为 AI 视频生成构建提示词

构建提示词时，应优先考虑时间一致性而非空间细节，确保在整个片段时长内，运动和镜头逻辑保持稳定。连贯的运动和场景连续性并不取决于描述画面中的每一个视觉元素，而在于明确定义主体如何移动、镜头朝向何处，以及环境如何随时间持续或变化。

视频模型为何失败：时间一致性与空间细节

文本生成视频模型之所以面临挑战，是因为它们必须生成一系列看起来像连续视频的帧，而非一系列静态图像。大多数失败发生在模型优化单帧的视觉丰富度，却忽视运动的逻辑约束时。如果你描述一个具有高空间细节的复杂场景——例如拥有复杂建筑和多个互动角色的拥挤街道——模型通常会将计算资源分配给渲染每一帧中的这些细节。因此，帧间的运动变得不稳定，物体相互变形，或者场景布局在下一秒发生不可预测的变化。

核心问题在于空间细节是静态的，而运动是动态的。一个专注于在第一帧中准确呈现建筑纹理的模型，可能在第十帧中无法追踪该建筑的位置。为了实现连贯性，你必须接受提示词无法描述场景的每一个像素这一事实。相反，你必须描述场景的*轨迹*。目标不是创建一张恰好会动的完美静态图像；目标是创建一条即使细节略有简化也能保持视觉合理性的运动路径。

视频提示词元素的层级

构建提示词时，你必须建立清晰的元素层级，因为视频模型会对描述的不同方面赋予不同的权重。层级通常遵循以下顺序：

• 主体：主要焦点是谁或是什么。这一点必须明确无误。如果主体是人物，需定义其角色和状态。
• 动作：主体正在做什么。这是保证运动连贯性的最关键要素。
• 环境：场景背景。应保持宽泛且稳定，避免过于琐碎或不断变化的细节。
• 镜头：观众如何感知场景。这决定了画面的构图和运动方式。

如果将动作淹没在层层环境描述中，模型就会丢失运动的逻辑线索。提示词应以运动逻辑为先，而非美学细节。

描述运动：动词、方向和时长提示

视频提示词中的运动由具体的动词、方向提示和时间标记来定义。避免使用“移动”或“行动”等模糊词汇。相反，应使用精确的物理描述。

• 动词：使用主动、具象的动词。“行走”、“奔跑”、“转身”、“抬起”、“放下”。这些词隐含了特定的运动矢量。被动或抽象的动词如“存在”、“在场”或“表达情感”无法很好地转化为运动数据。
• 方向：明确相对于摄像机或环境的运动矢量。“从左向右横穿画面”比“横穿画面”更清晰。“转向镜头”比“转身”更清晰。方向性确立了场景的空间逻辑。
• 时长：指示节奏。“缓慢地”、“突然地”、“逐渐地”。这些术语有助于模型为动作分配时间权重。缓慢的动作允许更高的帧间一致性；快速的动作则存在模糊或跳帧的风险，因此需要对起始和结束状态进行更严格的控制。

镜头语言：将摄影术语转化为模型指令

视频模型能够理解标准的摄影术语，但前提是你将其用作指令而非描述。不要说“场景看起来像电影”，而要使用具体的镜头运动指令。

• 固定镜头： "Fixed camera"、"locked-off shot"。这是处理复杂场景时最稳定的模式，因为它消除了相机运动的影响，使模型能够专注于主体运动。
• 跟随镜头： "Camera follows subject"、"tracking shot"。当主体持续移动时使用此模式。相机的运动必须与主体的运动同步。
• 摇摄/俯仰： "Pan left"、"tilt up"。这些细微的运动有助于展示环境的部分内容，同时保持主体的稳定性。
• 变焦： "Slow zoom in"。请谨慎使用。变焦会改变视野，如果模型误解场景深度，可能会导致透视失真。

避免在单个短片段中使用复合相机运动。结合摇摄、变焦和主体动作通常会导致空间位移不连贯。选择一个主要的相机运动，并保持主体动作简单。

避免时间漂移：跨帧锚定场景

时间漂移是指场景布局在帧与帧之间发生细微变化，导致物体消失、移位或变形。为防止这种情况，请使用静态参考点来锚定场景。

使用固定、不变的元素来描述环境。"一面带有单扇红门的白墙"比"一间带有各种装饰的多彩房间"更稳定。环境中的变量越少，场景就越稳定。如果必须包含动态元素，请确保它们是次要的，而非主要主体。

此外，明确定义起始和结束状态。如果片段时长为五秒，需确切知道主体在第零秒和第五秒的位置。模型在这些状态之间进行插值。如果起始和结束状态模糊不清，插值结果将会混乱。

常见错误：过度描述结束状态 vs. 欠描述过渡过程

一个常见的错误是详细描述最终结果，却忽略了过渡过程。例如，"玻璃杯摔碎在地板上"描述了结束状态，但未描述下落过程。模型可能会在第一帧就生成已经破碎的玻璃杯，或者让玻璃杯在没有下落过程的情况下直接消失。

相反，应描述过渡过程：“玻璃杯从桌上掉落，摔碎在地面上。”这提供了运动路径。模型需要生成整个下落过程，而不仅仅是最终结果。对过渡过程描述不足会导致瞬移效果；对最终状态过度描述则会导致过早出现。

迭代优化：在完整生成前使用短片段测试运动逻辑

不要试图一次性生成长而复杂的序列。先从短片段开始，通常时长为三到五秒，以测试运动逻辑。

1. 测试主体动作：生成仅包含主体主要动作和固定镜头的片段。检查运动是否连贯。如果主体发生变形或移动不自然，请优化动词和方向提示。

2. 添加镜头运动：一旦主体运动稳定，引入镜头移动。检查主体与镜头之间的耦合是否合乎逻辑。如果镜头移出画面或视角突然变化，请简化镜头指令。

3. 优化环境：最后，添加环境细节。如果场景漂移或物体移位，请从提示词中移除细节，直到稳定性恢复。

这种迭代过程允许你隔离变量。当连贯性失效时，你能判断问题出在主体运动、镜头逻辑还是环境复杂性上。

Runway、Pika、Kling 和 Haiper 等工具常用于此迭代过程。针对运动控制或场景稳定性的不同细微差别，人们会选择不同的工具，但底层方法保持一致：小规模测试，优化逻辑，仅在运动路径连贯时才扩大规模。评估输出时，应判断主体的运动是否符合物理规律，以及场景布局是否保持不变形。