照片转视频 AI 提示词示例:五张静态照片,五条运动描述

五个照片转视频 AI 提示词示例,分别针对人像、产品、风景、街景和宠物,并附上改写与精简这些提示词的规则。

照片转视频 AI 提示词示例:五张静态照片,五条运动描述

静态照片已经告诉了模型这个场景长什么样。色彩、构图、镜头、光线、服装以及主体的确切形状,都由你上传的文件固定下来。但文件没有说接下来应该发生什么。这个空缺,正是照片转视频 AI 提示词的价值所在:它不再重述画面,而是指明画面中哪些部分会动、朝哪个方向动、以多快的速度动,以及哪些部分必须完全不变。

下面五个示例都遵循这条规则。每一个都是针对某类常见静态照片的完整提示词,随后说明为什么这样写,以及当你自己的照片不同时该改哪些地方。它们刻意写得很短。一段五秒钟视频的提示词,只装得下两三个决定;而那些看起来崩了的视频,通常是想塞进五个。

图像是锚点,所以提示词描述的是变化

图生视频模型以你提供的画面为条件,因此上传的文件已经决定了主体、环境和风格。阿里巴巴关于其视频模型的指南说得很直白:文生视频时,你要描述实体、场景和运动;而图生视频时,图像本身已经定义了这三者,提示词应当专注于运动和镜头运动。Kling 的提示词指南用工作流的说法讲了同一件事:以静态图作为起点时,图像提供视觉基础,提示词则描述移动、镜头方向以及随时间发生的变化。

这有一个实际后果。图生视频提示词里的外观描述,要么被忽略,要么被拿来与模型较劲。一张正午拍摄的照片,配上一句写着“黄金时刻”的风景提示词,就是在邀请模型在第一帧里重刷天空——这读起来像故障,而不像创作选择。可靠的内容是动词:眨眼、飘动、旋转、落定、穿行、收紧。

两行加一条约束

几乎任何对静态照片有效的提示词,都可以由两行内容加一条收尾要求构成。

第一行是运动:什么在动、朝哪个方向、幅度多大。只写一个主体动作,最多再加一个背景动作。第二行是镜头:推近、拉远、横移、环绕,或保持固定。当你不想让任何东西移动时,就把“镜头固定”明确说出来,因为多数模型会把对运动的沉默理解成允许它自己编一段缓慢漂移。

然后加上约束:那个一旦丢失你就会否掉这段视频的细节。Kling 的香水瓶示例把缓慢旋转和微距推近,与“保持标签清晰不变”的指令配在一起。这条约束起的作用比任何风格形容词都大,因为它告诉模型画面中哪一部分不容商量。

幅度词在短提示词里分量很重。在阿里巴巴的运动指引中,速度和强度要明确设定,用“缓慢地”或“快速地”这类词,以及“剧烈摇摆”这类短语。几个小词就能让结果变化很大,所以要把它们花在真正重要的那一个动作上。

示例 1:必须稳住面部的人像

镜头固定。女子眨一次眼并呼气,肩膀微微下沉。她鬓角的几缕头发在轻微气流中飘动。她的目光一直停在镜头上,表情不变。保持面部不变。

为什么有效。 身份漂移是人脸最主要的失败模式,所以这条提示词把预算花在一个极小的动作和一个背景运动上,最后用一句明确的保持要求收尾。全程没有任何镜头运动:在这个片段长度下,对脸部做推近,往往在动作还没落定之前就把五官拉变形了。

如何改写。 换动作,不换数量。穿夹克的男子可以只转头一次;坐着的人物可以只让一只手移到扶手上。只要这个镜头仍要是人像,“表情不变”这一句就保留。

示例 2:平面上的产品

镜头从高角度四分之三侧面缓慢推近。瓶子向右旋转四分之一圈。随着转动,阴影的边缘在台面上移动。标签保持清晰不变。不要出现手,不要出现多余物体。

为什么有效。 四分之一圈足以表明物体是三维的,又不会挡住正面。关于阴影的那句话给旋转提供了可作用的对象,让运动更易读懂。负面清单只有两项,这差不多就是一条短提示词能兑现的极限。

如何改写。 让旋转幅度配合可读性。如果最后一帧里标签必须可读,就把旋转减到八分之一圈,或改成一次光线掠过。对于软性材质,把旋转换成一次折叠或落定。

玻璃瓶的棚拍静物照,旁边放着一支黄铜箭头,指向台面方向

示例 3:缓慢环境运动的风景

镜头固定。云从左侧缓慢向右飘移。前景的草在风中轻微摆动。地平线保持水平,光线不变。

为什么有效。 风景视频的失败方式是过度动画化:每棵树、每只鸟、每朵云都各自有了运动想法,画面就变成一片噪声。这条提示词只允许两个运动,都给定了方向,然后关上了光线这扇门,从而阻止模型漂向一个凭空想象的日落。

如何改写。 选择照片本身暗示的运动。水面给它涟漪和倒影的偏移;森林给树冠的摆动和一片落叶;沙漠给热浪蒸腾和缓慢移动的阴影。除非光线就是这个镜头的重点,否则保留“光线不变”这一句。

示例 4:有背景人流的街景或市集

镜头保持固定。行人以正常步行速度从右向左穿过画面,略微失焦。一辆踏板车在他们身后经过一次。建筑立面和招牌保持清晰不变。

为什么有效。 人群是图生视频模型出现最明显瑕疵的地方,因为每个人物都会成为新姿势的候选。给人群指定一个方向、给车辆指定一次经过,能让运动保持连贯;而让建筑静止不动,则给眼睛一个衡量运动的稳定参照。

如何改写。 先减少出现的角色,再提高细节。两个朝同一方向穿过的行人,会比朝三个方向走的六个人读起来更好。如果照片没有明确主体,就加一个小的固定元素,比如路灯柱或门洞,并用约束句保护它。

示例 5:宠物或动物特写

镜头固定,近景。狗的耳朵抬起,头向左偏几度。它的舌头动一下。毛发的纹路和眼睛的颜色保持不变。光线不变。

为什么有效。 动物镜头会诱使模型凭空编造解剖结构:多出来的脚趾、第二条舌头、在片段中途变长的口鼻。明确要求保持毛发纹路和眼睛颜色,给了模型一个让表面保持一致的理由;而一次轻微偏头,就足以让人相信它是活的。

如何改写。 让动作与动物的体量相称。猫给它一次抖耳和尾尖的动作;马给它一次鼻孔扩张和一步移动。近景别用全身动作,因为画面里没有空间让它们完成。

把任何套路套用到你自己的照片上

三种替换能覆盖大多数情况。第一,把主体动作换成照片里的姿势本来就支持的动作:一个倚在栏杆上的人物应该转移重心,而不是走开。第二,根据取景选择镜头运动:有强引导线的广角镜头适合横移,而边缘没有余量的紧切画面应保持固定。第三,把约束改写为你真的会因此否掉视频的那件事:标签模糊、眼睛颜色改变、地平线歪斜。

片段长度决定了这一切的上限。许多图生视频系统在设计上就只输出很短的片段;例如 Stable Video Diffusion 的文档描述的,是以单张输入图像为条件、输出两到四秒的视频。把两个动作写进四秒里,它们会互相挤压,所以在增加细节之前,先用时间数一数动作。

一把放大镜放在三张冲印好的画面上,其中只有一张是清晰对焦的

照片转视频 AI 提示词里该省掉什么

  • 重述场景。模型看得见照片;第二段描述只会与它竞争。
  • 风格形容词。风格随文件一起来了。如果照片本来就是暖调、带颗粒,说出来毫无增益;要求换成别的,则是在对抗锚点。
  • 两个镜头运动。选一个,把它做完。
  • 长长的负面清单。两三条排除项会被遵守;十条就变成噪声。
  • 对着无声模型写音频和台词指令。把它们留给能接收声音输入的模型。

改写提示词之前,先检查片段

按顺序检查三件事。先看几何:标签是否还是那个标签,脸是否还是同一张脸,地平线是否仍然水平。再看时序:动作是完成了,还是做到一半被截断。最后看多余的变化:光线是否偏移,是否多出物体,背景里是否又长出一群人。

之后一次只改一行,这样下一条片段就能告诉你哪一行出了问题。如果动作完全没发生,修复办法通常是做减法:缩短提示词,把运动动词放到第一个分句里,置于任何残留的场景细节之前。如果动作发生了但过了头,就保留句子,把幅度词调柔。

你可以在自己的静态照片上套用这些套路,试试 KOOX 的照片转视频 AI 工具;如果你想为单张人像准备更丰富的一套运动配方,六种运动指南涵盖了下一层选择。

文章信息

发布时间
照片转视频 AI 提示词示例:五张静态照片,五条运动描述