要使用单独的工具重新构图。

10. 忘记视频模型无法访问互联网：没有视频模型能够获取实时信息。它们根据训练数据工作。不要指望它们了解时事或实时信息。

背景阅读

上述技巧总结自 Replicate 关于视频模型提示词的博客文章。这些文章以撰写时最新的特定模型为基础，但这些技巧同样适用于现代视频模型。阅读这些文章以获取更多背景信息，然后使用 find-models 技能，为你当前的任务选择合适的模型。

• 如何用 Seedance 2.0 制作出色的视频（2026 年 4 月）
• 如何为 Veo 3.1 编写提示词（2025 年 10 月）
• 如何使用图像为 Veo 3 编写提示词（2025 年 8 月）
• 开源视频强势回归（Wan 2.2）（2025 年 7 月）
• 比较 AI 视频模型（2025 年 7 月）
• 如何为 Veo 3 编写提示词以获得最佳效果（2025 年 6 月）