多镜头序列的 AI 视频运动提示词：一套 Kling 3 工作流

运动提示词通常是逐个镜头写的：选一个主体，选一个运动，生成，然后根据镜头是否照做来评判结果。Kling 3 改变了工作的单位。VIDEO 3.0 系列中的一次生成最多可以容纳六个镜头、跨越三到十五秒，自行规划转场，并让原生音频贯穿每一次剪切。问题不再是镜头做了什么，而是每个镜头把它的秒数花在了什么上，以及剪切必须落在哪里，下一个节拍才讲得通。

这首先是规划问题，其次才是措辞问题。下面的工作流把一次生成当作一个小序列：先建立镜头覆盖，在镜头之间分配秒数，用同一种方式写每个镜头块，锚定不能改变的东西，然后审查剪切点而不是漂亮的画面。这一切都能放进一个提示词输入框。

先建立镜头覆盖，再写运动

镜头覆盖就是镜头清单，以及每个镜头负责什么。先用朴素的句子写出来，不要用镜头语言：画面上是谁，观众由此知道的那一件事。一个四镜头的饮品短片读起来是这样的：台面上孤零零的玻璃杯；一只手把它拿起；倒酒；杯子被放下。到这一步之后，每一行才配上一个取景。

Kling 自己的多镜头指南在这一点上很严格。每个镜头都应该增加一个独特的视觉或叙事节拍，而不是从另一个角度重复已经给过的信息。仅这一条规则就能淘汰大多数糟糕的镜头清单。如果两行告诉观众的是同一件事，其中一行就是伪装成节拍的镜头运动。把它们合并，或者让第二行说一件新的事。

把清单控制在模型能规划的范围内。官方功能表列出，在自动和自定义两种模式下，每次生成最多六个镜头。六是上限，不是目标。

先分配秒数，再动笔写一个字

VIDEO 3.0 系列生成三到十五秒的片段，而在 Custom Multi-Shot 中，每个镜头的时长由你自己设定。这两点把提示词变成了一道除法题。九秒配三个镜头，暗示每个三秒。六个镜头塞进六秒，每个节拍只有一秒，这连让观众看清一个新画面都不够，更不用说表演了。

有两条规则经得起与模型的实际接触。把最长的时间给承载变化的那个镜头，并让最短的镜头保持在两秒及以上，除非那是刻意的闪切。如果算下来低于这个下限，说明这个片段里你的镜头太多了：砍掉一个节拍，而不是把每个镜头都压缩。

把秒数写进提示词。模型读得懂这个结构，而你也得到了一份可以用来对照输出的计划。

用同样的四个槽位写每一个镜头块

每个块都是一叠短句，顺序相同：镜头编号与时长、取景、主体动作、镜头行为。对白或声音提示放在最后，归它所属的那个镜头所有。Kling 的指南列出了同样的字段——时长、取景与视角、叙事内容、镜头运动——这说明该顺序并非随意。

纪律比词汇更重要。每个镜头一个可见的运动，而且它应该与主体的动作一致：人物向镜头迈步，配上缓慢推近，两者互相放大；而向镜头迈步配上拉远，则互相抵消。像“电影感”这样的形容词命名的是一种感觉，而不是一个决定，所以它们只花掉字数，却约束不了任何东西。

一个写完的块读起来是这样的。镜头二，三秒，侧面中景，她举起杯子并倒酒，镜头随她的手向右漂移。一个取景，一个动作，一个运动。审片的人一眼就能看出输出是否对得上。

锚定剪切之间不能改变的东西

连贯性来自两处：你引用的东西，和你重复的东西。Kling 3 支持主体与元素引用，因此角色、产品或道具可以在角度变化时被锁定。当一个场景依赖于同一张脸或同一个标签时，一个引用比三句描述更有用。

另一半是文本层面的。为服装、道具颜色、一天中的时段和镜头质感保留一个固定的描述块，在每个出现这些东西的镜头里逐字重复它，然后只改变可变的部分。每个镜头块都被当作一条独立的指令来读，所以你在镜头三里漏掉的任何细节，都是模型可能重新编造的东西。

也要把连贯性写进动作里。如果镜头一结束时一只手握着杯子，镜头二就应该以这只手仍握着杯子开场。小小的重叠让剪切有东西可以承接。

把音频节拍放进拥有它的那个镜头

3.0 系列在生成画面的同时生成原生音频，在多角色场景中，你可以把一句台词绑定到特定的说话人。按镜头使用这一点，而不是在结尾写一段配乐描述。台词属于看得见嘴的那个镜头；环境底噪属于这个房间里的每一个镜头。

有两个限制塑造了写法。3.0 的音频是单声道，所以“左”和“右”这样的词毫无意义。对白在 Kling 为该系列列出的语言中是可靠的——中文、英语、日语、韩语和西班牙语——所以用其他语言写脚本是赌博，而不是计划。

静默是一个有效的节拍。一个没有台词、只有持续环境底噪的镜头，对节奏的帮助往往胜过一句硬塞进两秒的话。

用自动模式校准，然后接管控制

Kling 提供两种模式，按顺序使用效果最好。开启 Multi-Shot 而不动 Custom Multi-Shot 时，模型自己规划转场和取景。使用 Custom Multi-Shot 时，你设定镜头数量和时长，它会紧密跟随你的计划。

即使你打算掌控一切，也先用自动模式跑一遍你的场景描述。这是廉价的探查：你能看到模型想在哪里剪，它把哪个节拍当作建立镜头，以及你那四行是不是其实只有两行。然后再切换到 Custom Multi-Shot，写下你真正想要的计划，并带上你除法算出的时长。

自动模式这一遍还会回答这个场景到底需不需要剪切。如果模型把你的清单压缩成一个好镜头，那这个序列大概只是一个镜头加上多余的字。

审查剪切点，而不是画面

像剪辑师那样审查输出，看接点。在每个剪切点两侧各暂停几帧，问三个问题。主体是否保持了位置和朝向，还是跳到了另一边？进入的镜头是在出去的动作结束之前就开始，还是把它重来一遍？最后一个镜头停留的时间够不够看清？

大多数真实的失败都是四种之一。重复的节拍，每次剪切都复位到中性画面的镜头，折返回去的动作，或者在最后三分之一就没想法了的片段。每一种都有对应的提示词修法。重复意味着覆盖计划里有重复项。镜头复位意味着进入的镜头从未得到运动。折返意味着两个相邻的块描述了同一个手势。平淡的结尾意味着最后一个块没有属于自己的节拍。

每次迭代只改一个块。每拍一条就重写整个提示词，会让你根本无法知道是哪条指令修好了什么。

一个可改编的三镜头、九秒提示词

把下面这段当作模板，而不是剧本。在任何镜头块之前，先说一次场景和风格：黎明时分安静的厨房，温暖的窗光，浅景深。

镜头一，三秒，门口全景，房间里空无一物，只有台面上的玻璃杯，镜头静止。

镜头二，三秒，侧面中景，一只手入画并举起杯子，镜头随这只手向右漂移。

镜头三，三秒，杯沿贴近嘴唇的特写，喝一口，然后杯子放下、离开画面，镜头静止。

最后以连贯性指令收尾：自始至终同一只杯子，同一束光，同一套服装。

每个块都写明了时长、取景、一个动作和一种镜头行为。没有任何重复。时长相加等于片长，最后一个镜头保持静止，这样视频不会在一个动作中途结束。

这套工作流在 KOOX AI 上如何运行

KOOX AI 上的 Kling 3 接收一段提示词和一张可选的参考图，返回一段短片段，提示词承载场景、镜头和情绪。该页面描述的是与本工作流相同的循环：描述、生成、审查、改进。你可以在任何地方写镜头清单——笔记里或客户简报里——然后把各个块粘贴到提示词输入框。

如果你还在琢磨单镜头的运动、还没开始把它们编排成序列，一张照片的六种运动模式 会教给你每个镜头块所依赖的词汇。编排序列是第二项技能。

从三个镜头、九秒开始。做出一个每一次剪切都名副其实的序列，你就有了一个可复用的计划，适用于你尝试的每一段更长的片子。