文生视频这件事我从2024年下半年开始密集折腾从最早的几张图拼凑出几秒抽搐画面到后来能稳定产出十几秒带运镜、带情绪、带音效的成片中间踩的坑比想象中多得多。很多人以为提示词就是写一段描述丢进去但真正上手就会发现同一个提示词在MiniMax、可灵、Runway、ComfyUI本地工作流里跑出来的结果可能天差地别。这不是模型不行而是每个平台对提示词的理解方式完全不同——有的吃结构化字段有的吃自然语言长句有的对镜头术语极其敏感有的则对动作幅度有硬性限制。这篇内容我想把文生视频提示词这件事彻底讲透。不管你是刚接触AI视频生成的新手还是已经在ComfyUI里搭过几套工作流的老玩家我都会从提示词的底层逻辑讲起拆解不同平台MiniMax、可灵、Runway、ComfyUI本地部署的提示词写法差异给出可以直接抄的模板和案例再补充一批只有实际跑过几百条视频才会知道的避坑经验。全文围绕文生视频提示词这个核心展开涉及平台适配、结构化写法、镜头语言、参数配合、本地工作流提示词注入等实操细节目标是让你看完就能动手动手就能出片。1. 文生视频提示词到底在提示什么1.1 从文生图到文生视频提示词多出来的那几个维度如果你之前玩过文生图会觉得提示词无非就是主体风格画质三件套。但文生视频完全不是这个逻辑。文生图是静态的模型只需要理解画面里有什么文生视频是动态的模型必须同时理解画面里有什么和这些东西怎么动。这就导致文生视频提示词天然多出几个维度运动描述主体怎么动、镜头怎么动、时间描述动作发生在第几秒、持续多久、物理约束重力、惯性、材质反应、镜头语言推拉摇移、景别切换。我见过太多人把文生图那套提示词直接复制到文生视频里结果出来的画面要么静止不动要么动得像鬼畜根本原因就是缺少了运动和时间这两个维度的描述。举个最直观的例子。文生图提示词写一个女孩站在雨中模型给你一张静态图就完事了。但文生视频你得写一个女孩站在雨中雨滴从她头顶落下她缓缓抬头镜头从远景慢慢推近到面部特写头发被雨水打湿贴在脸颊上。后面这半句全是运动和时间信息这才是文生视频提示词的核心增量。1.2 不同平台对提示词的消化方式差异这是最容易被忽略的一点。MiniMax、可灵、Runway、ComfyUI本地工作流它们对提示词的解析机制完全不同直接决定了你该用什么写法。MiniMax海螺对自然语言长句的容忍度比较高它更像是在读一段剧本你写得越像分镜描述它理解得越准。但它对镜头术语的敏感度中等你说推镜头它能懂但你说dolly in它可能反应没那么精准。可灵Kling对动作幅度的控制非常敏感提示词里如果动作描述太夸张它容易崩。它的强项是物理真实感所以提示词里强调材质、光影、物理反应会明显提升效果。另外可灵对镜头语言的支持是几个平台里比较突出的推拉摇移基本都能识别。RunwayGen系列更吃简洁关键词的写法长句反而容易让它抓不住重点。它擅长风格化所以提示词里风格词权重很高。但Runway对中文提示词的支持不如前两者建议用英文或者中英混合。ComfyUI本地工作流是另一套逻辑。提示词不是直接丢给一个模型而是要经过CLIP编码、节点处理、可能还要配合ControlNet、IPAdapter等节点。所以ComfyUI里的提示词写法要看你用的是哪个视频模型比如SVD、AnimateDiff、CogVideoX、或者MiniMax的本地量化版不同模型的提示词编码器不一样写法差异极大。提示不要指望一套提示词通吃所有平台。我建议你针对常用平台各建一个提示词模板库按平台特性分别优化效率比每次现写高得多。1.3 提示词结构化的必要性很多人写提示词是想到哪写到哪这在文生图里勉强能用在文生视频里基本等于碰运气。我的做法是强制结构化把提示词拆成固定几个模块每次按顺序填。这样不仅稳定而且方便你定位问题——出片不对时你能快速判断是主体描述的问题、运动描述的问题还是镜头描述的问题。我常用的结构是主体 动作 环境 镜头 风格 画质。这六个模块覆盖了文生视频需要的大部分信息具体每个模块怎么写、写多细后面章节会逐个拆解。2. 提示词六大模块的写法与实战案例2.1 主体描述越具体越稳但别堆砌主体是提示词的地基。文生视频里主体描述的原则是具体但不堆砌。什么叫具体一个穿红色连衣裙的短发女孩比一个女孩具体一只金毛犬比一只狗具体。什么叫别堆砌一个穿红色连衣裙、戴珍珠项链、拿白色手包、穿黑色高跟鞋、化精致妆容的短发女孩——这种描述在文生图里可能有用在文生视频里反而会让模型注意力分散导致主体在运动过程中变形。我的经验是主体描述控制在2到3个核心特征就够了。比如一个穿红色连衣裙的短发女孩红色连衣裙是视觉锚点短发是轮廓特征这两个足够模型稳定识别。其他细节可以放到环境或风格模块里。另外主体描述要避免抽象名词。你说一个悲伤的人模型不知道悲伤长什么样你说一个低着头、眼角有泪光的人模型立刻能理解。文生视频模型对具象描述的响应远好于抽象描述。2.2 动作描述文生视频提示词的灵魂动作描述是文生视频和文生图最大的分水岭也是最难写好的部分。我总结了三条原则第一动作要单一且连续。一条视频里主体最好只做一到两个连贯动作。女孩转身然后坐下然后拿起杯子这种多动作串联模型很容易在动作切换处崩掉。正确写法是女孩缓缓转身裙摆随之摆动一个动作加一个连带反应。第二动作幅度要匹配平台。可灵对大幅度动作的容忍度较低你写奔跑跳跃它可能给你糊成一团MiniMax相对好一些但也不建议写太剧烈的动作。Runway对动作幅度的控制比较宽松但容易出现动作漂移。所以动作描述要根据平台调整本地工作流则要看具体模型的运动先验。第三用动词副词控制节奏。缓缓轻轻快速猛然这些副词能显著影响动作速度。我实测下来缓缓和轻轻在可灵和MiniMax上效果最稳快速容易糊猛然基本必崩。2.3 环境与光影决定画面质感的隐形推手环境和光影是很多人忽略的部分但它直接决定成片的高级感。同样的主体和动作环境描述不同出片质感能差一个档次。环境描述要包含空间信息和氛围信息。空间信息比如空旷的街道狭窄的走廊开阔的海边氛围信息比如黄昏时分雾气弥漫霓虹闪烁。这两类信息结合模型才能构建出有纵深的场景。光影描述是提升质感的关键。我常用的光影词有柔和自然光逆光轮廓侧光阴影暖色调灯光冷蓝色调。实测下来明确写出光源方向和色温成片的立体感和氛围感会明显提升。比如黄昏时分暖橙色阳光从侧面照在女孩脸上形成柔和的明暗过渡这种描述出来的画面比单纯写黄昏要高级得多。2.4 镜头语言让画面动起来的第二层运动镜头语言是文生视频提示词里最容易被低估的部分。很多人只描述主体动作忘了镜头本身也在动。实际上镜头运动能让静态主体也产生动态感是提升视频观感的重要手段。常用的镜头术语有推dolly in / 推近、拉dolly out / 拉远、摇pan / 左右摇、移track / 平移、升降crane / 升降、跟follow / 跟随。在MiniMax和可灵里直接写中文镜头缓缓推近基本能识别Runway建议用英文slow dolly in。镜头运动也要控制幅度。缓缓推近比快速推近稳轻微摇镜比大幅摇镜稳。另外一条视频里镜头运动最好只有一种推拉摇移同时上模型基本处理不过来。2.5 风格与画质最后的调味料风格和画质描述放在提示词末尾起的是定调作用。风格词比如电影感写实风格动漫风格复古胶片感画质词比如4K高清细节丰富浅景深。这里有个坑风格词不要写太多。我见过有人写电影感、写实、复古、赛博朋克、水墨风格模型直接精神分裂。风格词选一个主风格最多加一个辅助风格就够了。画质词也不是越多越好。4K高清细节丰富这种组合在多数平台上是有效的但堆到五六个画质词反而可能触发模型的过度锐化画面看起来假。2.6 一个完整案例的逐句拆解拿一个我实际跑过的案例来拆。提示词原文一个穿红色连衣裙的短发女孩缓缓转身裙摆轻轻摆动站在空旷的街道上黄昏时分暖橙色阳光从侧面照在她脸上镜头缓缓推近到半身特写电影感4K高清细节丰富。拆解一下主体是穿红色连衣裙的短发女孩2个特征动作是缓缓转身裙摆轻轻摆动一个主动作一个连带反应环境是空旷的街道黄昏时分空间氛围光影是暖橙色阳光从侧面照在她脸上光源方向色温镜头是缓缓推近到半身特写运动景别风格画质是电影感4K高清细节丰富。这条提示词在MiniMax和可灵上跑出来的效果都比较稳主体不变形动作流畅镜头推进自然。你可以把这个结构当成模板替换主体、动作、环境即可。3. 四大平台提示词适配实战3.1 MiniMax像写剧本一样写提示词MiniMax海螺的提示词逻辑最接近读剧本。它对自然语言长句的理解能力比较强你写得越像分镜脚本它越能还原你的意图。MiniMax提示词的特点可以写长句可以带情绪描述可以写多句连贯动作。比如女孩站在窗边阳光透过窗帘洒在她脸上她微微眯起眼睛嘴角上扬镜头从窗外缓缓推近到她的侧脸。这种带情绪、带连贯动作的长句MiniMax处理得比较好。但MiniMax也有短板对镜头术语的精确控制不如可灵。你说推镜头它能懂但推的速度、幅度控制没那么精细。所以用MiniMax时镜头描述可以写得模糊一些把精力放在主体动作和情绪上。另外MiniMax对中文提示词的支持是几个平台里最好的基本不需要翻译成英文。这对中文创作者非常友好。3.2 可灵物理真实感优先动作要克制可灵的强项是物理真实感和镜头控制。它的提示词逻辑更偏向精确指令你需要把物理细节写清楚。可灵提示词的特点强调材质、光影、物理反应动作幅度要克制镜头术语识别精准。比如女孩缓缓转身红色连衣裙的布料随着动作产生自然的褶皱和摆动黄昏光线在布料上形成柔和的明暗变化这种强调物理细节的描述可灵还原得非常好。可灵对动作幅度的敏感度很高。我实测下来缓缓轻轻微微这类副词在可灵上效果最稳一旦写快速剧烈猛然画面就容易崩。所以用可灵时动作描述要刻意收敛。镜头方面可灵对推拉摇移升降跟的识别都比较准你可以放心写镜头缓缓推近镜头轻微左摇。但同样建议一条视频只写一种镜头运动。3.3 Runway简洁关键词英文优先Runway的提示词逻辑和前两者差异较大。它更吃简洁关键词的写法长句反而容易让它抓不住重点。而且Runway对中文的支持一般建议用英文或中英混合。Runway提示词的特点短句、关键词堆叠、英文优先、风格词权重大。比如red dress girl, slow turn, empty street, golden hour, side light, slow dolly in, cinematic, 4K这种关键词堆叠的写法在Runway上效果比长句好。Runway擅长风格化所以风格词在Runway提示词里的权重很高。你想要什么风格就把风格词往前放。但同样别堆太多一个主风格足够。Runway的镜头控制也比较强但术语要用英文比如dolly inpan lefttracking shot。中文术语它识别率不高。3.4 ComfyUI本地工作流提示词注入的节点逻辑ComfyUI是另一套完全不同的逻辑。提示词不是直接丢给一个模型而是要经过节点处理。所以ComfyUI里的提示词写法取决于你用的是哪个视频模型。如果你用的是SVDStable Video Diffusion提示词的作用其实很有限SVD主要靠首帧图驱动提示词更多是辅助。如果你用的是AnimateDiff提示词写法接近文生图但要配合运动模块Motion Module的参数。如果你用的是CogVideoX或MiniMax本地量化版提示词写法接近对应平台的在线版但要考虑CLIP编码器的差异。ComfyUI里有个常见坑CLIP编码器的token上限。比如有些模型用的是CLIP 5120或4096的编码器如果你的提示词超过token上限会被截断导致后半段描述失效。我遇到过minimax h3量化版clip5120与4096不匹配问题就是编码器版本和模型不匹配导致的提示词解析异常。解决办法是确认你下载的模型对应的CLIP版本在ComfyUI的CLIP Text Encode节点里选对编码器。另外ComfyUI里提示词的权重控制更灵活。你可以用(关键词:1.2)这种语法调整权重也可以用Conditioning Combine节点组合多段提示词。这比在线平台的单一提示词框强大得多但也更复杂需要你对节点逻辑有基本理解。4. 提示词避坑与调优的实战经验4.1 动作崩坏的三类原因与对应解法动作崩坏是文生视频最常见的问题我把它归为三类第一类动作幅度过大。表现是主体在运动过程中变形、糊化、甚至分裂。解法是降低动作幅度把奔跑改成缓缓走动把跳跃改成轻轻踮脚。第二类多动作串联。表现是动作切换处出现跳帧或逻辑断裂。解法是拆成多条视频分别生成后期拼接而不是硬塞进一条提示词。第三类动作与环境冲突。表现是主体动作和场景物理逻辑不符比如在狭窄走廊里奔跑容易崩。解法是让动作幅度匹配环境空间狭窄空间就写小幅度动作。4.2 画面漂移与闪烁的提示词层面解法画面漂移和闪烁是另一个高频问题。漂移表现为背景或主体在视频过程中逐渐变形闪烁表现为画面亮度或细节不稳定。提示词层面的解法减少抽象描述增加具象锚点。比如你写一个美丽的场景模型没有明确锚点容易漂移你写一个女孩站在红色砖墙前红色砖墙就是锚点能稳定背景。另外减少风格词堆叠也能缓解闪烁。风格词太多会让模型在风格之间反复横跳导致画面不稳定。4.3 提示词长度与信息密度的平衡提示词不是越长越好。我实测下来MiniMax和可灵的提示词控制在50到100字效果最稳Runway控制在20到40个关键词ComfyUI则要看模型和编码器上限。信息密度比长度更重要。与其写100字的废话不如写50字的精准描述。判断标准是每一句描述是否对应一个明确的视觉元素或运动指令。如果某句话删掉后画面没变化那这句话就是废话。4.4 用负面提示词兜底负面提示词在文生视频里同样有用但不同平台支持程度不同。可灵和MiniMax都支持负面提示词Runway支持有限ComfyUI则完全看你用的模型。我常用的负面提示词有模糊、变形、扭曲、多余肢体、画面闪烁、低质量、水印。这些能过滤掉大部分常见问题。但负面提示词也不是越多越好堆太多同样会干扰模型。5. 从提示词到成片的完整工作流5.1 提示词模板库的建立与迭代我的做法是建一个提示词模板库按平台分类每个平台下按场景分类人物、风景、产品、抽象。每次跑出好效果就把提示词存进对应分类标注平台和参数。下次遇到类似场景直接调模板改几个词就行。模板库的迭代也很重要。同一个模板跑多了你会发现某些词在特定平台上效果特别好某些词基本没用。把这些经验沉淀下来模板会越来越精准。5.2 提示词与参数的配合逻辑提示词不是孤立的它要和参数配合。比如运动强度参数Motion Strength和提示词里的动作幅度要匹配——提示词写缓缓运动强度就别拉太高。再比如帧率和时长提示词里的动作描述要匹配视频时长3秒的视频别写需要10秒才能完成的动作。ComfyUI里这种配合更明显。采样步数、CFG值、运动模块参数都会影响提示词的最终效果。CFG值太高提示词权重过强画面容易过饱和CFG值太低提示词又不起作用。我一般把CFG控制在7到9之间。5.3 批量测试与效果对比方法提示词调优离不开批量测试。我的做法是固定其他变量只改提示词的一个模块跑3到5条对比。比如固定主体和环境只改动作描述看哪种动作写法效果最好。对比时要注意文生视频有随机性同一条提示词跑两次结果可能不同。所以对比时最好每条提示词跑2到3次取平均效果避免被单次随机结果误导。5.4 提示词之外首帧图与参考图的作用最后说一个容易被忽略的点提示词不是万能的。在ComfyUI工作流里首帧图和参考图对最终效果的影响可能比提示词还大。SVD、AnimateDiff这些模型都支持首帧图驱动你给一张好的首帧图提示词只需要做微调。所以我的建议是提示词和首帧图配合使用。先用文生图生成一张满意的首帧再用文生视频加提示词驱动运动。这样比纯靠提示词从零生成稳定得多。我在实际使用中发现提示词写得好不好最终还是要靠大量测试来验证。别人的模板可以参考但每个平台、每个模型、甚至每次版本更新提示词的最佳写法都可能变化。所以与其追求一套万能提示词不如建立自己的测试和迭代习惯这才是长期稳定的出片之道。