AI视频提示词结构教程：镜头运动时长景别怎么写

AI视频提示词结构是我这一年踩坑最多的一块。一开始我照搬图片那套堆形容词的写法，结果生成出来的画面要么镜头乱晃，要么主体变形，要么5秒后画面就崩了。后来才明白视频比图多三个维度：时间、运动、转场，这三样不写明白，AI就自己瞎编。今天把这套结构公式和每个参数的实测对比一次讲透。

视频提示词结构公式

核心公式是"主体描述 + 场景光照 + 镜头运动 + 景别 + 时长 + 风格后缀"，六段按顺序写，每段用逗号或自然语言断开。这个顺序不是我拍脑袋想的，是Sora和可灵官方文档里隐含的逻辑：AI先解析主体和场景，再叠加运动，最后才处理风格。顺序乱了AI会优先吃前面那段，后面被弱化。

举个我实测能稳定出片的完整例子："a young woman in red coat walking through autumn forest, golden hour backlight, camera tracking forward slowly at hip level, medium shot, 5 seconds, cinematic film grain, 35mm"。这一条在Sora上的出片成功率从我早期20%出头干到接近70%。结构的力量就这么直接。

镜头运动怎么写才不乱晃

镜头运动要写明动作、方向、速度三要素，"tracking forward slowly"比"camera movement"管用十倍。笼统写"dynamic camera"或"cinematic movement"是新手最大的坑，AI会自己加戏，给你来个三百六十度旋转。

我把常用运动词分成三档实测过。稳派用"tracking forward/backward"、"panning left/right"、"tilt up/down"，这是相机平移和转动，AI理解最准。运动派用"dolly zoom"、"crane shot"、"handheld"，前者希区柯克那种推拉变焦，后者带点呼吸感晃动。慎用派是"drone aerial"、"fpv flythrough"，这俩对模型空间理解要求极高，可灵上经常飞穿模。

有个对比结果挺说明问题：同一个"咖啡馆女孩"场景，写"camera slowly pushes in"成片率约65%，改成"camera"两个字成片率掉到18%。多写几个字省下一次生成额度。

时长怎么定才不崩

时长建议设成模型上限的六到七成，Sora写5秒、可灵写5秒、Pika写3秒最稳，逼近上限画面必崩。我之前贪心，可灵每次都拉满10秒，结果第7秒往后人物脸就糊了，背景也开始出现鬼影。后来统一压到5到6秒，质量立马上来了。

根据Sora官方技术文档公开的信息，模型在4到6秒区间时序一致性最强，超过8秒后逐帧漂移明显加剧。这个数据和我实测对得上。所以哪怕模型支持20秒，我也分段生成再拼接，每段5秒最舒服。拼接这步如果你用Opus或Riverside这类工具剪，可以看AI播客剪辑工具对比那篇，思路通用。

短一点的镜头反而更好。1到2秒的快速镜头串成蒙太奇，质量比一条长镜头高得多。

景别怎么选才对味

景别直接写英文术语最准：extreme close-up、close-up、medium shot、full shot、wide shot、establishing shot，六档够用。新手爱写"远近结合"或"由远及近"这种模糊词，AI根本不知道你要哪一档。

我实测每个景别的适用场景：close-up拍人物表情和细节，medium shot拍半身对话，wide shot拍环境和动作，establishing shot开场交代场景。一条提示词里只写一个主景别，别想着一个镜头里"从远景推到特写"，那是转场不是景别。

有个反直觉的发现：景别词放在镜头运动后面比放前面稳。我猜是因为AI先确定了相机怎么动，再决定取多大画面更合理。这点在Sora上尤其明显，可灵次之。景别和构图的更细玩法可以翻图像提示词进阶教程，构图逻辑通用。

转场怎么写不突兀

转场分两种写法：镜头内转场用运动词带过，镜头间转场靠分段生成再后期剪，别指望一条提示词搞定。镜头内转场比如"camera tracks from her face to the coffee cup"，AI会平滑地推过去，这种最自然。镜头间转场比如硬切、溶解、淡入淡出，AI理解很差，我试过写"cut to next scene"直接给你蹦个黑屏。

我的做法是分段生成、后期剪。每段单独写提示词生成5秒片段，然后用剪映或者AI字幕工具那类带剪辑功能的工具拼起来，转场效果在剪辑软件里加。Sora、Runway、Pika这类生成端别太指望转场，老老实实分段更省心。想了解这几家模型的整体差异可以看AI视频生成器横评。

新手怎么开始第一步

新手第一步别一上来就写复杂场景，先用固定机位+单一主体练手，模板就是"主体 + 静态镜头 + medium shot + 3秒 + 简单风格后缀"。这个最小可执行模板能把出片成功率拉到80%以上，先建立信心。

我带朋友入门都是让他先抄十遍这个模板，每次只改主体和风格后缀，其他参数固定。等手感有了再逐步加镜头运动、加复杂场景。一上来就追求"电影级多机位长镜头"，钱包烧干也学不会。

官方入门资源我推荐看Sora官网的提示词案例库，以及Runway官网的Gen-3教程，还有Pika官网的模板库，三家风格不同对照着看进步最快。

我踩过的五个大坑

最大的坑是主体写太多动作导致时序打架，比如"女孩走进咖啡馆坐下点咖啡喝一口"，四个动作挤5秒AI处理不过来必崩。解决办法是单条提示词只保留一个主动作，多动作拆成多段。

第二个坑是镜头运动方向和主体运动方向冲突，主体往右走镜头往左摇，AI会卡住不动。第三个坑是时长写"forever"或"loop"，模型直接报错。第四个坑是风格后缀堆太多词，"cinematic anime oil painting watercolor"这种，AI最后啥风格都不是。第五个坑是忘记写景别，AI默认给你特写，结果场景信息全丢。

这五个坑我每个都交过学费。

常见问题

AI视频提示词到底要写多长？

不用写长，写准。我现在的稳定输出是50到80个英文单词，中文翻译过来120到180字。关键是结构齐、参数具体，不是堆字数。超过150词反而容易让AI抓不住重点。

镜头运动词写中文还是英文？

英文更稳。Sora、可灵、Pika的训练语料英文占绝对多数，中文运动词翻译过去容易失真。景别和风格后缀同理用英文。中文可以留给主体描述，比如"穿着红外套的女孩"翻译成"a girl in red coat"也行。

5秒之后画面就糊了怎么办？

说明你逼近模型上限了。把时长压到5秒以内，或者分段生成再拼接。我实测可灵5秒和10秒的画质差距肉眼可见，第6秒往后时序一致性断崖式下跌。

转场能靠提示词写出来吗？

镜头内转场可以，写"camera moves from A to B"这种平滑过渡AI能处理。镜头间转场比如硬切、溶解别指望提示词，老老实实分段生成后期剪，这是最省心的路子。

新手第一套模型选哪个？

预算够上Sora，画面质感和提示词理解都是天花板。预算紧选可灵，免费额度够练手。Pika适合做快速实验，生成快但质感一般。先在一个模型上把手感练出来再换，别同时开三个。

视频提示词这事说难也不难，结构吃透了就那六段，每个参数写具体就行。真正难的是手感，得跑废几十条提示词才能摸清每个模型脾气。这套公式和踩坑记录能帮你少走两三周弯路。觉得有用的话分享给朋友吧。