AI生成视频的提示词和生成图片的提示词有何根本不同？

AI生成视频的提示词和生成图片的提示词，根本就不是一回事。很多人以为，既然都会画画了，让画动起来，不就是把图片提示词改一改，加个“正在跑步”之类的词就行了？如果你真这么想，那你生成的视频，大概率会非常奇怪，要么就是人物动作僵硬得像木偶，要么就是镜头乱晃不知所云。

这俩的根本区别在于，图片提示词是在扮演一个“摄影师”，你只需要把一瞬间的画面固定下来，告诉AI“我要什么东西、什么风格、什么光线”，然后“咔嚓”一声，画面定格。但视频提示词不一样，你得当一个“导演”。 导演要考虑的，远不止画面好不好看，他要考虑时间、动作、镜头运动和故事。

核心差异：从“是什么”到“发生了什么”

生成图片的提示词，核心是描述“是什么”。比如，“一个穿着红色连衣裙的女孩，站在金色的麦田里，夕阳，柔和的光线，油画风格”。这个提示词的所有元素，都是静态的、描述性的。它定义了一个场景，一个对象，一种氛围。AI的任务就是把这些静态元素组合成一张符合逻辑和美学的图片。

但是，视频提示词的核心，是描述“发生了什么”。 视频的本质是连续的画面，它有时间维度。哪怕只有短短三五秒，也必须包含一个动作的开始、过程和（可能的）结束。所以，你不能只说“一个女孩在麦田里”，你得说清楚她“正在做什么”。

我们把上面的图片提示词改成视频提示词，试试看：

• 初级改动：“一个穿着红色连衣裙的女孩，正在金色的麦田里走路，夕阳，柔和的光线，油画风格。”

这样AI大概能生成一个动态画面了，但很可能效果平平，女孩可能只是在原地踏步。因为你只给了一个模糊的动作，没给任何“导演指令”。

• 导演级改动：“特写镜头，一个穿着红色连衣裙的女孩，她正缓缓地用手拂过金色的麦穗，镜头从右向左平移，跟随她的动作。夕阳的光线从她身后照来，形成美丽的轮廓光，空气中漂浮着一些发光的尘埃。整体是电影感的油画风格。”

你看，差别一下就出来了。第二段提示词多了几个关键的东西：
1. 具体的动作 (Action)：不再是简单的“走路”，而是“缓缓地用手拂过麦穗”。这个动作有细节，有情绪。
2. 镜头语言 (Camera Movement)：明确告诉AI用什么景别（特写镜头），以及镜头要怎么动（从右向左平移，跟随拍摄）。这是视频提示词最独特、也最重要的部分。 没有镜头语言的视频，就像是监控录像，死板。
3. 环境互动 (Environmental Dynamics)：除了主体在动，环境也可以动。“空气中漂浮着发光的尘埃”就给画面增加了层次和动态感。

所以，图片提示词是名词和形容词的艺术，而视频提示词是动词和镜头语言的艺术。

拆解视频提示词的“导演工具箱”

要写好视频提示词，你脑子里得有一个导演的思维框架。一个完整的视频提示词，通常包含下面几个部分，我们可以把它看作一个公式：
主体 + 动作 + 场景 + (镜头运动 + 光线 + 风格)

1. 主体 (Subject)：和图片一样，你要说清楚视频里是谁或是什么。但要更关注那些能“动”起来的特征。比如，你描述一条裙子，可以说“一条随风飘动的长裙”，这就为动态埋下了伏笔。

2. 动作 (Action)：这是视频的灵魂。 动作要具体、清晰。不要用“动”这种抽象的词。用“奔跑”、“跳跃”、“旋转”、“跌倒”、“微笑”、“眨眼”这类明确的动词。如果动作复杂，最好分解开，或者只描述一个核心动作，因为现在的AI模型处理太复杂的连续动作还是有点吃力。 比如，“一个人先是跑步，然后跳起来，最后在空中翻了个跟头”，这种复杂的指令很可能失败。改成“一个人正在奋力向前奔跑”效果会好得多。

3. 场景 (Scene)：场景不仅是背景板，它也要为“动”服务。比如，图片可以说“一条安静的街道”，但视频可以说“一条下着小雨的街道，地面有积水反光，远处的霓虹灯在闪烁”。 这样，即使主体不动，整个画面也是活的。

4. 镜头运动 (Camera Movement)：这是区分高手和新手的关键。你必须学会指挥镜头。

   • 推、拉、摇、移：这是基本功。“镜头缓慢推近，聚焦在角色的眼睛上”；“镜头从地面向上拉升，展现整个城市的夜景”；“镜头快速向左移动，跟随一辆飞驰的汽车”。
   • 景别：远景、全景、中景、近景、特写。不同的景别传递的情感完全不同。比如，“一个男人在哭”就很平淡，但“一个男人的特写，眼泪从脸颊滑落”就很有冲击力。
   • 视角：仰视、俯视、鸟瞰视角、无人机航拍。 “从无人机航拍的视角，展示蜿蜒的海岸线”，这种画面感一下就出来了。

5. 光线与风格 (Lighting & Style)：这部分和图片提示词很像，但也要考虑动态。比如“黄金时刻的光线”，在视频里，光线是会随着主体的移动而变化的。 风格上，“手持摄影机的晃动感”就是一个典型的视频风格描述，能增加真实感。

一个实战案例：从图片思维到视频思维

我们来看一个具体的转变过程。

• 目标：生成一个赛博朋克风格的场景。

• 图片提示词思维：
  > “一个赛博朋克城市，霓虹灯广告牌林立，高楼大厦，下雨的街道，地面反射着灯光，一个穿着风衣的侦探站在街角。照片级真实感，8K，细节丰富。”

这个提示词能生成一张很酷的静态图片。但它没有“故事”。

• 视频提示词思维：
  > “一个广角镜头，展示了一座赛博朋克城市的雨夜。镜头缓慢向前推进，穿过挂着巨大全息广告牌的摩天大楼之间。一辆飞行汽车从镜头上方掠过，留下一道光轨。镜头最终停在一个街角，一个穿着黑色风衣的男人正抬头望着天空，雨水打湿了他的脸颊。霓虹灯的光芒在他湿漉漉的风衣上闪烁。电影感，冷色调，高对比度。”

对比一下，视频提示词做了什么？

• 给了明确的开场和结束：从一个广角镜头开始，到停在男人身上结束。这是一个完整的镜头叙事。
• 增加了动态元素：镜头在动（向前推进），飞行汽车在动，雨在下，光在闪。整个世界都是活的。
• 聚焦了核心行为：最终落脚点是“男人抬头望天”，这是一个有故事感的动作，引人遐想。

总而言之，从图片到视频的提示词，是一次思维上的升级。你不再是一个只想拍出好照片的摄影师，而是一个需要用连续画面讲故事的导演。你需要思考的不再是“画面里有什么”，而是“在一段时间内，画面里发生了什么，以及观众应该如何‘看到’这一切”。 这就是它们之间最根本的不同。