图生视频提示词怎么写：五段式结构
一套五段式的图生视频提示词写法：先锁定不能变的部分，再给一个主体动作、一种镜头运动和一个结束画面，让同一张源图在每一次生成之间都保持稳定、不再漂移。
图生视频提示词不是对你那张图的第二次描述。图片已经定好了主体、构图、颜色和大部分光线。模型还需要你补上的是运动：什么在动、镜头怎么走、哪些东西必须原地不动。把这条分工划清楚，同一张源图就不会在每次生成之间漂移。
这份指南给你一个五段式的图生视频提示词结构、一组正反对照的实例、AI 图生视频生成器 里每个模型给你能提的要求划下的边界，以及最浪费积分的五个错误。
图生视频提示词真正控制的是什么
源图是整条请求里最强的一条指令。它带着主体、取景、色调和灯光，模型会把它当成片子的起始状态。在提示词里把这些再描述一遍并不会加强它，反而会和它竞争，因为文字和像素很少能完全对上。
图生视频提示词控制的是图片表达不了的那部分：
- 主体运动——接下来几秒里主体做什么。
- 镜头——推进、拉远、跟拍，还是固定不动。
- 环境运动——头发、衣料、蒸汽、水面、背景车流。
- 节奏——缓慢克制，还是干脆利落。
- 结束画面——这个镜头最后要落在哪里。
其余的都已经定了。一条提示词如果前两句还在写「一个穿红色大衣的女人站在夜晚的湿街上」，就是把预算花在了模型早就看得见的事实上。
五段式图生视频提示词结构
每条图生视频提示词都按同一个顺序写。顺序是有意义的：模型对提示词靠前的内容权重更高，所以「不能变的部分」放在最前面。
1. 先锁定不能变的部分
在提出任何运动之前，先点名那些身份必须成立的元素。这是一条图生视频提示词里最值钱的一句话。
值得锁定的内容：
- 面部身份、发型、肤色
- 产品几何结构、标签文字、Logo 位置
- 服装和配饰
- 背景建筑和招牌
- 包装版式
直白地写出来：保持瓶身外形、标签文字和影棚灯光不变。
2. 只给一个主体动作
一个动作，不是三个。四到六秒的片子没法让一个人转身、走动、坐下再微笑，四件事都会被赶着做完，而仓促的运动正是脸和手崩掉的地方。
用模型能执行的动词——转身、走近、眨眼、倾倒、旋转、上前一步——而不是「动感」「有活力」这类词，它们描述的是结果给人的感觉，不是要发生什么。
3. 只选一种镜头运动
选定一个镜头意图，让它贯穿整条片子：
- 缓慢推进
- 轻微拉远
- 从左向右的平移跟拍
- 细微的手持漂移
- 固定机位，只让主体运动
如果源图构图本来就好，固定机位或小幅推进能保住这个构图。一次完整环绕则等于把它扔掉，还要让模型凭空编出它从没见过的四分之三个场景。
4. 加一层环境运动
辅助运动是视频和一张缓慢放大的照片之间的区别。让它始终从属于主要动作：
- 微风里的头发或衣料
- 蒸汽、薄雾、灰尘、雨水或落叶
- 掠过玻璃或金属的一道移动高光
- 虚焦的行人或车流
- 水面、窗帘，或飘动的颗粒
通常一层就够。两层互相竞争的氛围只会把注意力从主体身上拉走。
5. 说明镜头怎么结束
大多数图生视频提示词写到一半就不再描述这个镜头了，而最后一秒恰恰决定片子是稳稳落地还是散掉。说清楚它应该停在哪里：最后停在居中的主视觉画面，标签完整可读，或者 最后半秒保持这个姿势不动。
实例对照：从无效写法到有效写法
同一个任务写两遍，对着同一张影棚产品图。
弱：
一段唯美电影感的高端精华瓶视频，放在反光台面上，优雅灯光，高级质感，高质量，4k，细节惊人。
这条提示词里没有一句是可执行的。每个形容词描述的都是模型已经拿到的那张静图，没有一个字说了什么应该动。
强：
保持瓶身外形、标签文字和影棚灯光不变。瓶身缓慢旋转约十五度，一道细窄高光掠过玻璃表面。镜头轻微向前推进。背景有薄雾缓缓飘过。最后停在居中的主视觉画面，标签完整可读。
第二版几乎没有更长。它更好，是因为每个分句都是模型必须执行的一个决定，也因为审片的人能拿着结果逐条核对。
让图生视频提示词匹配模型
要求模型做不到的运动，是一条好提示词却换来一条不能用的片子的最常见原因。Ideart 发布了三个视频模型，它们让静图动起来的边界各不相同：
| 模型 | 时长 | 分辨率 | 音频 | 可接收图片 |
|---|---|---|---|---|
| MiniMax H3 | 5–15 秒 | 768P、2K | 不支持 | 正好 1 张 |
| Seedance 2.5 | 4–30 秒 | 480p、720p | 支持 | 最多 2 张 |
| Seedance 2.0 | 4–15 秒 | 480p、720p、1080p | 支持 | 最多 2 张 |
两个实际结论：
- 时长是一条约束，不是一个质量档位。 一条守得住身份的五秒片子，胜过一条在第八秒丢掉脸的十五秒片子。按你描述的那个动作，要最短的那个时长。
- 更长就按比例更贵。 视频按秒计费，所以相同设置下，十秒的片子是五秒的两倍。价格完全由这几项设置决定，生成失败会自动退回积分。
画幅比例也值得先想清楚。所有已发布的视频模型都提供 16:9、9:16、1:1、4:3、3:4 和 21:9，而事后裁剪成片，等于把已经付过钱的分辨率扔掉。先决定这条视频要去哪里——信息流、Story、官网首屏——再生成，而不是反过来。
想看某一个模型的完整规格——支持的操作、可选时长和参考素材上限——打开它的页面，例如 Seedance 2.5，或者浏览全部 AI 生成模型。
毁掉一条图生视频提示词的五个错误
- 把图片再描述一遍。 那张图已经在请求里了。花在它身上的字，就是没花在运动上的字。
- 把变化叠在一起。 一个剧烈的主体动作、一次快速环绕、一次灯光变化，再加一次换装，全塞进四秒里，等于给模型四个互相打架的目标。
- 用氛围词代替动词。 「电影感」「震撼」「史诗」都没有指定任何运动，「镜头缓慢推进，同时她转向窗边」才有。
- 要求可读的文字发生变化。 Logo、包装文案和招牌是一动起来最先糊掉的东西。锁住它们，让镜头保持安静，并且让它们在画面里足够大。
- 每出一版就重写整条提示词。 你会连原本对的部分一起丢掉，也无法判断哪一次改动造成了哪一个结果。
怎样迭代，而不是从头再来
第一版出来之后，一次只改一件事。当每次生成和上一次只差一处、而且那一处说得出名字时，一条图生视频提示词才好排查：
- 保持当前动作，把镜头推进幅度减半。
- 产品外形已经对了，减慢旋转，去掉背景薄雾。
- 同一个镜头，最后的定格再多停一会儿。
两三次有针对性的调整，通常胜过十次重写，也更便宜。每个登录账号每天可领 100 个免费积分，这够跑静态图，不够跑片子——所以练结构最便宜的地方是先在图片上练，再把视频积分花在已经收紧过的提示词上。如果你更想从已经验证过的东西开始，视频提示词库 可以随便翻、随便改——浏览不花积分。
图生视频提示词常见问题
一条图生视频提示词应该写多长？
通常两到四句就够。长度不是目标；一条每个分句都是指令的短提示词，胜过一条塞满源图形容词的长提示词。
需要在提示词里描述图片吗？
只描述必须保持不变的部分。点名主体的身份、产品的形态或 Logo 的位置，能帮模型守住它们。图片本身已经展示的颜色、取景和灯光，再写一遍没有意义。
为什么片子里主体的脸会变？
多半是运动量对这个时长来说太大了。把片子改短，换一个更安静的运镜，并在提出任何动作之前，把面部身份明确写进「保持」那一句里。
一条图生视频提示词能生成更长的场景吗？
在一条片子里不能。用同一张源图和同一句「保持」，生成几条各自站得住的短片，再剪到一起，这比让一次生成扛住三十秒的叙事可靠得多。
图生视频的片子能有声音吗？
这取决于模型，不取决于提示词。Seedance 2.5 和 Seedance 2.0 能输出带音频的结果，MiniMax H3 不能。如果片子需要声音，先选模型，再写简报。
一次图生视频生成要花多少积分？
取决于模型、分辨率和时长。MiniMax H3 默认的五秒片子是 275 积分，而积分是 1 美元 100 个。同样的设置价格永远一样，所以发送之前数字就已经定好了。
准备好跑你的图生视频提示词了吗？
带上一张清晰的源图和一份五段式的运动简报。选好模型，设好时长和分辨率——价格就由这三项决定——然后在这一版上继续迭代，而不是重写它。
延伸阅读
更多关于写图生视频提示词，以及在两种生成模式之间做选择：