ai生成模特口令怎么写？短视频直播场景的四段式拆法与实测记录
直接给结果：ai生成模特口令就是提示词，写成"人设、服装、动作、灯光"四段结构，出图可用率直接翻倍。我在2026年9月给一个女装直播间连出20张图，按这套写法挑出了8张能直接上架的，糙写的口令20张只出3张能看的。先按四段式改你手里那条口令，再谈别的。
ai生成模特口令，说白了就是你敲进输入框里那串指令。用户嘴里的口令、工具文档里的提示词，指向同一个东西：约束出图结果的文字。我的判断很直接——口令写得糙，图就废一半；按结构写，才谈得上挑图。2026年9月中旬我接了个活，给女装直播间做数字人模特图，这套写法就是在那个项目里磨出来的，下面全按真实场景讲。
口令、提示词、咒语：名字随便叫，写法就一种
ai生成模特口令就是提示词，都是敲进输入框约束出图结果的指令。电商圈叫口令，工具文档叫提示词，别被名字绕晕。
为什么叫口令？我猜是直播圈的老师傅带新人时嫌"提示词"三个字拗口，喊着喊着就传开了。你在剪映、可灵这类工具的输入框里敲的那串字，和用英文工具时写的prompt，功能完全一样：告诉模型画什么人、穿什么、干什么、站在哪。
短视频直播场景对口令有个额外要求——脸要能复用。数字人口播视频得固定一张脸换五套口播稿，挂车短视频要同一张脸出现在十条素材里。这就意味着口令不能想到哪写到哪，得像填表一样一段一段写死。这也是后面四段式写法的由来。
四段式写法：人设、服装、动作、灯光场景各管一段
把口令拆成四段来写：人设定年龄气质，服装定款式面料，动作定姿势机位，灯光场景定氛围。
四段的分工很明确。人设段管这张脸长什么样、多大年纪、什么气质；服装段管穿什么、什么面料、什么穿法；动作段管手在干嘛、镜头从哪个角度拍；灯光场景段管光从哪来、背景是什么色调。一段只管一件事，改哪段不牵连别段——这是省额度的关键，你改一个词全条重写，出来的图跟上次对不上号，排查都无从排起。
先看糙写和结构写的差别：
| 段落 | 该写的内容 | 糙口令的常见毛病 |
|---|---|---|
| 人设 | 年龄段、气质、发型发色、身材比例 | 只写"美女"，出来全是千篇一律的网红脸（我吃过这亏） |
| 服装 | 款式、颜色、面料、穿法细节 | 只写"穿裙子"，短裙长裙连衣裙全靠模型猜 |
| 动作 | 姿势、手持物、机位高低 | 不写动作，十张里九张双手抱胸站着 |
| 灯光场景 | 光线方向、背景、整体色调 | 只写"高清"，背景随机乱飘，五张图五个影棚 |
拼起来就是一条完整口令，我实际用的一条长这样："25岁女性，气质干净，黑长直发，身材匀称；米白色针织开衫，内搭浅蓝吊带，面料有轻微绒感；右手轻提裙摆，站姿微侧，镜头平视半身；左侧柔光，浅灰影棚背景，暖色调。"80来个字，四个逗号分四段。你照这个骨架换词就行。
有个细节要提醒：写全身动作时画幅和留白得跟上，不然脚总被切掉，这块我踩过坑，展开写在了全身ai绘画不断腿不切脚的画幅与提示词写法里，两篇可以对着用。
直播间项目实测：单张25秒，崩脸线在相似度0.6
2026年9月实测：连出20张单张约25秒，相似度过0.6脸就崩，3张手出错，能用的8张都来自固定种子。
9月15日到9月22日那一周，客户要求同一张脸换五套秋装，用于直播间立牌和挂车短视频。我的流程是先把人设段写死、种子固定在8842，然后每换一套衣服只动服装段。单张出图约25秒，一晚上连着出了20多张。
翻车记录也得摆出来。20张里3张手是错的，全是"手持口播提词卡"那张——卡的边角折进手指里了，模型画不明白这种握持。返工办法是把动作段的"手持提词卡"删掉，改成"双手自然下垂"，提词卡后期贴上去，十分钟解决。还有一次，我把相似度从0.5拉到0.65想更贴近客户给的样片脸，结果连出五张，两张眼距变了、一张法令纹凭空多出来。崩脸线就在0.6附近，往后再也没碰过。
这工具确实猛，但也挑人。同样一条口令，我同事跑出来张张影棚风，我一问，他把灯光场景段删了——他嫌那段占字数。省那十几个字，多烧二十次额度，这笔账怎么算都不划算。
写崩了别急着重抽，按这个顺序排查
排查顺序固定四步：先删到只剩人设段重出一张，再逐段加回；然后查画幅比例，最后查相似度和种子。十分钟内基本能定位。
第一步砍词。把口令删到只剩人设段，重出一张看脸正不正。脸正，说明问题在后三段里，逐段加回，加到哪段崩就是哪段的词有问题。脸不正，先查是不是上次改过相似度。
第二步查比例。直播间立牌用9:16竖版，背景大屏用16:9，比例写错人物会被硬拉变形，看起来像"脸崩"，其实是画幅的锅，白白冤枉相似度参数。
第三步查种子。固定了种子还每张不一样，八成是手滑开了随机模式，或者复制口令时把上一条的种子号带丢了（这种低级错我犯过两回）。
话说回来，排查这事的本质是控制变量。一次只动一个地方，你才说得清是谁的锅。
回到开篇那个判断：ai生成模特口令不是玄学，是结构。四段各管一摊，参数守着0.6这条线，种子钉死，出图就从抽卡变成流水线。短视频直播这行等不起慢慢试，口令写得越有章法，留给挑图和上播的时间就越多。这套方法我从9月用到现在，没再大改过。
常见问题
口令写多长才合适？
我一般控制在80到120字。超过150字，各段的描述会互相打架，比如人设段写"短发"、服装段又冒出"长发"这种自相矛盾。写长了先删形容词，删到每段只剩名词加一两个修饰为止。
可以拿别人的照片当参考去生成吗？
不行。请勿用他人照片冒充本人生成，这是底线问题，平台也会拦。要定制脸，用自己授权的形象照，或者干脆纯口令生成，写清五官特征就行，商用还省去肖像授权的麻烦。
给童装店写口令要注意什么？
只往电商童装拍图的正面场景写：年龄段、活泼气质、衣服的尺码感和面料细节，背景用教室、公园这类干净场地。比例词要写准，儿童的头身比和成人差很多，沿用成人口令会出来"缩小版大人"，一看就假。
短视频数字人和静态模特图，口令要分开写吗？
要。静态图管住脸和姿势就够，数字人口播还得加口型幅度、头部微动这类描述，而且静态那套"站姿微侧"的词到了动态里会变成僵住的鬼畜帧。我的习惯是静态口令打底，动态另起一条只写运动段。