AI 视频提示词怎么写：Veo 3.1、可灵 3.0、Seedance 2.5 通用公式，附 12 条可直接粘贴的示例
一套所有主流视频模型都能读懂的六段式镜头公式，Veo、可灵、Seedance 各自的写法要点，12 条拿来就能用的提示词，以及五种最常见失败的修法。
视频模型不是聊天机器人。它不想要情绪板，它想要分镜单。下面的公式就是我们各个页面提示词模板在用的写法，在 Veo 3.1、可灵 3.0、Seedance 2.5、万相 3.0 以及其他模型上都能出可用的第一版。
六段式镜头公式
一个镜头写一句话，按这个顺序：
- 主体：画面里是谁或什么，带两三个视觉细节（「穿亚麻围裙的咖啡师」）。
- 动作：一个明确的动词加方向（「拉花，蒸汽升起」）。
- 镜头：景别和运动（「手持特写，缓慢推近」）。
- 光线与场景：时间和光质（「阳光咖啡馆，温暖的窗光」）。
- 声音：环境音、音效，以及用引号括起来的台词（「轻声交谈；她说『给你』」）。
- 切镜：只有需要第二个镜头时才写，另起一句并换一个镜头。
六段齐全的提示词很少被误读；缺动词或缺镜头的提示词，是「画面不动」「很平」这类结果的主要来源。
时长、画幅与音频
- 先用模型允许的最短时长打草稿（多数模型是 4 或 5 秒，LTX-2.5 Fast 是 6 秒），定稿再拉长。积分按秒计，草稿很便宜。
- 抖音、Reels、Shorts 用 9:16；YouTube 和网页用 16:9；信息流广告用 1:1。按画幅描述构图：竖屏要把主体放中间、拉近。
- 只在镜头需要时才开音频。可灵 3.0 Pro、Veo 3.1 Fast、Seedance 2.5、Seedance 2.0、万相 3.0 Prime 和 LTX-2.5 Fast 都可以关闭音频、出静音草稿；Gemini Omni Flash 1.1、Grok Imagine Video 1.5 和 MiniMax H3 Max 总是自带配乐；万相 2.7 则总会返回原生音轨，没有开关。
实测样片给音频提示词的启发
2026 年 9 月 27 日，我们为每个模型各生成了一条样片，并用自动化流程检查了每条样片的音轨——由 google/gemini-3.5-flash-lite 描述它听到的内容，而不是人工听审。一个模型一条样片算不上基准测试，但这个规律值得记一笔：总是自带声音的模型，有时会加一段配乐，而不是你描述的那种环境音，也不会保持安静或逐字匹配。
两个例子把这个差距体现得很清楚。一条 Grok Imagine Video 1.5 的提示词要求宇航员穿过火星红色沙丘时有风声和脚步声，实际返回的音频却是一段平静的背景音乐。
一条 Gemini Omni Flash 1.1 的提示词写的是雨中书店里的猫，要求雨声和雷声，返回的同样是柔和的背景音乐。
相比之下，这批样片里主动开启音频的可选音频模型更接近字面描述。LTX-2.5 Fast 上，纸船漂过潮湿街沟的镜头返回了类似风声的沙沙声：
给提示词里声音这一句两个实用建议：
- 在总是自带声音的模型上——Gemini Omni Flash、Grok Imagine Video 1.5，或 MiniMax H3 Max——把声音写得和画面一样具体（「风声呼啸，靴子踩在沙地上」，而不是只写「有风」），生成后先回放，再决定是否采用；它仍然可能换成配乐。
- 如果镜头依赖某种特定声音，先用支持静音的模型起步——可灵 3.0 Pro、Veo 3.1 Fast、Seedance 2.5、Seedance 2.0、万相 3.0 Prime 或 LTX-2.5 Fast——先出静音草稿，定稿再开音频。
一个模型一条实测样片只是方向性参考，不能保证你下一条提示词的结果。查看完整模型对比，了解全部十款模型的时长、分辨率和积分价格。
各模型要点
Veo 3.1 对长提示词遵循度高，语音表现好。台词放在引号里，8 秒片段控制在十来个词以内，需要时注明口音或语气。镜头首尾固定时用首尾帧模式。
可灵 3.0 是动作专家。用具体的物理动词（冲刺、甩、溅），注明速度（慢动作、实时），再加一个运镜；「贴地低机位跟拍」比形容词管用得多。Pro 档支持多镜头提示词：一句一镜。
Seedance 2.5 会在镜头或场景变化的句子之间切镜，单镜头可以拉到 30 秒。想要一镜到底，就保持一个镜头，描述动作如何随时间演变（「她从门口走到窗前，光线从蓝色转为金色」）。
任何模型的图生视频：图片决定主体、构图和色彩，提示词只描述运动和镜头，不要重复画面里已有的东西。
12 条拿来就能用的提示词
- 商品，9:16，6 秒，Veo 3.1 Fast：哑光黑色水壶放在白色桌面上的干净影棚镜头，缓慢的 180 度转盘旋转，柔和的轮廓光扫过标签，画面无文字。
- UGC 广告，9:16，8 秒，Veo 3.1：明亮厨房里的手机自拍视角，一位三十多岁的女性把咖啡豆袋举向镜头，说「用了三周，回不去了」，自然晨光，随意的语气。
- 动漫，16:9，5 秒，可灵 3.0：赛璐璐动漫风，女高中生在日落的桥上奔跑，头发和裙摆随风飘动，樱花花瓣飘落，镜头在她身侧跟拍，轻快钢琴。
- 自然，16:9，8 秒，Veo 3.1：无人机在黎明的雾气松林上方升起，金色光线穿透树冠，缓慢向前漂移，风声与远处鸟鸣。
- 美食，1:1，5 秒，Seedance 2.5：蜂蜜浇在乡村木桌上一叠松饼上的微距镜头，晨光从窗户洒入，缓慢下摇，画外轻微的煎锅声。
- 动作，16:9，10 秒，可灵 3.0：两名武者在霓虹招牌下雨水浸透的小巷对练，慢动作出击后切回实时反击，水花四溅，鼓点与击打同步，低机位跟拍。
- 音乐视频，9:16，15 秒，Seedance 2.5：空仓库里单束聚光灯下的歌手，烟雾飘动，镜头缓慢环绕。副歌时切到特写，镜头眩光，呼出的白气可见。
- 对白，16:9，8 秒，Veo 3.1：两位朋友深夜坐在天台，身后是城市灯火，中景双人镜头；一人说「我们早该这么做了」，另一人笑了，远处车流声。
- 无人出镜 B-roll，9:16，10 秒，Seedance 2.5：日出时的极简书桌，咖啡热气缭绕，合上的笔记本电脑，缓慢横摇整个房间，没有人，平静高效的氛围，无文字。
- 照片动画，9:16，5 秒，LTX-2.5 Fast（图生视频）：她眨眼、轻轻微笑，微风吹动发丝，镜头非常缓慢地推近。构图和色彩与照片完全一致。
- 房产，16:9，10 秒，万相 3.0：稳定器从入口平滑走进明亮的客厅，午后阳光穿过高窗，轻微的房间底噪，没有人。
- 奇幻，16:9，8 秒，Gemini Omni Flash：黄昏时一条巨龙盘绕在山间寺院上，僧人敲响大钟，云层散开，大远景缓缓上升，低沉的管弦乐渐强。
把任意一条粘贴到对应模型页的生成器里，先换名词；镜头和光线的词保留，它们承载了大部分风格。
五种常见失败与修法
- **画面不动。**给主体加动词，再加一个运镜。「沙发上的猫」改成「猫伸了个懒腰跳下沙发，镜头下摇跟随」。
- **人脸在帧之间变了。**要求少一点：轻微动作、一个运镜、不要大幅转头。图生视频时完全不要描述脸。
- **文字是乱码。**模型拼不准字。写上「画面无文字」，标题在剪辑软件里加；商品标签要清晰，就用包装图做图生视频。
- **第二个镜头被忽略。**每个镜头要有自己的句子和镜头指令，并且时长要够（Seedance 和可灵上两个镜头需要 10 秒以上）。
- **台词含糊或太长。**缩短台词，放进引号，并在同一句里给角色一个说这句话的理由。