AI视频为什么容易翻车?不是提示词太短,是你没有导演系统(上)

为什么你的 AI 视频画面很精美，但一动起来就像摆拍？

人物脸很漂亮，光影很电影，质感也不差。

但镜头一连起来，问题全出来了：

人物一会儿像本人，一会儿像表弟。

办公室门上一镜在左边，下一镜门跑到右边。

两个人对话，A 张嘴，B 也跟着抽风。

情绪戏更惨，角色哭得很努力，观众毫无感觉。

很多人第一反应是：提示词不够长。

于是继续加：

电影感、8K、大师级、情绪浓烈、真实自然、镜头推进、高级光影……

最后提示词写成裹脚布，视频还是像随机抽出来的。

问题不在词少。

问题在于：你想用一段提示词，干完整个导演组的活。

一：核心观点

不是把提示词写得更长，而是把 AI 视频拆成“资产、叙事、镜头、动作、修正”五层控制。

一句话：AI 视频不是生成出来的，是导演出来的。

二、误区拆解

误区一：以为提示词越长，视频越稳定

很多人以为：描述越细，AI 越听话。

真实问题是：

提示词太长以后，信息优先级会混乱。人物、场景、光影、动作、镜头、情绪全部挤在一起，AI 不知道先保谁。

结果就是：

人物变脸、动作丢失、镜头乱飘、风格跳变。

正确方向是：

不要堆词，要分工。

人物用人物身份板控制；

场景用场景资产图控制；

镜头用故事板控制；

风格用预想效果图控制；

动作用时间段控制；

后期用补拍和剪辑修正。

提示词只负责最后整合，不负责包治百病。

误区二：以为画面漂亮，视频就高级

很多人以为：只要画面足够电影感，短片就成立。

真实问题是：

电影感不是滤镜，不是大光圈，不是 8K。

电影感来自镜头背后的叙事逻辑。

结果就是：

画面像高级写真，但没有戏。

角色像模特站台，不像人在故事里。

正确方向是：

每个镜头先问一句：

这一镜，角色到底在完成什么行动？

不是“他很伤心”。

而是“他把辞退通知书折起来，放回桌面，抬头看向对方”。

行动比形容词重要。

误区三：以为情绪要写在脸上

很多人以为：想表达悲伤，就写哭。

想表达愤怒，就写 angry。

想表达紧张，就写 nervous。

真实问题是：

AI 很容易给你一张“情绪结果图”。

脸上挂泪，眼神空洞，没有情绪。

结果就是：

角色很努力，观众很冷静。

正确方向是：

不要让角色表演情绪，要让世界替他表达情绪。

悲伤可以是：

空房间；

冷蓝光；

下雨窗户；

桌上枯萎的花；

背对镜头的人；

没有收拾的第二套餐具。

情绪不是写出来的，是通过环境刻画的。

误区四：以为多角色可以一句话写完

很多人以为：“左边男人喝咖啡，右边女人跳舞，然后男人站起来鼓掌”这种句子很清楚。

真实问题是：

人类读得懂，AI 未必稳。

多个角色、多个动作、多个时间关系混在一起，AI 很容易抓错重点。

结果就是：

女人跳舞对了，男人一边端咖啡一边鼓掌。

或者男人动了，女人变成背景板。

再或者两个人互相污染，场面像模型喝多了。

正确方向是：

多角色必须拆成：

空间区域；

时间段；

动作优先级。

不要写作文，要写调度表。

误区五：以为生成完视频就算结束

很多人以为：AI 视频就是提示词进去，成片出来。

真实问题是：这是幻想。

真正能用的 AI 视频，基本都要经历：

首帧控制；

尾帧控制；

多次生成；

局部编辑；

补拍反应镜头；

剪辑拼接；

音效和口型修正。

结果就是：

没有后期意识的人，会一直抽卡。

有后期意识的人，会开始控片。

正确方向是：

把 AI 当摄影组，不要当许愿池。

三：具体方法

3.1：先建资产，再谈生成

一句话解释：先把人物、场景、道具、风格固定下来，再进入剧情和视频生成。

底层逻辑：AI 不是记忆型导演。你不提前给它明确资产，它每次都会重新脑补。

人物身份板解决“谁”？场景资产图解决“在哪”？道具资产图解决“拿什么”？

风格参考图解决“长什么样”？

反面案例

低级提示词：

一个唐僧站在现代会议室里，被如来通知裁员，电影感，真实，镜头推进。

这个提示词会出什么问题？

唐僧造型每次变；

如来像佛像、老板、和尚之间随机切；

会议室布局乱；

通知书可能消失；

镜头推进但人物动作僵硬。

正确做法

先准备四张资产：

唐僧人物身份板；

如来 HR 人物身份板；

灵山集团汇报厅场景图；

优化通知书道具图。

实操步骤

生成人物三视图；
生成主场景固定图；
生成关键道具图；
写人物与场景约束；
再写剧情与分镜。

提示词模板

【人物资产】

请严格参考唐僧人物身份板：

32岁男性，光头，九个戒疤，金框圆眼镜，深灰僧式商务正装，手持《玄奘绩效改进通知书》，气质温和但被压抑。

请严格参考如来 HR 人物身份板：

中年男性，螺髻，长耳，土黄色暗纹僧袍款商务正装，佩戴工牌，站在左侧办公台后，表情职业化、冷静、带压迫感。

【场景资产】

地点为灵山集团汇报厅。

正前方巨大LED屏，左侧为HR办公台，右侧为空旷站立区。

请保持办公台、屏幕、人物左右位置、主光源方向不变。

不要新增桌子，不要改变空间布局，不要让人物随机换位置。

3.2：用“核心行动”替代情绪形容词

底层逻辑：AI 擅长生成可见动作，不擅长理解抽象心理。

情绪必须落到：

手；

眼神；

呼吸；

身体方向；

物品互动；

空间距离变化。

反面案例

唐僧非常震惊、伤心、愤怒，表情复杂，情绪崩溃，电影感特写。

这种写法的问题是：

情绪词太虚；

表情容易用力；

动作缺失；

画面像摆拍剧照。

正确做法

把情绪翻译成动作：

震惊：手指停在纸边，迟迟没有翻页；

愤怒：把通知书慢慢折好，按在桌面上；

反击：抬头，向前半步，语速变慢；

冷静：眼神稳定，不再解释。

提示词模板

【本镜核心行动】

唐僧没有哭，也没有大喊。

他先低头看着通知书，右手拇指压住纸张边缘，停顿两秒。

随后他把通知书慢慢折成两半，放回桌面。

最后抬头直视如来 HR，身体向前半步。

【情绪表达】

不直接表现“愤怒”。

通过手指用力、呼吸变慢、眼神从错愕变为冷静来表现压抑后的反击。

3.3：用镜头语法控制观众心理

底层逻辑：观众和角色的距离，不只来自剧情，也来自镜头。

远景：让人变小，适合孤独、宿命、无力；

中景：保留动作和环境，适合叙事；

近景：压缩注意力，适合对话和反应；

特写：放大细节，适合情绪爆点；

广角：强调空间压迫；

长焦：强调隔离、窥视和压缩。

反面案例：

你想表达“被裁员的压迫感”，却写：

大远景，唐僧站在巨大的会议室里，表情愤怒，浅景深，长焦压缩，广角镜头，电影感。

这就很混乱。

大远景会削弱人物情绪。浅景深和大远景不适配。长焦压缩和广角透视又互相打架。

正确做法

压迫感可以这样拍：

中近景；

低机位或平视偏低；

前景压住人物；

背景屏幕巨大；

冷色屏幕光切脸；

镜头缓慢推进。

提示词模板：

【镜头语言】中近景，50mm标准镜头，平视略低机位。

前景左侧有虚化的HR办公桌边缘，形成压迫遮挡。

中景为唐僧站在屏幕右侧，手持通知书。

后景为巨大的LED屏幕，冷白光从屏幕方向照亮他半张脸。

镜头在5秒内缓慢推进，突出他从被动接受到冷静反击的变化。