AI 视频提示词入门：运镜、动作与时长怎么写

图像提示词描述“一个瞬间”，视频提示词描述“一段时间”。生成一张图，你只需说清画面里有什么；生成一段视频，你还要说清画面如何变化：主体做什么动作、镜头怎样移动、光线和氛围如何延续。所以视频提示词通常更长，更像一份写给摄影机看的导演脚本。

新手最常见的错误，是把图像提示词直接拿来生成视频：只堆风格标签和画面元素，没有动作和镜头语言，结果常常是主体僵在原地或镜头乱晃。记住一个心法：写视频提示词时，把自己当成导演在给摄影机下指令，而不是画家在描述一幅静态的画。

一条结构完整的视频提示词，通常按这个顺序组织：主体、动作、场景、运镜、氛围。主体是画面主角，尽量具体，例如“一位穿米色风衣的年轻女性”，而不是“一个女人”；动作是主体在镜头里做的事，例如“转身走下台阶”；场景交代地点与时间，例如“傍晚的江南古镇石板路”。

运镜说明镜头怎么动，例如“缓慢推近”；氛围负责光影、色调与情绪，例如“暖色夕阳逆光，空气里有细雨丝，电影感”。五个要素各写一小句，用逗号连接，就是合格的入门提示词。提交前按顺序自查五问：有没有主角？在做什么？在哪里？镜头怎么动？什么光线与情绪？五问齐全，成功率明显更高。

运镜词是视频提示词的“行话”，主流模型对常见英文运镜词的理解相对稳定。推近类有 slow push-in 和 dolly-in，让镜头缓缓靠近主体，适合放大情绪；拉远类有 zoom out 和 pull back，用来揭示环境全貌。左右摇镜是 pan left 和 pan right，上下摇则是 tilt up 和 tilt down。

环绕主体拍摄写 orbit，常用于人物特写；跟随主体移动写 tracking shot 或 follow shot；想要手持纪录片的轻微晃动感，写 handheld；低角度贴地推进写 low-angle tracking；航拍俯瞰写 aerial drone shot。一段视频建议只用一到两个运镜词：指令堆得越多，模型越容易混乱。

主流文生视频工具的单次生成时长常见为五到十秒，只够讲一个“动作句”。所以动作描述的第一原则，是一次只写一个连贯动作。例如“她拿起茶杯，轻轻吹了吹，喝了一口”是可以的；而“她喝茶、放下杯子、走到窗边、打开窗”就太挤了，模型很可能吞掉后半段动作，或把人物画成鬼影。

第二个原则是动作要有起点和终点，过程越具体越好。“她缓缓抬头，望向画面右侧的远方”就比“她在看风景”更可控。第三个原则是给动作配上速度与情绪词，例如“缓慢地”“慵懒地”“突然地”，会明显影响成片节奏。人物动作尽量选日常、连贯、幅度适中的行为；复杂打斗、多人互动、急速变向是各家模型的普遍难点，能避开就避开。

时长和画面比例一般不写进提示词正文，而是放在工具的生成参数里：输入框附近通常有时长（duration）和画面比例（aspect ratio）选项。单次时长常见档位在五秒到十秒左右，部分工具还支持自动判断或多段续接；比例常见十六比九横屏、九比十六竖屏与一比一方形。

竖屏适合手机端短视频，横屏更适合电影感场景展示。提示词里可以补一句“竖屏构图，人物居中”之类的描述与参数呼应，但真正的时长与比例请以生成参数为准。另外，同一模型通常还分不同质量档位，高画质档往往更慢、消耗更大，生成前先确认当前档位，避免浪费生成次数。

图生视频是先把一张静态图片作为首帧，再让模型让它动起来。此时分工变了：画面内容由图片负责，提示词只负责“怎么动”。重点写动作和运镜，例如“她缓缓转身看向镜头，发丝被微风吹起，镜头缓慢推近”，不必重复描述图片里已有的服装、背景等细节。

下笔前先仔细看原图：人物姿态、视线方向、光影走向，动作要顺着这些线索写，别让动作与画面打架，例如原图是人物背影，就别写她微笑回眸看镜头。首图质量也决定视频上限：主体清晰、构图干净、光影自然的图片，动起来才不容易崩坏。

最后给出三组完整示例，均为文生视频写法，可照抄后替换主体与场景。第一组，人物情绪特写：一位穿米色风衣的年轻女性站在江南古镇的湿石板路上，她缓缓回头望向镜头，发丝被微风吹起，暖色夕阳逆光，空气中飘着细雨丝，镜头缓慢推近至面部特写，电影感，浅景深。

第二组，静物治愈展示：一只白色陶瓷茶杯放在原木桌上，杯口热气袅袅升起、缓慢飘散，窗外晨光斜射进来，光束中尘埃缓缓浮动，镜头从茶杯侧面缓慢横移到正面，安静治愈，写实风格。第三组，城市夜景航拍：夜幕下的城市高架桥，车流灯光连成光带，镜头从低角度缓慢升起并向前推进，逐渐展现整片天际线，霓虹倒映在湿润路面上，蓝紫色夜晚色调，广告片质感。

照抄时建议先只替换主体和场景，保留运镜与氛围部分，多跑几轮感受模型响应，再逐步换成自己的运镜组合。视频提示词没有标准答案，同一指令在不同模型、不同档位下结果都会不同，重要的是建立“主体加动作加场景加运镜加氛围”的表达习惯，剩下的交给反复尝试。