用 AI 生成视频时，很多人直接把一句画面描述丢进去，结果成片镜头乱跳、主体变形、节奏散架。问题在于视频提示词和图片提示词的写法逻辑不同：视频多了一个”时间维度”，描述的不是”一幅画面”，而是”画面的变化过程”。这篇文章给出一套四段式分镜结构，把视频提示词写得让模型”看得懂、跟得上”。
先理解：视频提示词多了”时间”这个变量
图片提示词回答的是”这一瞬间长什么样”，视频提示词则要回答”从第一秒到最后一秒发生了什么”。模型拿到一段视频提示词，要同时控制三件事：每一帧的画面质量、帧与帧之间的连续性、镜头和主体的运动方式。任何一项没交代清楚，模型都会用随机来填补——这就是为什么口语化的视频提示词经常产出”主体越变越不像””镜头乱晃”的成片。
因此写视频提示词的核心思路是：把运动的每个要素拆出来写明，而不是指望模型自己安排。实践中最有效的组织方式，就是下面这套四段结构：镜头、主体、运动、风格参数。它和静态提示词的最大区别，在于”运动”从可选项变成了必填项。
第一段：镜头——先告诉模型”用什么视角拍”
第一段交代镜头语言，包括景别、机位和镜头类型。景别决定画面里主体的大小：远景交代环境、中景呈现动作、特写强调情绪。机位写清楚高度和角度，比如”低机位仰拍””俯视全景””平视跟随”。镜头类型则模拟真实摄影器材的观感，常用的有”广角镜头（空间感强）””50mm 标准镜头（接近人眼）””长焦镜头（背景压缩、景深浅）”。
一个实用的写法是先写景别再写机位，例如”中景，低机位仰拍，35mm 广角”。如果你的目标是电影感成片，可以在这一段补一句镜头质感，如”电影级质感、宽画幅构图”。景别和机位一旦确定，整条视频的空间关系就有了骨架，后面三段都建立在它之上。
第二段：主体——写清”谁在画面里、处于什么状态”
第二段描述主体，这部分和图片提示词相近，但要多写一个”初始状态”。模型需要知道运动开始前主体是什么样子，否则第一帧就会随机定形，后续帧跟着漂移。写法上按”身份特征 + 服装道具 + 初始姿态”组织，例如”一位穿深灰色风衣的短发女性，站在便利店门口，手里拎着一袋刚买的东西，正回头看向我”。
写实主体时特征要具体但克制，三到五个关键点即可，太多特征在多帧生成中容易被”稀释”，导致中途变脸。物体主体同理：写明材质、颜色、所处位置和初始状态，如”一辆白色复古踏板摩托车，停在洒满阳光的石板路边，车头微微朝左”。主体的描述质量直接决定了整条视频的辨识度，这一段值得花最多时间打磨。
第三段：运动——视频提示词的核心，只写一个主运动
第三段是视频提示词区别于图片的关键：写运动。运动分两类，一是镜头运动（推、拉、摇、移、跟、升降），二是主体运动（人物走动、物体转动、光线变化、粒子飘散）。新手最容易犯的错误是把两类运动都写满，比如”镜头环绕推进，人物转身走向门口，同时落叶纷飞，光影流动”——多重运动叠加时，模型的稳定性会断崖式下降。
正确的做法是：一条短视频只安排一个主运动，其余要素保持相对静态。写运动时用具体可感的动词，”镜头缓慢向右横移”就比”镜头很有动感”可控得多；主体运动则写出方向和幅度，”女孩慢慢抬起头，看向天空”优于”女孩有动作”。想强调节奏，可以补充速度词，如”慢动作””延时效果”，它们对成片情绪的影响非常明显。关于从文案到成片的完整制作流程，可以参考这篇AI 视频工具生成流程。
第四段：风格与参数——用摄影和氛围词统一调性
第四段负责定调，包括视觉风格、光线氛围和技术参数。风格词按目标选：写实质感常用”电影感调色、自然光影”；动画风格则写明类型，如”二维动画风格、赛璐璐上色””三维渲染、皮克斯质感”；广告感可以加”商业摄影质感、高饱和色彩”。光线氛围一句话带过即可，如”黄昏暖光””清晨薄雾中的散射光”。
参数部分主要写帧率和宽高比：普通横屏内容用 16:9，短视频平台用 9:16 竖版，电影感用 2.35:1 宽幅。部分平台还支持时长、运动强度、种子值等参数，种子值固定后可以在提示词微调时保持画面基本构图不变，这对迭代非常有用。写完四段后通读一遍，检查有没有互相矛盾的运动或风格词，然后先按这个版本生成一次，再根据结果做单变量调整。想系统提升改写能力，可以看看这篇ChatGPT 提示词技巧；其他场景的模板化写法则可以参考这份AI 提示词模板；需要挑视频生成工具的话，这份AI 图片生成视频工具清单可以对照使用。
结语
四段式结构的本质，是把”一段模糊的感受”翻译成”一组模型能执行的指令”：镜头定视角，主体定对象，运动定过程，风格参数定调性。写熟之后，你组织一段视频提示词只需要一两分钟，出片的可控性却会有质的提升。建议先用”固定机位 + 单一主体运动”这个最简单的组合练手，每次只改运动描述，观察成片变化，摸清所用模型对速度词和方向词的响应习惯。分镜写得越细，AI 视频就越接近你脑中的画面，这也是专业创作者和新手之间真正的差距所在。