图生视频提示词：一套能适配任何静帧的五句骨架

图生视频提示词不是对场景的描述。场景已经在你屏幕上了：外套的颜色、窗户的光线、杯子的形状、确切的裁切。静帧无法告诉模型的是接下来该发生什么，而这恰恰是唯一值得花笔墨的地方。

大多数令人失望的片子，都来自把照片反过来描述给模型的提示词。十个形容红衣女子的形容词，并不能给生成器任何可动的对象，于是它自己补上了漂移、自己补上了推镜、自己补上了缓慢的晃动。真正立得住的提示词更短、更有结构：一句锁定画面，一句点明一个可见动作，一句做出运镜决定，一句设定节奏，一句列出不能改变的东西。

静帧已经决定了什么

一张源图到手时，提示词的大部分已经有人替你回答了。主体已选定，光线已有方向，构图已有裁切，色调已经固定。Kling 的提示词指南给出一个六段式框架——主体、动作、场景、运镜、光线、氛围——而当你要让一张静帧动起来时，这六项里有四项已经在文件里看得见。真正开放的只有动作和运镜，而氛围通常由你反正也改不了的光线暗示出来。

这就是为什么图生视频的提示词应该比文生视频的短得多。Founderz 的提示词库从相反的方向提出了同样的要求：一条好的 AI 视频提示词要点明一个可见动作、镜头与运镜、光线、时长，以及不能改变的东西。在静帧上，光线是给定的。其余四项归你。

所以，把提示词当成一份运动预算。你花在复述画面上的每一句，都是从变化上挪走的一句，而模型会用泛化的运动来填补这个空缺：没人要求的缓慢推镜、扫过整个画面的微光浮动、本该静止却开始呼吸的主体。

五句骨架

按这个顺序写五行。合起来大约 40 到 60 个字，正好是几秒钟短片的体量。

• 锚定。 锁定模型不许重新设计的东西：“与源图相同的取景、相同的镜头、相同的光线。”没有锚定，模型会把照片当成一个建议并重新构图，裁切对不上、地平线漂移就是这么来的。
• 动作。 一个可见的动词，绑定一个主体：“她朝窗户方向转了几度头，然后停住。”一个动作，不是一串动作。一条短片里塞两个动作，通常两个都做不完。
• 运镜。 点明一种运动及其幅度：“缓慢推近，结束时比开头近约 10%，以标签为中心。”如果这个镜头不需要运镜，就明说——“固定机位”是有效而且往往更好的指令。
• 节奏。 把动作绑在时间上：“第一秒几乎不动，转头在第三秒前完成，最后一秒保持。”模型默认会把运动摊到整条片子上，看起来就是持续的缓慢漂移；给它一份时间表，运动才显得是有意为之。
• 冻结清单。 那些不能改变、也不能出现的东西：“标签始终朝向镜头并保持清晰，没有手进入画面，没有新物体，嘴保持闭合。”否定式的要求只有在具体时才起作用。

按顺序读完这五行，你就得到了一份能塞进一条短信里的镜头方案。打乱顺序读，或者漏掉一句，你通常就能预判自己会得到哪种失败。

四张照片，一套骨架

这套骨架可以通用，因为它从不提及具体主体。下面把同样的五行，填进四种常见的源图类型。

窗边人像。 锚定：相同的裁切，相同的柔和侧光。动作：她朝窗户方向微微转头，然后安定下来。运镜：固定。节奏：第一秒几乎静止，转头在第三秒前完成，一直保持到结尾。冻结清单：发际线和背景线条不变，嘴闭合，没有手。小动作才是重点——几度的转头读起来像活着，而整个身体的转身会给模型时间去凭空造出第二张脸。

无缝背景上的产品。 锚定：相同的居中构图，相同的地面投影。动作：瓶子旋转不超过 15 度，让标签接住光。运镜：极缓慢推近。节奏：旋转立刻开始，推近匀速持续到最后一帧。冻结清单：标签文字保持清晰可读，没有反光扫过标签，没有漂浮颗粒。产品短片最先败在文字上，所以这里的冻结清单承担了大部分工作。

冒着热气的一杯饮品。 锚定：相同的杯子、相同的桌沿、相同的逆光。动作：热气向上卷起并变淡；水珠停在原处。运镜：固定。节奏：连续，无缓入缓出，整条片子运动均匀。冻结清单：没有倾倒，没有新的冰块，液体不流动。环境运动是最容易做对的一类，因为主体本身不需要改变——只有它周围的空气在动。

室内或风景。 锚定：相同的地平线，相同的取景。动作：窗帘轻轻摆动；远处的叶子有细微位移。运镜：向右缓慢横移。节奏：从第一帧到最后一帧速度恒定。冻结清单：地平线保持水平，没有新家具，没有人。这是运镜真正有价值的一种情况，因为当摄影机移动时，带有前景、中景和背景的画面会分离成层次——正是这个效果让一张平面照片有了三维感。

只做一个运镜决定，而不是三个

运镜这一句是提示词最容易用力过猛的地方。Getimg 对电影感 AI 运镜的拆解把道理讲得很干净：七种标准运动——推近、拉远揭示、侧向跟移、环绕、俯仰揭示、摇臂上升、手持跟随——每一种只干一件特定的事，选对一种比叠加好几种更重要。他们对常见故障的诊断很准确：结果出现随机的变焦、不稳定的漂移，或者一台没有方向的漂浮摄影机，原因就是根本没有做出运镜决定。

由此有两条实际后果。第一，除了运动，还要点明速度，因为只说“推近”，出来的可能是一记猛冲。第二，检查源画面能否承载你想要的运动。横移或环绕需要有纵深可供揭示；在一张所有元素都在同一平面上的扁平画面里，没有任何东西可以分离，同样的运动看起来就只是平移。如果你的照片是扁平的，就选推近，让主体动作去撑起整条片子。

按症状读片，然后只改一句

当一条片子没打中，人总想全部重写。忍住。几乎每一种失败都对应骨架里的某一句，改那一句只需要十秒钟。

• 整个画面在漂移或在“呼吸”：锚定或运镜那句太含糊。加上“固定机位、三脚架锁死画面”，并重申原始取景。
• 人脸在帧与帧之间换了个人：同时发生的事情太多。锁死摄影机，把动作削减到一个微小的运动。
• 所有东西一起动，包括本该静止的东西：冻结清单缺失或太抽象。点名那些必须待在原处的元素。
• 看起来像幻灯片式变焦，毫无生气：节奏那句缺席，运动被均匀摊平。给动作一个开始、一个结束和一段保持。
• 冒出新的物体或一双手：冻结清单需要一条硬性否定——“没有手进入画面，没有新物体，没有添加文字。”
• 片子结尾崩掉或循环得很糟：最后一秒从来没写。说明最后一帧是什么样，并在那里剪断。

段落要短，用剪辑代替延长

生成本身在设计上就是短的，而延长一条片子容易累积小错误：脸变软、标签扭曲、背景长出原本不存在的细节。规划几段干净的素材，而不是一个长镜头。为每一段写同样的五行，只改动动作和运镜幅度，然后在运动的节拍点上把它们剪接起来。结果读起来是一个序列，而不是一个逐渐劣化的单镜头。

在哪里跑这套骨架

KOOX AI 的 Wan 2.6 图生视频生成器 正是围绕这种分工构建的：你提供源图，然后描述运动、运镜方向和氛围，不断迭代直到片子符合目标。页面明确说明，原始图像的作用是在加入运动的同时保持主体身份、取景和构图稳定——这就是锚定那一句，只不过它由工具来保证，而不是靠你的措辞。

如果你更想从手头已有的照片出发，而不是新生成一帧，照片转视频 工具采用同样的三步结构，并且在图像清晰、光线充足、主体可见时效果最好。如果你想在运镜语言上比单一运动走得更远，五种镜头配方 讲的是如何导演一个短序列，而不是一条片子。

六十秒起飞前检查

在点下生成之前，读一遍你的提示词，回答五个问题。取景锁定了吗？有且只有一个可见动作吗？有且只有一个运镜决定，并且带速度吗？运动被排进时间表了吗？有一份不能改变或不能出现的东西的清单吗？

五个“是”，你就得到了一条可以调试的提示词。一个“否”，你就知道在下一次生成之前该改哪一句。这套骨架不是好点子的配方——它的作用是让你能从结果判断出，问题出在你的点子上，还是出在你的措辞上。