如何设计生成AI视频的提示词来实现复杂的镜头调度和角色互动？

想让AI生成的视频看起来像电影，而不是一堆随机素材的拼接，关键在于你怎么写提示词。很多人写的提示词就像在许愿：“一个男人和女人在咖啡馆聊天”。结果AI给你的视频里，男人可能在看窗外，女人在喝咖啡，镜头还从一个奇怪的角度切来切去。这不是我们想要的。问题出在，我们没有给AI一个清晰的“剧本”和“拍摄指南”。

要实现复杂的镜头调度和角色互动，你需要像一个导演一样思考，把脑子里的画面拆解成AI能听懂的具体指令。这套方法我试了很久，下面把具体的步骤和想法直接分享给你。

第一步：先搞定镜头，再谈别的

镜头是视频的语言。在写任何关于角色和故事的提示词之前，先把镜头怎么动、从哪里拍说清楚。如果你不定义镜头，AI就会自己瞎猜，结果通常都不好。

首先，你要学会一些基本的镜头术语。不需要去电影学院，记住下面几个就行，然后直接把它们写在提示词的最前面。

• 固定镜头 (Static shot): 这是最简单的，镜头不动。比如：“Static shot of a woman sitting at a desk, typing on a keyboard.”（一个女人坐在桌前打字的固定镜头。）
• 平移镜头 (Pan shot): 镜头左右移动。你要说清楚从哪移到哪。比如：“Pan shot from left to right, revealing a long dinner table full of food.”（镜头从左向右平移，展示一张摆满食物的长餐桌。）
• 推拉镜头 (Dolly shot / Tracking shot): 镜头向前或向后移动。Dolly in是靠近主体，Dolly out是远离。Tracking shot通常指跟拍一个移动的主体。这俩词AI基本都能理解。举个例子：“Tracking shot following a man as he walks down a crowded city street.”（跟拍镜头，跟着一个男人走在拥挤的城市街道上。）
• 升降镜头 (Crane shot / Pedestal shot): 镜头上下移动。Crane shot通常指大幅度的升降，就像在摇臂上。比如：“Crane shot starting from the character’s shoes and moving up to reveal his face.”（摇臂镜头，从角色的鞋子开始，向上移动直到露出他的脸。）
• 视角 (Angle): 这个很重要。直接告诉AI从哪个角度拍。
  • 仰拍 (Low angle shot): 从下往上拍，能让角色看起来更有气势。
  • 俯拍 (High angle shot): 从上往下拍，能展示环境，或者让角色显得渺小。
  • 主观视角 (Point of View / POV shot): 模拟某个角色的眼睛看到的画面。比如：“POV shot from the driver’s seat of a car, driving through a neon-lit city at night.”（从汽车驾驶座的第一人称视角，拍摄夜晚穿越霓虹灯城市的画面。）

把这些镜头指令放在提示词的开头，就等于先给AI设定好了“机位”。AI有了机位，才知道接下来该怎么拍里面的内容。

第二步：明确指定你的演员

要让两个或多个角色互动，你不能模糊地称呼他们“一个男人”和“一个女人”。AI会搞混。你需要给每个角色一个清晰、独特的外貌或衣着特征，把他们“锁定”。

你可以这样做：

1. 给角色起“外号”: 不用真名，用外貌特征当他们的代号。比如，“一个穿着红色夹克的男人”和“一个戴着金边眼镜的女人”。
2. 在整个提示词里坚持用这个外号: 只要提到这个角色，就用这个完整的描述。

看一个例子。假设我们想拍一个男人给女人递咖啡的场景。

• 不好的写法: “A man gives a woman a cup of coffee in a cafe. The camera is close up.”
• 好的写法: “Close-up shot. A man with a grey beard hands a white coffee cup to a woman with short blonde hair. The woman takes the cup and smiles.”（特写镜头。一个有灰色胡子的男人把一个白色的咖啡杯递给一个留着金色短发的女人。女人接过杯子并微笑。）

在第二种写法里，我们明确了两个角色（“有灰色胡子的男人”和“金色短发的女人”），并且描述了他们之间的一个完整互动：递、接、微笑。AI处理这种具体的指令，成功率会高很多。

第三步：把互动拆解成连续动作

复杂的互动其实是一连串简单的动作组成的。不要试图用一个笼统的词来描述互动，比如“他们在激烈地争吵”。AI很难理解什么是“激烈”。你应该把它拆解成具体的动作和表情。

• “激烈争吵”可以拆解成: “A man with a red shirt slams his fist on the table. A woman with glasses stands up abruptly, pointing her finger at him. His face is angry, her face is shocked.”（一个穿红衬衫的男人用拳头砸桌子。一个戴眼镜的女人突然站起来，用手指着他。他的表情愤怒，她的表情震惊。）

看到区别了吗？我们把抽象的情绪（争吵）变成了具体的、可见的动作（砸桌子、站起来、指着对方）和表情（愤怒、震惊）。这样AI就能一步一步地去生成画面。

写互动提示词时，遵循“主语 + 动作 + 对象”的句式，并且按照时间顺序来写。

一个更复杂的例子：

假设我们要生成一个侦探在犯罪现场和助手交谈的场景，同时镜头还要移动。

我们可以这样组合：

1. 镜头指令: “Slow dolly-in shot…” (缓慢向前推进的镜头…)
2. 角色定义和互动: “…a detective in a long trench coat points his flashlight at a clue on the floor. A young police officer with a notepad looks where he is pointing and starts writing.” (…一个穿着长风衣的侦探用手电筒指着地板上的一个线索。一个拿着记事本的年轻警察看着他指的地方，然后开始写字。)
3. 环境和氛围: “The scene is a dark, dusty warehouse. The only light comes from their flashlights, creating long shadows. Cinematic, gritty style.” (场景是一个黑暗、布满灰尘的仓库。唯一的光源来自他们的手电筒，拉出长长的影子。电影感，粗粝风格。)

完整的提示词就是：
“Slow dolly-in shot. A detective in a long trench coat points his flashlight at a clue on the floor. A young police officer with a notepad looks where he is pointing and starts writing. The scene is a dark, dusty warehouse. The only light comes from their flashlights, creating long shadows. Cinematic, gritty style.”

这个提示词告诉了AI：
* 怎么拍: 缓慢推近。
* 拍什么人: 穿风衣的侦探和拿记事本的警察。
* 他们在干什么: 一个人指，另一个人看和写，这是一个完整的互动链条。
* 在哪里拍，什么感觉: 黑暗仓库，手电筒光，电影感。

第四步：不断试错和简化

即使你写出了完美的提示词，AI也可能搞砸。这很正常。当生成结果不理想时，不要马上放弃或者把提示词改得更复杂。你应该反过来做：简化它。

• 问题排查: 如果角色互动不对，但镜头对了，那就说明镜头指令是有效的。你只需要修改关于角色的那部分。
• 拆分任务: 如果一个包含镜头和互动的复杂提示词失败了，可以先试试只生成镜头。“Slow dolly-in shot in a dark, dusty warehouse.” 如果这一步成功了，再把角色加进去。一步一步来，更容易找到问题所在。
• 换个说法: 有时候AI就是理解不了某个词。比如“gesturing wildly”（疯狂地打手势），AI可能无法生成。你可以换成更具体的描述，比如“waving his arms in the air”（在空中挥舞手臂）。

设计AI视频提示词更像是在编程，而不是在写作。你需要精确、有逻辑，并且有耐心去调试。记住这个流程：先定镜头，再定演员，然后把互动拆成一步步的动作。把这几点做好，你生成的视频质量会好很多。