云端视频生成提示词实战：一条公式与 11 个场景模板

一、这篇教程要解决什么问题

使用云端托管的视频生成模型（下文统一称”云端视频生成模型”）做短剧、漫剧或商品短视频时，最常见的三类抱怨是：

• 人物越动脸越歪，多镜头之间同一角色形象漂移；
• 镜头莫名其妙乱晃，想要的运镜没出来，出来的是几种运镜的混合体；
• 成片声音里夹着一层电流似的底噪，或干脆出现无人声、无环境音。

这三类问题里，只有一小部分真的来自模型能力边界，大部分来自提示词写法。典型错误有三种：写了一堆形容词却不写动作过程；一条提示词里塞了三种运镜，模型只能每样都来一点；声音部分完全没交代，模型就自行”发挥”。

本教程的目标：让你掌握一套结构化提示词写法，使同一条镜头脚本可以稳定复现，把返工率压下来，并在试跑阶段就用较低成本淘汰不合格镜头。

适合读者：短视频与动画制作团队的内容/技术负责人；需要接入视频生成能力的应用开发者；负责批量生产素材并核算成本的运维与运营人员。

二、先纠正几个常见的参数认知错误

在网上流传的”通用参数表”里，经常出现”采样步数 28～32””CFG scale 7～8”这类建议。这两个参数来自需要本地部署的扩散模型（如在本地图形界面工具中运行的开源图像/视频生成管线），确实需要人工调节。而云端托管的视频生成模型属于黑盒托管服务，开放接口中通常只暴露时长、画幅比例、分辨率、参考素材等少量字段，不存在步数和 CFG 配置项，填了也不会生效。照搬这些参数不会报错，只会白费时间——这是最典型的”看起来专业、实际无效”的写法。

其余几项需要一并澄清：

1. 帧率。输出通常是固定帧率（行业常见为 24fps）。在提示词里写不写”24fps”都改变不了输出结果，写上只是书写习惯，不写不影响成片。
2. 画幅。不要填”720×1280”这类像素尺寸，应选择比例参数（如 9:16、16:9、1:1）。像素级尺寸是后期渲染与压缩环节的事，不是生成环节的输入。
3. 分辨率与计费。以公开计费口径为例（最终以控制台账单为准）：768P 约 0.5 元/秒，2K 约 0.8 元/秒，2K 重生成约 0.3 元/秒。一条 5 秒镜头直接出 2K 约 4 元；先出 768P 花 2.5 元、满意后再重生成到 2K 再加 1.5 元，合计同样约 4 元。差别在于：不满意的镜头在 768P 阶段就被淘汰了，2K 的预算没有被浪费。
4. 长度换算。按 768P、约 150 秒（2.5 分钟）单集计算，生成费用约 75～76 元量级。这解释了为什么”批量试跑用低分辨率、定稿再升分辨率”是成本控制的关键动作。

三、提示词公式：六段式结构

常见流传的公式是”人物外貌 + 细微动作 + 光影 + 单一运镜 + 电影质感 + 帧率 + 环境音”。思路方向正确，但缺了两块关键内容：规格（时长、画幅、整体类型）和素材分工（参考图/参考视频/参考音频各管什么）；帧率则属于无效项。

修正后的公式：

规格（时长、画幅、整体类型）
+ 素材分工（图1 / 视频1 / 音频1 各负责什么）
+ 主体与动作（可见的过程，不写结论）
+ 镜头语言（景别、运镜——只写一种）
+ 质感与情绪
+ 声音（台词、环境音、要不要配乐）

3.1 规格放最前面

例如”8 秒，9:16 竖屏，电影写实质感”。放在开头的作用是让模型先确定”要拍什么类型的片子”，后续所有描述都在这个类型框架内被解释。规格缺失时，模型需要在主体、镜头、质感之外自行猜测时长节奏和画幅取向，容易得出与预期不符的构图。

3.2 素材分工必须写清”各管什么”

多素材输入是形象一致性的主要抓手，但只把图丢进去不说明用途，模型不知道哪张是角色、哪张是场景、哪段视频是动作参考。写法建议显式声明：

• 图1：主角面部与服装参考，保持五官与发型一致；
• 图2：场景与光线参考，只取环境色调与空间结构；
• 视频1：动作节奏参考，只取肢体运动方式，不取人物形象；
• 音频1：角色音色参考，只取音色，不取台词内容。

“只取什么、不取什么”这句限定往往比”参考这张图”更有效，它能显著减少无关特征污染。

3.3 动作写过程，不写结论

这是提升可用率最见效的一条。

• 结论式（拍不出来）：”她很伤心。”
• 过程式（拍得出来）：”微微低头，缓缓抬眸，眼底含泪，肩膀轻轻起伏。”

模型能渲染的是可见的物理变化：位移、朝向、开合、力度、速度、顺序。情绪词只能作为质感补充，不能作为动作主体。同理，”他跑了起来”应改为”上身前倾，双臂前后摆动，脚步连续落地，衣角向后扬起”。

过程式写法有三个要素：部位（哪个身体部位）、变化（朝哪个方向、开还是合）、节奏（缓慢/急促、连续/一次）。三要素齐全，动作才可复现。

3.4 运镜只写一种

一条提示词只允许出现一种运镜。写”推镜头并环绕再摇向左侧”，模型会把三种运动叠加或随机挑选一种，结果就是”镜头乱晃”。需要多机位时，正确做法是拆成多条镜头分别生成，在剪辑阶段拼接。

常用运镜词汇应收敛到有限集合：固定机位、推（推近）、拉（拉远）、摇（左右/上下摇）、移（平移）、跟（跟随主体）、升/降、环绕、手持轻微晃动。景别同样收敛：大远景、远景、全景、中景、近景、特写、大特写。

3.5 质感与情绪

质感描述应指向可观察的成像特征，而非抽象评价。可用的方向：光源类型与方向（侧逆光、顶光、窗外漫射光）、明暗对比强弱、色温偏冷/偏暖、景深浅/深、颗粒感、空气透视、材质反光程度。情绪则用来约束表演幅度与节奏，例如”克制、内敛、不夸张”。

3.6 声音要显式交代

声音必须分三层写清，缺项就会被”自由发挥”：

• 台词：写实际台词文本，并注明谁来说、语速语调；
• 环境音：具体声源（雨声、脚步回声、人群嘈杂、风声），不要写”合适的音效”；
• 配乐：明确”要/不要”，以及风格。不写”不要配乐”，模型常会自动铺一层音乐，与后期混音冲突。

关于底噪：如果生成的音轨出现持续电流状底噪，优先做三件事——缩短单条时长（长片段更易累积噪声）、简化同时发声的声源数量、避免在同一提示词里同时要求多人台词与复杂环境音；仍无法解决时在后期统一做降噪与响度归一化。

四、前置准备

1. 账号与权限：完成平台实名认证，开通视频生成能力，确认接口调用权限与配额。
2. 素材准备与命名规范：角色参考图、场景参考图、动作参考视频、音色参考音频统一放至对象存储，使用 角色名_视角_版本 这类可检索命名。命名混乱是后期”角色漂移”排查困难的主因。
3. 分镜表：镜头号、时长、景别、运镜、动作描述、台词、环境音、依赖素材。这张表是批量生产的核心资产。
4. 提示词模板库：把六段式做成可填空模板，按场景分类维护。
5. 计费与账单查询入口：在控制台确认单价与用量，用于成本预估。

五、实施步骤

步骤 1：把剧本拆成单镜头脚本

按”一个镜头一件事”拆分，单镜头时长建议 4～8 秒。超过 8 秒的动作复杂度和一致性风险明显上升。这一步决定了后续所有提示词的质量上限，不能跳过。

步骤 2：为每个镜头分配素材并编号

同一角色的所有镜头必须复用同一张参考图；场景切换时更换场景参考图但保留角色参考图。素材编号一旦确定，全流程不得中途更换版本。

步骤 3：按六段式填写提示词

逐段填写，不允许省略规格与素材分工两段。填完后自检三项：运镜是否只有一种；动作是否写成过程；声音三层是否齐全。

步骤 4：配置生成参数

只设置接口真实开放的字段。示意性请求结构（字段名以实际接口文档为准）：

{
  "prompt": "规格+素材分工+主体动作+镜头+质感+声音 拼接文本",
  "duration": 5,
  "ratio": "9:16",
  "resolution": "768P",
  "reference_images": ["img_role_01", "img_scene_02"],
  "reference_audio": ["aud_voice_01"],
  "seed": 12345
}

ratio 用比例而非像素；duration 与分镜表一致；固定 seed 有助于对比不同提示词的差异，把变化归因到提示词本身。

步骤 5：低分辨率批量试跑

全部镜头先在 768P 生成，一次跑完整集。这一步的唯一目的是筛选：动作是否成立、角色是否一致、运镜是否正确。

步骤 6：筛选与重生成

对通过筛选的镜头执行 2K 重生成；未通过的镜头只修改提示词的问题段落，保持其他段落不变，重跑 768P。修改时一次只改一处，否则无法判断是哪句话起了作用。

步骤 7：声音对齐与后期

统一降噪、响度归一化，补配乐与环境音层，与画面做口型/节奏对齐。

步骤 8：归档与复用

把每个镜头的最终提示词、素材版本、参数、seed 一起归档。这是让团队产能可积累的关键，也是后续排查”为什么这条不如上次”的唯一依据。

六、11 个场景模板

以下模板均按六段式组织，示例中的素材编号需替换为实际编号。

场景 1：人物情绪特写
适用：独白、反应镜头。
提示词：8 秒，9:16 竖屏，电影写实质感。图1 为角色面部参考，保持五官与发型一致。角色微微低头，缓缓抬眸看向镜头，眼底含泪，肩膀轻轻起伏，呼吸可见。近景固定机位，浅景深。窗外漫射侧光，冷调，克制内敛的情绪。无人声，只有轻微环境风声与布料摩擦声，不要配乐。
注意：不要在同一镜头里加入转身、走位等大幅动作。

场景 2：双人对戏
适用：对话、冲突场面。
提示词：6 秒，16:9 横屏，电影写实。图1 为角色A面部参考，图2 为角色B面部参考，两人分别位于画面左右。角色A说完之后角色B微微前倾身体并皱眉，双手在身前握紧。中景，固定机位轻微手持晃动。室内暖光，明暗对比强。角色A台词："你再说一遍。"语速偏快；环境音为室内空调低频；不要配乐。
注意：一次只安排一句台词，双人同时说话会显著降低清晰度。

场景 3：环境交代大远景
适用：开场、场景转换。
提示词：5 秒，16:9 横屏，电影写实。图1 为场景参考，只取空间结构与色调。晨雾中的山谷，云层缓慢向右移动，树梢随风轻摆，远处飞鸟掠过。大远景，缓慢升镜头。冷调侧逆光，空气透视明显。无人声，环境音为风声与远处鸟鸣，不要配乐。
注意：环境镜头不写人物，可避免不必要的形象生成。

场景 4：动作打斗
适用：武打、对抗。
提示词：5 秒，16:9 横屏，电影写实。图1 为角色面部与服装参考。角色右脚踏地前冲，右臂由后向前挥出，衣摆向后扬起，落地时脚下扬起尘土。全景，跟随主体的横向跟镜头。强侧光，高对比，轻微运动模糊。无人声，环境音为脚步落地与衣料破风声，不要配乐。
注意：一条镜头只写一个完整动作回合，第二回合另起一条。

场景 5：跑动与追逃
适用：追逐戏。
提示词：6 秒，9:16 竖屏，电影写实。图1 为角色参考。角色上身前倾，双臂前后交替摆动，脚步连续落地溅起水花，头发向后飘动。中景，跟随主体的跟镜头。阴天顶光，冷调。无人声，环境音为连续脚步与呼吸声，不要配乐。

场景 6：商品与静物展示
适用：电商、广告。
提示词：5 秒，1:1 方形，商业摄影质感。图1 为商品外观参考，保持外形、比例与标识不变。镜头缓慢绕商品旋转，商品表面高光沿边缘移动，背景虚化。近景，环绕运镜。柔和顶光加左侧补光，浅景深。无人声，无环境音，不要配乐。
注意：明确写出”保持外形与标识不变”，可显著减少细节漂移。

场景 7：真人口播讲解
适用：知识类短视频。
提示词：8 秒，9:16 竖屏，写实人像。图1 为人物面部参考，音频1 为音色参考，只取音色不取台词内容。人物面向镜头，说话时下颌与嘴唇自然开合，右手在胸前做一次小幅手势，视线保持看向镜头。近景固定机位，浅景深。均匀柔光，中性色温。台词："这一步的关键在于先固定参考图。"语速中等；无环境音；不要配乐。
注意：口型清晰度对分辨率敏感，这类镜头建议直接以 768P 试跑通过后再升 2K。

场景 8：空镜转场
适用：段落衔接。
提示词：4 秒，16:9 横屏，电影写实。图1 为场景参考。雨水沿窗玻璃向下流下，玻璃后的街灯光斑缓慢散开。特写，固定机位。夜景，暖色光斑与冷色背景对比。无人声，环境音为雨声，不要配乐。

场景 9：特效与法术
适用：奇幻、玄幻题材。
提示词：5 秒，16:9 横屏，电影写实带特效。图1 为角色参考。角色右手抬起至胸前，掌心出现旋转的光环，光环由小扩大并向上飘散出粒子。中景，缓慢推近镜头。自发光为主光源，暗背景，高对比。无人声，环境音为低频轰鸣，不要配乐。
注意：特效类镜头对提示词顺序敏感，先写动作起因，再写特效结果。

场景 10：自然元素
适用：水、火、风、雪等氛围镜头。
提示词：5 秒，9:16 竖屏，电影写实。无人物。篝火火焰自下向上跳动，火星随热气上升，周围石块表面明暗持续变化。近景固定机位。以火焰为唯一光源，暗环境。无人声，环境音为木柴燃烧爆裂声，不要配乐。

场景 11：音频驱动说话镜头
适用：已有配音，需要生成匹配口型的画面。
提示词：8 秒，9:16 竖屏，写实人像。图1 为人物面部参考，音频1 为驱动音频，人物口型与音频1 完全对齐。人物保持坐姿，肩颈放松，说话时头部有轻微上下点动，双手放在桌面不动。近景固定机位，浅景深。窗边侧光，暖调。使用音频1 作为人声，无环境音，不要配乐。
注意：此类模板中”口型对齐”的权重最高，其余描述应尽量精简，避免与音频驱动冲突。

七、结果验证

生成结果是否合格，按以下清单逐项核对，任一项不通过即回到步骤 6：

• 时长与画幅：实际输出时长、比例与配置一致；
• 一致性：角色五官、发型、服装与参考图一致，跨镜头无漂移；
• 动作：动作是否按”部位—变化—节奏”完整呈现，有无缺失或多余动作；
• 运镜：是否只出现指定的那一种运镜；
• 声音：台词内容正确、无明显底噪、环境音与画面匹配、无意外配乐；
• 可复现性：固定 seed 重跑一次，输出应基本一致。若不一致，说明提示词仍存在歧义描述。

八、常见问题与排查

现象	常见原因	处理思路
人物越动脸越歪	单镜头动作过多、参考图清晰度不足	拆分动作；更换正面清晰参考图；缩短时长
镜头乱晃	一条提示词写了多种运镜	只保留一种运镜，其余拆成独立镜头
表情僵硬或不像人	动作写成情绪结论	改写为部位、变化、节奏三要素的过程描述
出现意外配乐	声音段未写”不要配乐”	显式声明配乐要/不要
音轨有电流底噪	声源过多、时长过长	减少同时发声源、缩短时长、后期降噪
商品标识变化	未限定”保持不变”	明确写出保持外形与标识，或改用参考图为主、文本描述为辅
台词口型不同步	驱动音频与画面提示冲突	使用音频驱动模板，精简其他描述
改提示词无改善	一次改了多处	一次只改一处，配合固定 seed 对比

九、优化与成本控制建议

• 分辨率分级策略：所有镜头先 768P 试跑，通过后再 2K 重生成。按前述单价，这一策略不增加总成本，但能把 2K 预算集中在已验证的镜头上。
• 建立镜头复用库：把空镜、环境镜、转场镜归入素材库，同类镜头跨集复用，直接减少生成量。
• 提示词版本管理：提示词与代码同等对待，纳入版本管理，记录每次修改与效果差异。
• 配额与告警：在监控告警能力上设置用量阈值，避免批量任务失控消耗额度。
• 素材质量前置：参考图的分辨率、光照与角度决定一致性上限，提升素材质量的收益通常高于反复调提示词。
• 生成与后期解耦：不要让生成环节承担降噪、调色、字幕等后期工作，分工明确可显著降低单条成本。

十、总结

云端视频生成模型的效果差异，主要来自输入结构化程度，而非参数微调。核心结论有三条：采样步数与 CFG 等本地部署参数在云端托管模型中不生效；帧率固定、画幅用比例而非像素；提示词按”规格 + 素材分工 + 主体与动作 + 镜头语言 + 质感与情绪 + 声音”六段组织，动作用过程而非结论描述，运镜一条只写一种，声音三层显式交代。

落地路径是：拆分镜脚本 → 分配素材编号 → 套模板填提示词 → 768P 批量试跑 → 筛选并针对性重写 → 2K 重生成 → 声音对齐与归档。配合分镜表与提示词版本管理，团队的产出质量才可复现、可持续积累。

后续可继续深入的方向包括：多镜头一致性的参考素材规范、音频驱动口型的提示词约束技巧、批量任务的失败重试与幂等设计，以及在监控与成本核算上的自动化看板搭建。