图生视频 AI 提示词范式：让一张照片动起来的六种方式

你已经有画面了。这正是图生视频 AI 和在生成器里敲一段场景描述的区别：画面里是谁、在哪里、什么颜色、什么光线，照片都已经回答过了。剩下的唯一问题是，从第一秒到最后一秒，什么在变。

大多数效果不佳的短片，问题出在提示词回答了错误的问题。它们把照片又描述了一遍——那个女人、那件外套、那条湿漉漉的街——却把运动交给了运气。Luma 的提示词指南把这条规则说得很直白：好的图生视频提示词描述的是运动，而不是图像本身。Wink 的 Wan 指南从另一面讲了同一件事：重复服装颜色，等于浪费了本该用来承载动作的字数。

所以真正好用的工作单位是“运动范式”：一种句式，指明一个变化、一种运镜行为和一种节奏。下面六种在商品、人像、风景和社交循环短片里都站得住，每一种都会说明它为什么有效、又在哪里失效。

写变化，而不是写画面

图生视频提示词会继承原画框里一切可见的东西，唯独继承不了意图。模型看得见那只杯子，却不知道热气该不该向上卷曲四秒，也不知道镜头该不该推近。

三个决定能把意图说明白，Kling 的教程也是这样分的：主体运动、环境运动、镜头运动。先确定由哪一个来承担这个镜头。人转身是主体运动；瓶身周围的水波是环境运动；缓慢推近是镜头运动。三者可以并存，但其中必须有一个是这镜头存在的理由。

还有第四个决定容易被忘掉：什么必须保持可辨认。一张脸、一个标签、一个标志、一件产品的轮廓。把这条约束写下来——“标签正对镜头并保持清晰”——往往比再加一个动词更有价值。

动笔之前先设定运动预算

最常见的提示词失误，是运动预算给得太大。Pictory 的指南指出，只描述一个清晰的动作，模型就表现得规矩；一次要求好几个，输出就会糊成一团。Kling 的建议是同一个形状：一个主动作，最多再加一个辅助动作。

一条五秒短片可用的预算：

• 一个主变化，用一个动词加一个方向来描述
• 可选的一个辅助变化，最好发生在环境里，而不是主体上
• 一条镜头指令，或者明确说明镜头保持不动
• 一个节奏词，外加一条“什么不能变”的约束

如果你的提示词里有三个主体动作，删掉两个。模型会把它有限的运动花在你留下的那一个上，画面才保得住。

范式一：静止主体上的推镜

最稳妥的一种，照片是商品、包装，或任何带文字的物件时都适用。主体什么都不做，由镜头来完成工作。

“镜头缓慢、平稳地向瓶子推近，在标签前一点停住。瓶子保持静止，边缘、瓶盖和标签始终清晰。背景略微虚化。”

为什么有效：只有一个变量在动，物体的几何形状就不会走样。Pictory 那些可靠的运镜提示词都从这里起步：缓慢变焦、轻柔横移、小幅推轨向前。

在哪里失效：速度。推得太远会逼着模型在画面边缘凭空编造细节，而小字总是第一个开始抖的。如果标签重要，就把这段运动缩短。

范式二：克制的人像转身

观众第一眼看的就是脸，所以人像既是最出效果的题材，也是最脆弱的题材。Luma 的人像示例把动作压得很小：人物缓慢转向镜头，头发在微风中轻轻摆动，背景保留一层柔和的焦外虚化移动。

“一位女性缓慢地把头转向镜头，保持柔和、闭着嘴的微笑。她的头发在微风中轻轻扬起。背景始终柔和地虚焦。”

为什么有效：转身是一个连续动作，有明确的起点和终点，它给了模型一个动脸的理由，而不必重塑这张脸。

在哪里失效：动词堆叠。“她笑着、转身、向前走”是三个短片塞进一条提示词，模型通常只能在它们之间渐变来交差。如果人物本来就正对镜头，改用微动作——抬眼、一次呼吸、轻微侧头。

范式三：用于风景与室内的视差漂移

大场景需要的是纵深，不是动作。制造纵深的范式是缓慢向前移动，同时让不同距离上的东西以不同速度移动——Luma 的风景示例就是这样写的：镜头向前推进，云在飘，前景元素比背景走得快。

“镜头以缓慢、均匀的节奏穿过田野向前漂移。前景的野花比远处的树线掠过得快，薄云在上方从左向右移动。”

为什么有效：相对速度是一种纵深线索，模型不需要理解场景就能执行，而且即使主体完全不动，也能让画面充满运动。

在哪里失效：地平线和笔直的建筑。在平面上做长距离移动，等于给模型留出把垂直线掰弯的空间，所以行程要短，并且明确点出地平线。

范式四：只做环境运动

有时候正确答案是主体完全不动。热气升腾、水面起波、布料落定、花瓣绽开。Kling 的商品示例就是这么搭的：色彩流动、聚拢，花朵绽放，涟漪在固定的产品周围扩散。

“香水瓶完全静止在画面中央。细雾在它身后向右上方飘散，瓶底一汪浅水轻轻荡漾。镜头保持固定位置。”

为什么有效：被锁定的主体不会漂移，标签、标志和轮廓会保持拍摄时的样子。当品牌准确性比戏剧性更重要时，选这一种。

在哪里失效：默认许可。你不说主体是静止的，模型就可能自己给它加上一点晃动。要把静止明确写出来，然后再给环境元素一个方向和一种节奏。

范式五：环绕展示

环绕改变的是视角，而不是物体，这会让一张照片看起来像是从好几个机位拍的。Luma 的商品示例是一次缓慢的顺时针环绕，阴影随视角变化而移动。

“镜头绕着一只放在纯色背景上的运动鞋缓慢顺时针环绕。随着角度变化，柔和的阴影在地面上移动，鞋子的形状和颜色保持不变。”

为什么有效：这个运动揭示造型与材质，而这正是平面商品图给不了的东西。

在哪里失效：文字和包装。转过正面，就等于要求模型编造它从没见过的标签背面。如果标签必须保持可读，就把弧线压浅，并说明正面朝向镜头。

范式六：可无缝循环的静置

社交短片经常被循环播放，所以运动应当结束在接近起点的地方。这个范式避开推轨、揭示这类单向运动，改用一种轻柔的循环。

“光线以缓慢、均匀的周期在主体上起伏，一层薄雾向侧面漂移。镜头保持固定。运动是连续的，并回到起始位置。”

为什么有效：循环没有会对不上的终点，切回第一帧时看不出接缝。

在哪里失效：节奏。两秒内就完成的循环看起来像闪烁，所以要争取让一个缓慢的周期铺满整段片长。

从照片选范式，而不是从潮流选

照片会告诉你它能撑起哪一种范式。带标签的商品特写，容得下推镜、环绕或环境运动，但容不下主体表演。占满画面的人像，能承受一次转身或一个微表情，承受不了一段行走。开阔的风景吃视差；室内吃光线与浮尘。

素材质量决定上限。Luma 的指南建议至少上传 1024x1024 像素的图，Wink 的常见问题里也提到，画面杂乱或画质偏低的素材，生成的运动一致性会更差。如果照片本身发虚，就裁到主体，而不是让模型去编造细节。

把防护栏写进同一条提示词

大多数人在一次糟糕的生成之后才做的修补，本来就该写进第一条提示词里。Wink 的指南建议用反向提示词处理闪烁、形变和人体结构错误，这条建议可以推广：把你不要的瑕疵直接点名，而不是反复重生成直到它消失。

如果工具没有单独的反向提示字段，就把约束写进正面句子里：“标签文字保持清晰不变”和“双手始终在画面之外”，各自挡住一种具体的失败。也只描述原照片里有的东西——Wink 列出的常见错误，第一条就是凭空添加画面里并不存在的人或物。

一个可以直接改用的模板

四行，按这个顺序：

• 变化：什么在动，朝哪个方向，动多远。
• 镜头：推近、横移、环绕，还是保持不动。
• 环境：那一个环境元素，如果有的话。
• 节奏与约束：缓慢或均匀，再加上什么必须保持不变。

以桌上的一支蜡烛为例填好：“火苗轻轻摇曳，略微向左倾斜。镜头保持固定位置。一缕细烟向上飘散、消融。节奏缓慢均匀；玻璃罐和它的标签保持清晰。”

这个模板是故意写得无聊的。无聊的提示词可复现，而可复现，才让你能一次只改一个变量。

先看第一秒

在评判一个短片之前，先单独看第一秒。漂移都在这里露头：脸已经偏了，标签已经开始扭曲，地平线已经歪了。如果开头那一帧和原图对不上，说明提示词要得太多，改句子中间的部分救不回来。

生成本来就短，所以要按接片来规划，而不是指望一个长镜头。先拿到一个干净的四秒运动，再用同一套提示词语言把几段剪接起来，让运动保持一致。

这些范式在 KOOX AI 上怎么用

KOOX AI 的照片转视频工具，沿用的正是这些范式预设的三步结构：上传一张清晰的照片，描述运动与镜头感觉，然后生成并微调。照片转视频 AI 工具的页面也提到，画面清晰、光线充足、主体明确的图片效果最好。

如果你更想先把起始画面造出来，AI 文生图工具可以生成一张干净的静帧，再拿去动起来。