AI 影片提示詞該怎麼寫？

影片提示詞和圖片提示詞有什麼不同

圖片提示詞描述的是某一個瞬間，影片提示詞描述的則是隨時間發生的變化。模型必須判斷什麼東西在動、往哪個方向、速度多快，以及這段期間鏡頭怎麼走。提示詞沒寫，模型就只能猜，結果通常是緩慢而模糊的漂移，或是好幾個動作糊成一團。

文字生成影片（text-to-video）模型是把一小段影片的所有畫面一起生成，所以文字要涵蓋整段影片，而不只是第一格。因此影片提示詞裡最有用的是動詞和時間詞：走、轉身、停住、舉起、兩秒、然後。描述外觀的形容詞依然重要，但屬於第二層。

各家影片模型的官方指南說法不同，重點卻一致。OpenAI 的 Sora 提示詞指南把提示詞比喻為創意願望清單，而不是合約：同一段提示詞每次結果都不一樣，所以你要做的是提高得到理想結果的機率，再反覆調整。

七段式結構

請依下列順序來寫。不是每個提示詞都需要七段齊全，但逐項檢查，可以避免留下模型會隨機補上的空白。

許多工具把長度、解析度和長寬比做成設定選項，而不是讀文字。OpenAI 的指南指出，這類技術參數應該放在 API 呼叫或操作介面裡，而不是寫進描述文字。只有工具文件明確說模型會從文字讀取時，才寫進提示詞。

一個鏡頭，一個動作，一種運鏡

影片提示詞最常失敗的原因，是要求太多。「她走進來、拿起電話、大笑，接著跑出門，鏡頭還繞著她轉」——這在可能只有五秒的片段裡，等於四個動作加一個複雜運鏡。模型通常會壓縮、跳過其中幾個，或讓一個動作變形成另一個。

OpenAI 的 Sora 指南建議讓每個鏡頭保持簡單：一種運鏡、一個主體動作。如果故事需要四個動作，就寫四個鏡頭，再用剪輯軟體接起來。較短的片段也更容易遵循指令，所以兩個短鏡頭常常比一個長鏡頭效果更好。

• 選定這個鏡頭要講的那一個動作。畫面裡的其他東西只做細微的環境動態：風中的頭髮、蒸氣、遠處的車流。
• 選一種運鏡，或直接寫 static shot。不要把環繞、變焦和上下搖攝疊在一起。
• 寫明動作在哪裡結束。「停在窗邊」給了模型一個結束狀態；只寫「走」可能永遠走不完。
• 用平實的詞描述速度：緩慢地、一個快速動作、花三秒。

時間軸與節拍式提示詞

當一個鏡頭裡有一小段連續動作時，就把它寫成節拍。一個節拍是動作的一小步，並附上大略時間。OpenAI 的指南建議用步數或節拍來數，例如「走四步到窗邊，停住」，因為具體的數量比「走過去」更容易讓模型遵循。

有些工具對明確的時間區間反應良好，有些工具則忽略精確秒數，但仍會依照順序。無論哪一種，時間軸都能讓事件的先後一目了然。

8 seconds, 16:9, static camera, medium-wide shot.
A small cafe counter at morning, soft window light from the left.

0-2s: A barista in a green apron sets a white cup on the counter.
2-5s: She pours steamed milk in one slow motion; a leaf pattern forms.
5-8s: She slides the cup forward and smiles at the customer off screen.

Audio: espresso machine hiss, quiet cafe chatter, a cup touching a saucer.

節拍要短，而且要是身體看得見的動作。「她覺得開心」不是節拍，「她微笑並放鬆肩膀」才是。最後一個節拍留成定格，片段就不會停在動作半途，也方便剪接。

把弱提示詞改寫成強提示詞

下面是典型的第一次嘗試。它點出了氛圍和主體，動作、鏡頭、光線和聲音卻全部交給運氣。

A cinematic video of a samurai in the rain, epic, 4K, masterpiece.

問題在於：「cinematic」「epic」「masterpiece」都不是鏡頭能拍到的東西。沒有動作，模型可能給你一個站著的人影配上緩慢搖攝，或是一場刀劍融化的打鬥。沒有運鏡指示，也沒有聲音。「4K」是設定，不是提示詞用語。

Medium shot, low angle, slow push-in.
A lone samurai in a dark blue kimono stands in a muddy village street at night.
Heavy rain. A single paper lantern behind him gives warm orange rim light;
the rest of the scene is cool blue.

Action: he slowly draws his sword over three seconds, then holds it still
at chest height. Rain drips from the blade.

Style: live-action, shallow depth of field, film grain, desaturated colors.
Audio: steady rain, the metal sound of the blade leaving the scabbard, distant thunder.

現在每一行都回答了模型原本得用猜的問題：誰、做什麼、持續多久、從哪裡拍、怎麼打光、什麼風格、什麼聲音。改寫後比較長，但沒有灌水，每一句都會改變畫面。

怎麼寫聲音與對白

能同步生成聲音的模型，會從提示詞中讀取音訊內容。Google 的 Veo 指南建議明確表示你要聲音，並把聲音分成幾句來寫：環境音、音效和對白。

• 環境音：房間或場所的底噪，例如風聲、人群、車流、鳥鳴。
• 音效：與動作相連的聲音，例如腳踩碎石的聲音或關門聲。
• 對白：把確切台詞放進引號，並寫明是誰說的。保持簡短；約四秒的片段，放一到兩句短台詞就夠了。
• 音樂：如果打算在後製自己配樂，就寫「no music」，因為生成的音樂很難剪。

截至撰寫時，對嘴與精確字句仍是弱項。如果某句台詞必須完美，就生成不含對白的鏡頭，再在剪輯時加上錄音或文字轉語音（TTS）的聲音。

常見錯誤與修正方法

物理表現是另一個誠實的限制。液體、碰撞、手握物品和人群常常出錯。這類動作要保持簡單，盡量讓手只露出一部分，並多生成幾次再挑選。