问答 · 提示词
视频提示词五要素
更新于 2026 年 11 月 18 日

视频提示词是什么意思
视频提示词就是你写给视频生成模型的那段文字,告诉它这几秒要拍出什么。它和写给人看的剧本不一样:剧本可以写「她很难过」,演员会演;提示词写「她很难过」,模型不知道要画哪个动作。所以提示词要写成看得见、听得见的东西,五要素就是把「看得见」拆成五块。
要素一:主体
画面里是谁或是什么。写名字和特征:「林晚,27 岁,黑色齐肩发,米白针织开衫」。漏了主体,模型会随便画一个人;主体写得每镜都不一样,同一个人会变脸。
要素二:动作
主体在做什么,一个看得见的动作:「把信塞进抽屉」「转身就走」。漏了动作,画面会是一个人站着不动;写成心理(「她很紧张」),模型只能猜。
要素三:场景
在哪、什么时候、光线如何:「夜,老街药铺,只开着一盏台灯」。漏了场景,背景会是一片模糊或随机的地方;同一个地方每次描述不同,房间会每镜换装修。
要素四:镜头
景别和运镜:「近景,镜头缓慢推近」。漏了镜头,模型自己决定远近,往往全是中景,节奏很平。
要素五:风格
画成什么样:真人写实、国漫厚涂、日式动画、水彩绘本。漏了风格,每一镜可能画风不同。
第六样:声音
短剧靠台词推进,提示词里要写谁说、怎么说、原话:「林晚(冷笑):你也配?」再加上环境声:雨声、车流、门响。SceneMixer 生成的视频里,台词、口型、环境音和画面是一起出来的。
一个例子:同一句话,从缺三样到写全
原句:「一个女孩在哭。」只有主体和一个心理状态,模型会给你一个随机的女孩,在一个随机的地方,脸上挂着眼泪,镜头远近随意。 补上场景:「深夜,医院走廊的长椅上,一个女孩在哭。」有了地点和时间。 补上动作:「……女孩把脸埋在手里,肩膀一抽一抽。」哭变成了看得见的动作。 补上镜头:「中景,固定镜头,……」远近定了。 补上主体特征和风格:「林晚,27 岁,黑色齐肩发,……;真人写实。」人和画风定了。 补上声音:「走廊尽头传来仪器的滴滴声。」 六样齐了,同一句「女孩在哭」,拍出来就是你想的那一镜。
五要素在不同题材里谁更重要
悬疑片场景最重要,光线和空间决定气氛;爱情片主体和镜头最重要,脸要好看、距离要近;动作片动作最重要,写清每一下发生了什么;广告片风格和主体(产品)最重要。写的时候可以按题材在最重要的那一项上多花几个字,别的写够就行。
为什么在 SceneMixer 里不用每镜写满五要素
如果每一镜都把主体、场景、风格从头写一遍,写到第二十镜,难免有一处写得不一样,模型就会画出不一样的人或房间。SceneMixer 的做法是把会变的和不会变的分开:不会变的(人长什么样、房间什么样、什么画风)各定一次,存成设定图和项目设置;会变的(这一镜做什么、怎么拍、说什么)每镜写。生成时,系统把两部分合成完整的提示词发给模型。
视频提示词怎么写才有效
有效的视频提示词,写的是看得见的东西:谁、做什么、在哪、什么光、镜头怎么动。别写「很美」「很震撼」,模型画不出形容词;也别一句里塞三四个动作。SceneMixer 的分镜就是按这几样写的,一镜一个动作,生成最稳。
注意:五要素写全了也会出的问题
- 一镜里主体太多(三个人以上同时动),容易张冠李戴,拆成几镜。
- 动作写了两个,模型常常只做一个。
- 风格词堆太多(「电影感、大片、超清、氛围感」)对结果帮助不大,选对第一步的画面风格更有效。
常见问题
视频提示词五要素哪一项最重要?
动作。没有动作,画面就是一张会动的照片。SceneMixer 的分镜每一镜都要求写一个看得见的动作。
视频提示词是什么意思,和剧本有什么区别?
提示词写看得见、听得见的东西,剧本可以写心理。SceneMixer 读剧本时会把心理描写改成可拍的动作,你也可以在分镜里改。
做动画也要写五要素吗?
要,只是风格选动画类。主体可以是动物、机器人,写清有没有脸和手。
五要素写成一句还是分开写?
一镜一句就行:景别、谁、做什么、在哪,台词另起。
五要素用起来的样子见视频提示词示例;提示词整体写法见AI 视频提示词怎么写;描述为什么写原因不写结果见AI 短剧描述怎么写。