AI生图vs生视频:提示词的核心差异

用同一句提示词分别输入 Midjourney 和 Runway，结果可能天差地别。本文从时间维度、镜头语言、物理逻辑、风格一致性、参数体系 5 个维度，系统拆解 AI 生图与生视频提示词的本质区别，帮你建立跨模态提示词思维，避免「生图逻辑套视频」的常见误区。

上周我做了一个实验：把同一句提示词——「一位穿红色连衣裙的女士走在雨中的巴黎街头」——分别输入 Midjourney v6 和 Runway Gen-3。

Midjourney 产出一张令人惊艳的静态画面：雨滴凝固在半空，光影层次分明，氛围感拉满。

Runway 生成的视频却让人困惑：女士走路像在飘，雨滴忽大忽小，第三秒时她的发型突然变了。

问题不在工具，而在提示词逻辑本身。

生图提示词和生视频提示词，看起来都是「用文字描述想要的画面」，但底层思维完全不同。理解了这一点，你的 AI 视频产出质量会有质的飞跃。

一、静态快照 vs 动态叙事：时间维度的本质差异

生图提示词的底层思维是快照思维——你只需要描述某一个瞬间的状态。

「一只猫坐在窗台上，阳光透过百叶窗洒落，温暖午后。」

这句话对生图来说足够完整。AI 会补全光影、构图、质感，产出一张精美的静态图。

但如果直接套用到视频生成上，结果很可能是：猫纹丝不动，画面像一张 JPG 被强行拉成视频——因为 AI 不知道这只猫接下来该做什么。

生视频提示词必须考虑时间线。

一个有效的视频提示词，本质上是在描述一个「事件」而非一个「状态」。

对比一下：

• ❌ 生图逻辑（静态）：「一只猫坐在窗台上」
• ✅ 视频逻辑（动态）：「午后，一只橘猫跳上窗台，伸了个懒腰，然后蜷缩起来打盹，阳光随时间缓慢移动」

关键方法：时间轴描述法

把视频想象成一条时间轴，你需要标注关键节点上的动作或状态变化：

[0-2 秒] 起势/引入 → [2-5 秒] 核心动作 → [5-8 秒] 收尾/情绪落点

比如描述一个咖啡拉花视频：

「特写镜头，0-3 秒缓缓推进到咖啡杯，3-6 秒牛奶倒入奶缸产生白色漩涡，6-8 秒拉花在液面逐渐成形，一朵叶子图案清晰呈现。」

这种「时间戳+动作」的结构，能让 AI 更准确地理解动态意图。

左侧静态快照思维 vs 右侧时间轴动态叙事示意图

二、镜头语言：视频提示词的「导演思维」

这是生图提示词和生视频提示词最直观的差异。

生图提示词几乎不涉及镜头。你可以写「一位老人坐在公园长椅上」，Midjourney 会自动选择一个不错的视角。

但视频不行。你不告诉 AI 怎么「看」，它就会自己瞎看。

必须掌握的核心镜头术语：

镜头运动：

• 推镜头（push in / dolly in）：画面从远到近，聚焦主体
• 拉镜头（pull out / dolly out）：从特写拉远，展现场景
• 摇镜头（pan）：镜头水平或垂直转动
• 跟镜头（tracking shot）：镜头跟随主体移动
• 航拍（aerial shot / drone shot）：从上往下的俯瞰视角

景别：

• 特写（close-up）：聚焦面部或物体细节
• 中景（medium shot）：人物膝盖以上
• 全景（wide shot）：展示完整场景
• 鸟瞰（bird's eye view）：正上方向下看

改写对比：

• ❌ 无镜头语言：「一个人在城市街道上行走」
• ✅ 有镜头语言：「中景跟镜头，一位穿黑色风衣行人在雨中行走，镜头始终保持平行跟随，背景是模糊的城市灯光，慢速推进到面部特写」

后者生成的视频质量会显著更高，因为它给了 AI 明确的「导演指令」。

一个实用技巧： 如果你不确定该用什么镜头，可以借鉴电影语言。想制造紧张感用快速推镜头，想营造孤独感用缓慢拉镜头，想展示环境用航拍开场。

三、运动描述与物理逻辑：为什么 AI 视频容易「穿帮」

AI 视频生成中最让人出戏的问题，往往不是画面不好看，而是物理逻辑崩了。

常见问题包括：

• 人物走路像滑行，脚不落地
• 水流往上飘，重力消失
• 物体在帧与帧之间突然变形
• 动作不连贯，像 PPT 翻页

这些问题很大程度上可以通过提示词中的物理约束词来缓解。

有效的物理约束表达：

• 「符合自然重力规律」
• 「连贯的步行循环，双脚交替落地」
• 「液体沿杯壁缓慢流淌，符合流体动力学」
• 「动作过渡平滑，无突变」
• 「物理真实的布料飘动」

不同工具对物理的理解能力差异很大：

Sora 在物理模拟上表现突出，能较准确地处理重力、碰撞和流体。Runway Gen-3 在人物动作连贯性上较强。Pika 则在风格化视频中物理逻辑相对宽松。

了解各工具的特性，能帮助你调整提示词策略——在物理模拟强的工具上可以更细致地描述物理过程，在物理模拟弱的工具上则应避免过于复杂的物理场景。

四、风格一致性：从单帧到多帧的挑战

生图只需保证一张图内部风格统一，生视频则要保证几十甚至上百帧之间风格连贯。

这是视频生成中最棘手的挑战之一。常见问题：

• 人物发型/服装在视频中突然变化
• 场景色调忽冷忽热
• 画风在写实和卡通之间反复横跳

解决方案：风格锚定词

在提示词中明确指定一个「锚点风格」，让 AI 以此为基准保持一致性：

「整体风格为电影《银翼杀手 2049》的视觉风格，赛博朋克美学，橙青对比色调，全程保持一致。」

人物一致性策略：

• 描述具体而非笼统：「一位短棕色卷发、穿深蓝色西装的 30 岁女性」 比 「一位女士」 好得多
• 指定固定特征：「左脸颊有一道细疤」这种独特标识能帮助 AI 锁定人物
• 避免过度复杂的服装细节，减少 AI「记不住」的概率

对于长视频，还可以考虑分段生成再拼接的策略，每段提示词中重申关键视觉锚点。

风格一致性策略对比，左=无锚定词导致风格漂移，右=有锚定词保持连贯

五、参数体系差异：各平台提示词的特殊语法

不同工具的提示词参数体系差异很大，了解这些差异能让你少走弯路。

通用参数（大多数工具支持）：

• 风格描述：cinematic、photorealistic、anime style
• 画质描述：8K、highly detailed、sharp focus
• 光线描述：golden hour lighting、dramatic shadows

平台专属参数：

跨平台通用模板：

[镜头类型] + [主体描述] + [动作/事件] + [环境] + [风格] + [时间结构]

示例：

「航拍镜头，一位穿白色连衣裙的女性在花田中奔跑，风吹动裙摆和花海形成波浪，电影感暖色调，开场缓慢下降至地面，跟随人物穿过花田，最后拉远展示整片花海。」

这个模板在大多数视频生成工具上都能获得不错的结果。

从提示词工程师到跨模态创作者

回到开头的实验——为什么同一句提示词在生图和生视频上结果差异这么大？

因为生图是在「画一个瞬间」，生视频是在「讲一个故事」。

两者的底层逻辑差异决定了提示词结构的根本不同：生图靠「状态描述」，生视频靠「时间叙事」。

AI 内容创作正在从「单模态调参」走向「跨模态叙事」。未来最有竞争力的创作者，不是能背最多提示词模板的人，而是理解不同模态底层逻辑、能灵活切换思维框架的人。

建议你现在就做一件事： 选一个你熟悉的生图提示词，用本文的方法改写成视频提示词，实际跑一遍，对比差异。实践一次，胜过阅读十篇教程。

觉得有用？点个关注，持续获取优质内容。