7 个悄悄毁掉你的 AI 视频提示词的坑
大多数令人失望的 AI 视频片段，问题往往不在模型本身，而在于从图像生成中照搬过来、从一开始就不适用于视频运动的提示词习惯。一张静态图可以承载一大堆形容词，但一段五秒的视频不行，因为模型同时还要处理时间节奏、镜头运动、主体一致性，通常还有音频。
本指南拆解了七个悄悄破坏 AI 视频生成效果的提示词习惯，并配以“修改前/修改后”的对比范例，以及在 PixVerse 上的真实生成测试。你可以在 PixVerse 提供的多个模型上对比这些修正方法，包括 Seedance 2.0、HappyHorse 1.0、PixVerse V6、PixVerse C1、Kling O3 和 Kling 3.0。这些底层问题并非某一个模型独有——它们会出现在大多数 AI 视频生成器上，因为失败点是共通的：提示词臃肿、情绪词模糊、镜头指令相互冲突、伪造的负面提示词、触发抖动的速度用语、对参考图像的过度描述，以及笼统的质量标签。
这与“为了简洁而写更短的提示词”无关，而是要让提示词里的每一个字都发挥实际作用。一个搭建良好的提示词会把重要信息放在最前面，专注于单一的运动路径，保护需要保持视觉一致的元素，并把模糊的审美用词换成模型真正能“看见”的语言。
我们是如何设置这些测试的
下面的每个示例都在 PixVerse 上以相同的设置生成：相同的基础生成参数，且每个片段都开启了音频。我们并不是想展示某个模型的特定技巧——重点是在保持环境其余部分不变的情况下，单独观察提示词本身发挥了什么作用。六个片段以 1280x720 的横屏比例运行；参考图像示例以 720x1280 的竖屏比例运行，因为该案例依赖于一张竖版商品图。每个输出都包含声音。
我们从工作型提示词需要满足的六个方面来评判每个结果：指令遵循度、运动清晰度、主体一致性、镜头稳定性、音频可用性，以及这段片段是否能真正用于博客文章、广告草案、路演演示稿或教程。
这些都是刻意选取的跨模型通用准则。目前大多数视频生成器都有相同的痛点：随时间推移出现的漂移、模糊不清的运动提示、不稳定的镜头路径，以及相互暗中冲突的指令。
关于本文提到的具体模型的更多信息，请参阅我们的 Seedance 2.0 评测、HappyHorse 1.0 与 Seedance 2.0 对比，以及 Kling 3.0 详解。如果你正在把提示词测试整合进生产流程，我们的 AI 视频生成指南 介绍了如何自动化文生视频和图生视频的工作。
坑一：把提示词长度当作“控制力”的替代品
添加更多描述感觉上应该能给模型更多可发挥的素材。但实际上，一个过载的提示词通常会把最重要的那条指令给淹没掉。开头一句话承载着最重的分量；堆在它后面的一切都在争夺模型的注意力，而不是在强化核心思路。
这种情况长这样：
优雅工作室中的一瓶奢华香水瓶，美丽的灯光，电影感反射，高端商业质感，昂贵材质，柔和粒子，流畅运动，精致氛围，高品质，细腻纹理，戏剧性的镜头运动，情感叙事，奢侈品牌气质，逼真玻璃，金色液体，闪耀高光，慢动作，优雅阴影，完美构图，无失真，无闪烁，无畸形，无杂乱背景，无多余物体，专业视频，爆款广告风格。
这读起来很详尽，但几乎每一句话要么模糊，要么在重复前面的意思。模型必须在运动、灯光、氛围、反射、粒子效果和一堆质量标签之间做选择——而真正的主体却在这堆噪音里迷失了。
为什么会失败： 视频模型是按顺序阅读文本的，关于核心动作最清晰的信号往往能在整个片段时长里保持得最好。片段越长，这一点就越重要，因为时间连贯性本身对模型已经是不小的挑战。这与 OpenAI 提到的视频模型仍然难以精确处理物理规律和因果关系的观点相吻合——在核心思路后面堆砌薄弱的指令，并不会带来额外的控制力，只会增加噪音。
修正方法： 追求 50-80 个词的紧凑结构——第一句写主体、动作和地点，第二句写镜头和风格，第三句写约束条件。
一瓶透明玻璃香水瓶立在黑色大理石上，温暖的轮廓光穿过金色液体。瓶子做了一个展示性的小幅转动，露出一点侧边，然后重新回到居中位置。镜头从标签高度缓慢微距推近至瓶盖，奢华的工作室灯光，柔和的金色微尘在瓶子后方飘动。最终定格在稳定的居中画面，无文字叠加，无多余物体。音频：细微的玻璃移动声，柔和的工作室环境音。
测试： PixVerse，5 秒，720p，16:9，开启音频以呈现玻璃移动声和工作室环境音。我们想看看一个紧凑的提示词，能否在不让核心动作被淹没的情况下，同时保住产品身份、克制的运动、灯光和镜头控制。
在结果中，瓶子在整个推近过程中始终保持居中，金色液体透过玻璃清晰可见，温暖的背光营造出高端氛围，而这一切并非靠某个形容词硬撑起来。简短的提示词并不等于模糊的提示词——一个包含单一主体、单一克制动作、单一镜头运动和几条真实约束条件的紧凑指令，始终优于一长串零散的偏好罗列。
坑二：把“电影感”当作质量开关来用
“电影感”几乎出现在每一条 AI 视频提示词里，但它也是最没用的词语之一。它既可以指恐怖片式的灯光，也可以指浪漫的黄金时刻，还可以指粗粝的纪录片写实感、科幻朦胧感，或者其他十几种彼此毫无共通之处的电影风格。
这种情况长这样：
一名退休侦探在雨夜的小巷中行走。电影感，专业，戏剧性，电影级质感。
这只给了模型一种情绪，而不是具体的画面风格。输出结果可能从阴暗粗粝到明亮光鲜，你完全无法预测最终会是哪一种。
为什么会失败： “电影感”这类宽泛的词，关联着训练数据中庞大且互不相关的片段。除非你说出具体的视觉语言——灯光设置、镜头质感、构图方式、镜头运动或某种特定的导演风格——否则模型无从判断你脑海中“电影感”到底指的是哪一个分支。Runway 的 Gen-3 Alpha 研究也印证了同样的方向：高度描述性、时序密度高的字幕，效果始终优于模糊的风格标签。
修正方法： 把“电影感”替换成具体的东西——一种灯光设置、一种镜头特性、一条构图规则，或一套色彩方案。
一名穿着深色长风衣的退休侦探走在雨水浸湿的夜间小巷中。镜头从远景缓慢推近至中特写，红蓝霓虹灯映在湿润的鹅卵石路面上，沿小巷的单点透视构图，来自实景霓虹招牌的变形宽银幕镜头光斑，香烟烟雾掠过他的脸庞。音频：雨落在路面上的声音，远处的车流声，柔和的霓虹嗡鸣声。
测试： PixVerse，5 秒，720p，16:9，开启音频以呈现雨声和城市环境音。我们想看看，指明具体的电影元素是否比单独使用“电影感”这个词更能产生稳定的氛围。
结果之所以有效，是因为提示词说出了模型真正能够呈现的东西：湿润的鹅卵石、霓虹反光、沿小巷的单点透视、缓慢的推近镜头、黑色电影式的灯光。侦探始终是视觉锚点，而小巷的纵深和彩色招牌共同营造出氛围。这段片段之所以有电影质感，是因为提示词描述了画面应该呈现的样子——而不是因为它借用了一个流行词。
坑三：在一个镜头里堆叠多种镜头运动
AI 视频模型能相当好地遵循镜头指令，但前提是只有一个主导的运动方式。如果堆叠多个镜头指令，通常会得到抖动、漂移，或片段中途出现不想要的转场。
这种情况长这样：
一列微型磁悬浮列车穿过一座玻璃暖房城市。镜头推近，向左平移，绕列车旋转拍摄，向上倾斜穿过苔藓塔楼，并加入手持晃动效果。
这读起来像一个真实的电影运镜，但对于生成而言，这是五个各自独立、相互争夺优先级的空间向量。模型要么必须给它们排序，要么必须混合它们，而这两条路径通常都会产生明显的不稳定。
为什么会失败： 推近、平移、环绕、倾斜和手持晃动各自描述的是不同方向的镜头运动。把它们堆在一起，模型就必须猜测哪一个应该占主导，以及何时切换到下一个——而这个切换点通常正是抖动出现的地方。像 Direct-a-Video 和 MotionCtrl 这样的镜头控制系统研究，正是出于这个原因刻意把镜头运动和物体运动分离开来：一条提示词不应该同时承载五个镜头向量。
修正方法： 选定一个主要的镜头运动，最多再叠加一个纹理性的补充效果。
一列微型磁悬浮列车在实验台上的玻璃暖房城市中穿行，途经苔藓塔楼和凝结着水珠的玻璃墙。镜头：一次平滑的横向跟拍运动，与列车平行，仅加入轻微的手持质感。列车在背景滑过的同时始终保持居中。音频：柔和的电流嗡鸣声，细微的轨道震动声，水珠滴落在玻璃上的声音，低沉的环境音。
测试： PixVerse，5 秒，720p，16:9，开启音频。这个场景充满了诱人的镜头混乱元素——玻璃反射、微缩建筑、凝结水珠、移动的列车、微距尺度——这使它成为检验单一横向跟拍运动能否在背景负责制造运动能量的同时，让一个小主体保持清晰可辨的绝佳压力测试。
这个结果是整组测试中最干净的之一。列车在画面底部始终清晰可辨，而覆盖着苔藓的暖房在其后方营造出视差和纵深感。由于提示词坚持单一的横向运动，而不是堆叠推近、平移、环绕和倾斜，镜头从未与自身“打架”。
坑四：写出根本不存在的负面提示词
不少创作者把 Stable Diffusion 的习惯带进了视频提示词写作中，写出诸如“negative: 抖动、扭曲的四肢、闪烁、变形”这样的句子。大多数 AI 视频生成器并没有真正的负面提示词字段——那些文字只是又多了一段普通提示词。
这种情况长这样：
一名钟表匠在台灯下修理一个悬浮的发条立方体。Negative: 抖动、糟糕的手部、扭曲的手指、闪烁、变形、损坏的齿轮、不稳定的灯光。
这实际上可能让情况变得更糟。模型仍然会把“抖动”“扭曲的手指”“变形”当作文本来读取，非但不会排除这些概念，反而可能引入你原本想要避免的那些联想。
为什么会失败： 除非界面提供了专门的负面提示词输入框，否则你输入的一切都会被当作正面指令处理。模型内部并没有把“negative:“当作硬性排除条件的内置概念——如果你想要稳定的效果，就需要直接描述你想要的稳定状态。
修正方法： 把每一条负面表述都转换成陈述期望状态的正面约束。
一名钟表匠用黄铜镊子把一枚透明齿轮放入一个悬浮在温暖台灯下的微型发条立方体中。镜头从双手缓慢推近至立方体。双手动作自然，齿轮边缘保持清晰，立方体保持居中，温暖的灯光始终保持稳定、无闪烁。音频：黄铜镊子的咔嗒声，微小齿轮的滴答声，安静的工作室环境音。
测试： PixVerse，5 秒，720p，16:9，开启音频以呈现细微的机械声和工作室环境音。手部、微小齿轮和透明边缘都是容易出现瑕疵的高风险区域，这让它成为检验陈述式约束是否真的能减少可见错误、相比负面清单更有效的有用测试。
镊子、透明立方体和齿轮细节在台灯下都保持了清晰的视觉分离。手部离镜头很近，足以对模型构成压力测试，但直接陈述目标行为——自然的手部动作、清晰的边缘、稳定的灯光——比一份可能重复你想要避免的那些词语的负面清单，给出了更干净的结果。
坑五：把“快”当作速度指令来用
当你想表达速度时，“快”感觉是最直白的词，但它往往会把视频生成推向不稳定的方向——尤其是当提示词里已经包含复杂动作、镜头运动或多个移动元素时。
这种情况长这样：
一名长板滑手快速冲下山路，快速镜头，急转弯，快速运动模糊，动感速度，激烈动作，快速运动。
现在主体、镜头、特效和场景节奏都被要求同时加速，模型必须在这种压力下同时保持解剖结构、物体形状、镜头路径和背景连贯性。
为什么会失败： 速度不只是一个风格词——它是一种时间性要求。与其要求“快”,不如描述让速度可见的物理证据：压缩的姿态、飞溅的水花图案、拉伸的背景轨迹、受控的镜头取景。
修正方法： 把“快”换成具体的运动物理细节。
一名下坡长板滑手在湿滑的山路弯道中压低身体过弯，膝盖压缩，后手悬在距地面几英寸的沥青上方。每个轮子都向外甩出一道细薄的水花，路边的反光标志被拉伸成柔和的背景轨迹。镜头在板子旁保持低角度，以一次稳定的跟拍完成。头盔和夹克保持稳定。音频：车轮的嗡鸣声，湿路面的嘶嘶声，风压声，一次板子的转向声。
测试： PixVerse，5 秒，720p，16:9，开启音频。这里要验证的问题是：物理运动语言能否在不要求模型同时加速五个元素的情况下，传达出速度感。
结果通过物理证据而非“快”这个词来呈现速度：低角度镜头、湿路面的反光、压缩的骑行姿态和水花飞溅共同作用，让下坡过程感觉迅速，同时又完全保持骑手和滑板的清晰可辨。
坑六：重新描述你已经上传的参考图像
对于图生视频的工作而言，把上传照片中已经可见的一切都再重复一遍会造成冲突。如果图像中已经展示了一个聚光灯下的结构化黑色手提包，而你的提示词又用略有不同的措辞再次描述同一个包，模型现在对同一个主体收到了两条指令——像素和文字——两者之间任何不匹配都会招致漂移。
这种情况长这样（图生视频提示词）：
一个带弧形提手、银色卡扣、结构化包身、缝线拼接面板的黑色皮革手提包，坐落在深色工作室背景下的戏剧性聚光灯中。
如果这一切都已经在参考图像里了，这个提示词其实是在邀请模型重新诠释它本应只是简单保留的细节——轮廓、材质、装饰元素，甚至背景都有可能因此发生变化。
为什么会失败： 参考图像本身已经是一条强有力的指令。重新描述已经可见的主体，等于打开了第二条指令通道，而这条通道未必能与实际画面逐像素对齐。在这种情况下，提示词的任务是覆盖图像无法展示的部分：运动和镜头行为。
修正方法： 对于图生视频，把提示词限制在三项任务上——运动指令、镜头指令、一条一致性规则。
保持参考物体完全不变。在当前取景基础上加入一次柔和的镜头推近，同时一道细窄的高光缓缓掠过可见表面。保留参考图像中确切的轮廓、材质、装饰细节、背景、灯光方向和构图。音频：柔和的展示间环境音，微弱的玻璃共振声，细微的织物摩擦声。
测试： PixVerse，5 秒，720p，9:16 竖屏，图生视频，开启音频以呈现细微的材质声和环境音。这之所以有效，是因为参考图像已经定义了这个物体——提示词刻意避免重新描述颜色、形状或材质，也没有要求模型去臆造隐藏的机制细节。
手提包保持了它的轮廓、卡扣位置、提手形状和皮革质感，深色工作室背景保持完好，而镜头和高光则提供了全部的运动。对于以参考图像驱动的产品视频而言，提示词中的克制往往比野心更重要。
坑七：在提示词里塞满空洞的质量词
“惊艳”“美丽”“高品质”“史诗级”“专业”这类词在 AI 视频提示词中层出不穷，但它们几乎不携带任何方向性信息。它们是被贴在太多不同类型输出上的高频标签，无法提供可靠的控制力。
这种情况长这样：
一个惊艳、美丽、史诗级的节日场景，画面高品质，运动令人惊叹，专业灯光，构图完美。
这告诉模型输出应该是“好”的，却没有告诉它在这个具体场景中，“好”到底长什么样。
为什么会失败： 单单一个“史诗级”就可能意味着壮阔的风景、一场战斗、发光的天空、宏大的规模、戏剧性的配乐、慢动作，或者奇幻盔甲。除非把这个形容词替换成可见且具体的东西，否则模型无从推断你到底指的是哪一种。
修正方法： 把每一个空洞的形容词都换成一个具名的、可见的提示——构图、灯光设置、镜头规格、色彩方案、材质表现。
一场夜间风筝节在覆盖着一层薄薄水膜的白色盐滩上展开。三只形似深海生物的半透明风筝漂浮在头顶，蓝绿色的生物荧光肋骨在织物下微微搏动。低角度的缓慢推近镜头，从脚踝高度的倒影推至最近的风筝尾部，广角镜头质感，青色与洋红色的色彩对比，地平线上排列着灯笼。音频：织物飘动声，绷紧的线绳振动声，浅水中的脚步声，远处人群的低语声。
测试： PixVerse，5 秒，720p，16:9，开启音频以呈现织物、脚步和人群环境音。目标是看看具体的视觉提示是否比空洞的质量词更能保持风格的一致性。
输出保留了核心创意——半透明的生物造型风筝，带着发光的肋骨，漂浮在盐滩倒影之上。镜头角度比要求的脚踝高度取景略高一些，所以指令遵循度并非完美，但其视觉辨识度远远强于单纯“美丽的史诗级节日”所能产生的效果。具体的名词、灯光提示和色彩关系，始终优于审美形容词。
两条完整提示词的拆解
修改前：“制作一段关于未来城市的很酷的电影感 AI 视频。要美丽、逼真、有戏剧性、高品质、能火。”——这同时堆叠了坑二和坑七，却没有主体、动作、镜头路径或最终画面来作为锚点。
修改后：“一段 6 秒的未来城市展示片段。镜头低空滑过一条雨湿的街道，蓝色全息招牌倒映在路面上。一架快递无人机贴近镜头飞过，随后升向一座玻璃塔楼。平滑的前向跟拍，冷蓝色调，塔楼入口处的暖色灯光，细雨，远处的车流声，一次无人机掠过。”
修改前：“一名长板滑手飞速冲下山路，躲避车流，跃过倒下的树木，穿过火花四溅的场景，切到无人机镜头，切到车轮特写，切到头盔反光，最后以一个 logo 和烟花收尾，全程 5 秒，快速镜头，完美音效。”——这在一个过载的长句里同时结合了坑一、坑三、坑四和坑五。
**修改后：**上面坑五中提到的同一个长板滑手修正案例——一个动作、一次镜头运动、正面约束、具体的音频提示。
一个可复用的提示词模板
把这个结构当作你的默认起点：
[主体] + [一个动作] + [地点]。[一种镜头运动] + [具体的风格、镜头、灯光或构图]。[正面约束：什么必须保持稳定，什么应该缺席，是否需要音频]。
示例：“一个陶瓷咖啡杯放在深色木桌上，蒸汽缓缓升起，形成柔和的卷曲。缓慢的微距推近镜头，温暖的钨丝侧光，浅景深，安静的晨间咖啡馆背景。杯子形状保持稳定，无文字叠加，音频包含柔和的环境音和细微的勺子碰撞声。”
总结
更好的 AI 视频提示词不是更长的提示词，而是更干净的提示词。把主体、动作和地点放在最前面。用可见、具体的提示替换“电影感”和空洞的质量词。专注于单一的镜头运动。用正面约束取代虚假的负面提示词。用具体的运动物理细节替换“快”。对于图生视频，让参考图像发挥它应有的作用，而不是重新描述它。
这些修正方法之所以适用于目前大多数 AI 视频生成器，是因为它们针对的是相同的底层弱点：时间性漂移、模糊的风格采样、镜头抖动、主体不一致，以及过载的运动指令。PixVerse 让这一切易于付诸实践，因为你可以在 Seedance 2.0、HappyHorse 1.0、PixVerse V6、PixVerse C1、Kling O3 和 Kling 3.0 之间用同一条提示词进行测试，而无需切换工具或重建你的工作流。
常见问题
什么才算是真正好的 AI 视频提示词？ 一个好的提示词能给模型一个清晰的目标：主体、动作、地点、一种镜头运动、可见的风格提示，以及几条正面约束。“黑色大理石上的玻璃香水瓶，缓慢的展示性转动，温暖的轮廓光，稳定的反射”每次都优于“一段电影感的奢华产品视频”。
AI 视频提示词应该写多长？ 对于大多数文生视频提示词来说，50-80 个词是一个稳妥的起始范围。先写主体、动作和地点，再加上镜头运动、灯光、运动细节和音频。一句模糊的开头句，很少能靠后面堆更多字来挽救。
为什么“电影感”作为提示词效果不好？ 它太宽泛，无法指向任何具体的东西。把它换成可见的电影语言——“35毫米手持质感”“带霓虹反光的雨夜小巷”“缓慢的推轨镜头”“硬朗的背光”“背景中的暖色实景灯”。
AI 视频生成器支持真正的负面提示词吗？ 有些工具确实提供专门的负面提示词字段，但标准的提示词输入框通常会把一切都当作指令来读取。请改为写正面约束——“双手保持自然”“镜头保持稳定”“背景保持空旷”“产品轮廓保持完整”。
如何在不改变主体的情况下为图生视频写提示词？ 不要重新描述已经在上传图像中出现的内容。把提示词用于图像无法展示的部分——运动、镜头行为、灯光变化、音频，以及一条一致性规则（“保持参考物体完整，加入柔和的推近，保留轮廓和材质”）。