《AI短片》问题九成不在模型,在你写提示词的方式

刷到别人用AI做的短片：人物稳定、运镜丝滑、光影像电影截帧。你打开同一个工具，把攒了半年的形容词全砸进去——"电影感、高级光影、真实质感、大师运镜"——结果生成出来：主角走到一半换了张脸，镜头晃得像地震现场，剧情和你想的完全不是一回事。

先说结论：问题九成不在模型，在你写提示词的方式。你把提示词当成了许愿池，而AI需要的，是一份导演的拍摄清单。这篇文章把这个认知差补上，看完你就知道那些能稳定出片的人，到底在写什么。

一、AI不缺想象力，缺的是你的"施工图"

很多人对提示词有个根本误解：以为写得越"高级"，画面就越高级。于是提示词里塞满了情绪词——唯美、震撼、氛围感拉满、电影级质感。

问题是，这些词在AI眼里约等于没说。

"电影感"是什么？是《布达佩斯大饭店》的对称构图，还是《谍影重重》的手持晃动？这两种"电影感"背道而驰，你不说清楚，AI只能掷骰子。它掷出来的结果，就是你看到的那些混乱画面。

换个角度想就通了：真实片场里，导演从来不会对摄影师喊"给我拍出电影感"。他会说："低角度，缓慢推轨，逆光，浅景深。"每个词都对应一个可执行的动作。

AI视频模型是用真实影像数据训练出来的，它认识的是摄影行业的"行话"，不是你朋友圈的形容词。你写"缓慢推轨入镜"，它在训练数据里见过上万个推轨镜头，稳稳给你还原；你写"运镜牛一点"，它只能靠猜。

所以，写提示词的第一步不是打开词库，而是切换身份——别当许愿的甲方，去当发号施令的导演。

行业里跑通率最高的提示词结构，其实各家官方文档说法惊人一致，拼起来就是六件事：

主体 + 动作 + 场景 + 镜头语言 + 光影氛围 + 约束条件

一个个说：

1. 主体： 画面里是谁？别只写"一个女人"，要写"穿黄色雨衣、饱经风霜的中年渔妇"。特征越具体，人物越不容易崩。

2. 动作： 她在干什么？用有物理感的动词。不要"走路"，要"顶着风缓慢前行，雨衣下摆被吹得贴在腿上"。AI对物理细节的响应，远好于抽象描述。

3. 场景： 在哪、什么时间。"黎明时分，风暴刚过的码头"，一句话把时空钉死。

4. 镜头语言： 镜头怎么动。这是普通玩家和高手拉开差距的地方，下一节专门讲。

5. 光影氛围： 光从哪来、什么色调。"冷色调背光，雨雾里透出暖黄灯光"——注意，是描述光的来源和方向，不是喊"光影大气"。

6. 约束条件： 明确说"不要什么"。负面提示词写上"崩脸、多余手指、画面闪烁、突然跳切"，能帮你挡掉一大半废片。

有人会问：写这么细，得写多长？其实60~100个词的精准提示词，效果远好于两千字的形容词轰炸。字数不值钱，信息密度才值钱。每一句话都该回答一个具体问题，回答不了的，删掉。

这一节建议直接收藏。左边是你嘴边的模糊需求，右边是AI能执行的精确指令：

为什么这套翻译这么灵？因为右边每一个术语，都对应真实片场里一种标准操作，模型的训练数据里全是这些镜头的真实样片。你用行话，等于直接调取它的肌肉记忆。

再进一步，镜头语言还要和景别配合：特写镜头就多写微表情——"眼眶泛红，睫毛轻颤"；全景镜头就多写环境氛围——"暮色下的长街，灯笼次第亮起"；动作镜头就补运动轨迹——"从屋脊跃下，斗篷展开划出弧线"。不同景别喂不同的细节，画面才不会顾此失彼。

现在多数人做片子的主流路线是"先生图、再图生视频"，人物一致性好控制。但这里藏着一个高频错误：

上传了一张"红裙女子站在窗前"的图，提示词又写一遍"一位穿红裙的美丽女子站在窗前"——纯属浪费字数。模型已经看见这张图了，你再描述一遍画面，等于给导演念剧照说明。

图生视频的正确写法只有一条规则：只写变化，不写现状。也就是动作和镜头：

"她缓缓转向窗外，发丝被微风掀起，镜头缓慢推近到侧脸特写。"

主体、服装、场景一个字不用提，把字数全部花在"接下来发生什么"上。

同理，如果你在用支持多参考素材的模型（比如给它一张人物图+一段运镜参考视频），指令要写清楚"参考什么"："以图1中黑衣女子为固定主角，严格保留五官和服装；模仿视频2的运镜节奏。"不指明参考维度，AI就不知道你要它抄脸、抄动作还是抄镜头，结果大概率全部抄歪。

还有个冷知识：想让AI在原视频上做修改（换装、删路人、改天气），指令里要强调"哪些保持不变"——"人物五官、动作、镜头全部保持原样，仅将黑色劲装替换为红色长裙"。不锁定不变项，AI会顺手把整个画面重做一遍。

最后拿一个具体案例串一遍。目标：10秒古风短镜头，雨夜宫门前，女侠拔剑对峙。

第一步，按六要素写主干：

黑金劲装、低束马尾、眉带旧疤的女子（主体），立于雨夜宫门前，缓缓握住剑柄拔剑出鞘（动作），青石广场积水倒映宫灯（场景），镜头从背后缓慢环绕至正面，停在中景（镜头），冷蓝月光为主光、宫灯暖光勾边（光影），人物五官全程一致，无崩脸无多余手指（约束）。

第二步，超过6秒的片段，拆时间线节拍。别指望一句话管10秒，直接标时间段：

0-3秒：全景，雨幕中女子静立，只有雨声； 3-7秒：环绕运镜至侧面，她低头握剑，特写手部青筋； 7-10秒：拔剑出鞘，剑光划亮雨丝，镜头急推至眼部特写。

给了节拍表，模型会自动规划成多镜头序列，叙事感立刻出来。

第三步，也是多数人从来不做的一步：迭代时一次只改一个变量。这一版脸崩了，就只调人物描述和负面词，别的不动；下一版运镜不顺，就只换镜头术语。一次改十个地方，你永远不知道是哪个改动起了作用——这跟做实验是一个道理。

跑顺这套流程之后，把你验证有效的提示词存成模板：人物设定单独存一份，以后所有镜头直接调用，跨片段换脸的老毛病也就根治了。

说到底，AI视频的门槛从来不是工具，是镜头思维。工具每三个月换一代，但"主体、动作、场景、镜头、光影、约束"这六件事，一百年前的片场就在用，一百年后也不会变。

下次生成翻车，别急着骂模型——先回头看看你的提示词，到底是一份拍摄清单，还是一张许愿纸条。