文生视频这件事我踩过的坑比大多数人刷过的短视频还多。最开始我以为提示词就是“一只猫在草地上跑”这种描述结果生成出来的东西要么是猫变成了四不像要么是草地像塑料布要么干脆画面直接崩成抽象画。后来我才慢慢搞明白文生视频的提示词和文生图的提示词完全是两码事——图片只需要管好一帧画面视频要管的是连续几十帧甚至上百帧里主体、动作、镜头、光影、风格全部保持一致。这个难度不是线性增长的是指数级增长的。这篇内容我想把我在MiniMax、可灵、ComfyUI、Runway这几个主流工具上反复折腾出来的提示词方法论完整梳理一遍。不管你是刚接触文生视频的新手还是已经能生成一些片段但总觉得“差口气”的进阶用户我都会从最底层的逻辑讲起一直讲到可以直接复制使用的提示词模板和参数配置。核心关键词就几个AI视频生成、提示词、文生视频、MiniMax、ComfyUI围绕这些展开把每个环节的“为什么”和“怎么做”都说透。1. 先搞清楚文生视频提示词到底在控制什么1.1 视频提示词和图片提示词的本质差异很多人从文生图转过来做文生视频第一反应就是把图片提示词直接搬过来用然后发现效果完全不对。问题出在哪儿图片提示词控制的是一个静态瞬间你写“阳光透过树叶洒在女孩脸上”模型只需要把这一帧画好就行。但视频提示词要控制的是一个时间序列模型需要理解“阳光怎么变化”“树叶怎么动”“女孩的表情怎么过渡”。我自己的经验是视频提示词里至少有四个维度是图片提示词不需要特别考虑的时间维度动作的起始、中间、结束状态分别是什么样运动维度主体怎么动、镜头怎么动、环境元素怎么动一致性维度主体的外观、服装、颜色在整个片段里不能变节奏维度动作是快是慢镜头是平稳还是晃动举个例子你写“一个男人在走路”图片模型可能给你一个站着的男人但视频模型会尝试让他走起来。但如果你写“一个穿红色夹克的男人从画面左侧走向右侧步伐平稳镜头固定”视频模型就能更准确地执行。差别就在于你有没有把时间维度和运动维度写清楚。1.2 不同工具对提示词的“理解方式”差异MiniMax、可灵、Runway、ComfyUI这几套东西虽然都是文生视频但它们对提示词的解析逻辑差别很大。我实测下来的感受是MiniMax对中文提示词的理解相当到位尤其是场景描述和氛围营造类的词汇它能把“黄昏时分微风拂过麦田远处有炊烟升起”这种偏文学化的描述转化成比较自然的画面。但它在精确控制运动轨迹方面偏弱你写“镜头从左上角缓慢推进到右下角”它不一定能完全按你说的来。可灵在运动控制上比MiniMax强一些尤其是镜头语言的理解像“推拉摇移跟”这些术语它基本能识别。但它对复杂场景的细节还原有时候会打折扣比如你写“桌子上有五个不同颜色的杯子”它可能只给你三个。Runway的优势在于风格化处理如果你想要某种特定的视觉风格比如“赛博朋克霓虹色调”或者“16mm胶片颗粒感”它的表现很稳定。但它对中文提示词的支持不如前两者建议用英文写。ComfyUI则完全是另一套逻辑它本身不是一个模型而是一个工作流编排工具。你在ComfyUI里用的是什么模型提示词的效果就取决于那个模型。ComfyUI的好处是你可以把提示词拆成多个节点分别控制比如正面提示词、负面提示词、运动提示词分开写精确度更高但上手门槛也更高。1.3 提示词的基本结构从“一句话”到“五层框架”我刚开始写提示词的时候就是一句话扔进去效果全凭运气。后来我总结了一个五层框架基本上能覆盖大多数场景层级作用示例主体层定义画面里有什么一个穿白色连衣裙的女孩动作层定义主体在做什么在花田中缓慢旋转镜头层定义视角和运动中景镜头缓慢环绕光影层定义光线和色调黄昏暖光逆光拍摄风格层定义视觉风格电影感浅景深35mm胶片这五层不是必须全部写满但如果你发现生成效果不稳定大概率是某一层缺失了。比如你只写了主体和动作没写镜头模型就可能随机给你一个视角有时候是俯拍有时候是仰拍出来的感觉完全不一样。2. 主体与动作描述让AI准确理解“谁在做什么”2.1 主体描述的精确度阶梯写主体描述的时候精确度和自由度是一对矛盾。你写得太笼统模型自由发挥的空间太大结果不可控你写得太细又可能限制模型的发挥出来的画面僵硬不自然。我一般把主体描述分成三个精确度等级低精确度“一个女人”——模型完全自由发挥每次生成都不一样适合探索阶段。中精确度“一个穿红色连衣裙的年轻女人”——有了服装和年龄的约束一致性会好很多适合大多数场景。高精确度“一个穿红色连衣裙的年轻女人黑色长发披肩戴着一顶草帽”——细节拉满一致性最强但需要模型有足够强的理解能力否则可能出现元素冲突。我的建议是如果你要做系列视频需要角色保持一致那就用高精确度描述并且每次生成都复制粘贴同一段主体描述。如果你只是做单条视频中精确度就够了。2.2 动作描述的时间切片法动作描述是文生视频提示词里最容易翻车的部分。你写“一个女人在跳舞”模型可能给你一个站着手舞足蹈的人也可能给你一个完全静止的画面。问题在于“跳舞”这个词太宽泛了模型不知道你要的是哪种舞、什么节奏、什么幅度。我后来用了一个方法叫“时间切片法”就是把一个动作拆成起始、过程、结束三个阶段来描述起始女人双臂自然垂在身体两侧面朝镜头 过程她缓缓抬起双臂身体开始左右摆动裙摆随之飘动 结束她完成一个旋转双臂在头顶合拢面带微笑这样写出来的提示词模型对动作的理解会准确很多。当然不是每次都要写这么细但如果你发现动作总是不到位试试把动作拆开写。还有一个技巧是用“速度词”来控制节奏。比如“缓慢地”“迅速地”“轻柔地”“有力地”这些词能显著影响生成视频的节奏感。我实测下来“缓慢”和“轻柔”这两个词在MiniMax和可灵上效果最明显。2.3 多主体场景的分离描述策略当画面里有两个或更多主体时提示词的写法需要调整。如果你写“一个男人和一个女人在跳舞”模型可能会把两个人的特征混在一起或者让他们的动作完全同步看起来很假。我的做法是用“分离描述交互描述”的结构画面左侧是一个穿黑色西装的男人画面右侧是一个穿红色长裙的女人。男人伸出右手女人伸出左手两人的手在画面中央相握。他们缓慢地旋转男人引导方向女人跟随。这种写法的核心是把每个主体的外观和动作分开写然后再写他们之间的交互。虽然提示词变长了但生成结果的准确性会明显提升。在ComfyUI里你甚至可以用区域提示词节点来分别控制画面不同区域的内容精确度更高。不过那是进阶玩法新手先把基础提示词写好再说。3. 镜头语言视频提示词里最容易被忽略的胜负手3.1 镜头运动的基本类型与提示词写法镜头语言是区分“业余感”和“电影感”的关键。同样的主体和动作加一个“镜头缓慢推进”和什么都不加出来的效果完全是两个档次。我整理了几种最常用的镜头运动类型和对应的提示词写法镜头类型效果提示词示例推镜镜头向主体靠近镜头缓慢推进景别从中景变为特写拉镜镜头远离主体镜头缓慢拉远展现全景环境摇镜镜头水平或垂直转动镜头从左向右缓慢摇摄跟镜镜头跟随主体移动镜头跟随人物移动保持中景环绕镜头围绕主体旋转镜头围绕主体缓慢环绕180度固定镜头完全不动固定镜头无任何运动我自己的经验是新手最容易犯的错误是“镜头运动太多”。一个五秒的视频里又推又摇又环绕观众看着头晕。一般来说一个片段里只用一种镜头运动就够了最多加一个轻微的变化。3.2 景别与构图的提示词控制景别决定了观众看到的信息量。远景展示环境中景展示动作特写展示情绪。在提示词里明确景别能大幅提升生成结果的可控性。常用的景别提示词大远景人物在画面中很小主要展示环境远景人物全身可见环境占主导中景人物腰部以上动作清晰可见近景人物胸部以上表情可见特写面部或某个细节占满画面构图方面我常用的提示词包括“居中构图”“三分法构图”“对称构图”“前景遮挡”等。其中“前景遮挡”特别好用比如“画面前景有模糊的花枝主体在花枝后方”能瞬间增加画面的层次感。3.3 在ComfyUI里用节点精确控制镜头ComfyUI的优势在于你可以把镜头控制拆成独立的节点。比如你可以用一个节点控制相机位置另一个节点控制相机运动轨迹还有一个节点控制焦距变化。这种精细度是网页端工具做不到的。我常用的一个ComfyUI工作流是这样的先加载一个文生视频模型比如MiniMax H3的量化版然后在正面提示词节点里写主体和动作描述在运动控制节点里单独写镜头运动最后通过采样器节点把两者合并。这样即使镜头描述和主体描述有冲突你也可以单独调整其中一个不用重写整个提示词。不过ComfyUI的坑也不少。比如MiniMax H3的量化版在加载CLIP的时候5120和4096的维度不匹配问题我折腾了大半天才搞定。解决办法是确认你下载的CLIP模型版本和主模型版本是对应的如果不确定就去模型发布页看说明通常会标注配套的CLIP版本。4. 光影与风格决定视频“质感”的隐藏参数4.1 光影描述的实用词汇库光影是很多人写提示词时完全忽略的部分但它对画面质感的影响极大。同样的场景加一句“黄昏暖光”和加一句“正午硬光”出来的感觉天差地别。我整理了一套常用的光影描述词汇按场景分类自然光晨光、黄昏暖光、正午硬光、阴天柔光、月光、逆光、侧光、顶光人造光霓虹灯、烛光、暖色台灯、冷色荧光灯、聚光灯、轮廓光光影效果丁达尔效应、体积光、光斑、阴影、反射、折射我个人的偏好是用“黄昏暖光逆光”这个组合几乎适用于所有需要“电影感”的场景。逆光能勾勒出主体的轮廓暖光能让画面显得温暖柔和两者叠加效果很稳。4.2 风格锚定让视频保持统一的视觉调性如果你要做一系列视频风格一致性比单条视频的质量更重要。风格锚定的方法是在每条提示词里都包含相同的风格描述词。我常用的风格描述词包括电影感电影感、浅景深、35mm胶片、宽银幕动漫感日式动画风格、赛璐璐上色、新海诚风格写实感超写实、照片级、8K细节复古感16mm胶片颗粒、VHS质感、老电影色调需要注意的是不同工具对风格词的理解不一样。Runway对“电影感”的理解偏向好莱坞大片MiniMax对“电影感”的理解偏向文艺片。你需要根据工具的特点微调风格词。4.3 负面提示词告诉AI“不要什么”同样重要负面提示词在文生视频里的作用经常被低估。很多人只写正面提示词结果生成出来的视频总是有一些莫名其妙的瑕疵比如多出来的手指、扭曲的脸、闪烁的画面。我常用的负面提示词模板模糊、变形、扭曲、多余肢体、画面闪烁、色彩过饱和、噪点、水印、文字、低分辨率在ComfyUI里负面提示词是单独一个节点你可以写得很详细。在MiniMax和可灵里负面提示词的支持程度不一样有些版本可能没有单独的负面提示词输入框这时候你可以把“不要”的内容用自然语言写在正面提示词里比如“画面清晰稳定无变形”。5. 不同工具的提示词适配策略5.1 MiniMax中文提示词的优势与边界MiniMax是我用得最多的工具之一主要原因是它对中文提示词的理解确实好。你写“一个穿汉服的女子在竹林里抚琴阳光透过竹叶洒在她身上”它能生成出相当有韵味的画面。但MiniMax也有边界。我实测下来它在以下场景表现一般快速运动场景比如跑步、打斗容易出现画面撕裂多主体交互两个人以上的复杂交互容易出错精确镜头控制你写“镜头从左上角推进到右下角”它可能只给你一个推进针对这些边界我的策略是用MiniMax做氛围感强的慢节奏视频快节奏和复杂交互的场景换其他工具。另外关于MiniMax H3的显存问题如果你在本地跑量化版8G显存基本是底线。我试过在8G显存上跑生成5秒的视频大概需要3-4分钟速度可以接受但如果你同时开了其他占显存的程序就容易爆内存。建议跑之前把浏览器多余标签页关掉能省不少显存。5.2 可灵运动控制的强项与提示词技巧可灵在运动控制方面确实比MiniMax强尤其是镜头运动。你写“镜头跟随人物从画面左侧移动到右侧”它基本能准确执行。用可灵的时候我建议把镜头描述放在提示词的前面因为它在解析的时候似乎对前面的内容权重更高。比如镜头缓慢推进一个穿黑色风衣的男人站在雨中雨水顺着他的脸颊滑落霓虹灯在背景中闪烁。这种结构比把镜头描述放在最后效果更好。可灵的另一个特点是它对“动作幅度”比较敏感。你写“轻微地转头”和“猛地转头”出来的效果差异很明显。所以如果你想要细腻的动作一定要用“轻微”“缓缓”“慢慢”这类词。5.3 Runway英文提示词与风格化处理Runway对英文提示词的支持明显好于中文所以如果你用Runway建议直接用英文写提示词。它的风格化处理能力很强尤其是“电影感”和“艺术感”类的风格。我常用的Runway提示词结构[Shot type] [Subject] [Action] [Camera movement] [Lighting] [Style]比如Medium shot of a woman in a red dress walking through a neon-lit street, camera slowly tracking from left to right, cinematic lighting with warm tones, film grain, 35mm.Runway的另一个优势是它的“运动笔刷”功能你可以直接在画面上涂抹区域来指定运动方向。这个功能配合提示词使用精确度会高很多。5.4 ComfyUI工作流搭建与提示词节点化ComfyUI的提示词逻辑和其他工具完全不同。在ComfyUI里提示词不是一个文本框而是分散在多个节点里。你可以把正面提示词、负面提示词、运动提示词分别写在不同的节点里然后通过连线组合。我常用的ComfyUI文生视频工作流包含以下节点模型加载节点加载MiniMax H3或其他视频生成模型CLIP文本编码节点分别编码正面和负面提示词运动控制节点单独控制镜头运动采样器节点合并所有条件进行采样视频解码节点把潜空间数据解码成视频帧这种节点化的好处是你可以单独调整每个部分。比如你觉得镜头运动太剧烈只需要改运动控制节点的参数不用动提示词。缺点是搭建工作流的学习曲线比较陡新手可能需要花几个小时才能跑通第一个工作流。关于ComfyUI的安装秋叶整合包是目前最省心的方案。它把Python环境、依赖库、常用插件都打包好了下载解压就能用。但要注意的是整合包里的模型需要单独下载而且不同版本的整合包对模型的兼容性不一样。我建议下载整合包之后先看一遍说明文档确认支持的模型版本再下载模型。6. 提示词调试的实战方法论6.1 变量控制法一次只改一个参数很多人调试提示词的时候喜欢一次改好几个地方结果生成效果变好了也不知道是哪个改动起了作用变差了也不知道是哪个改动导致的。我的做法是“变量控制法”每次只改一个参数其他保持不变。比如你觉得画面太暗那就只改光影描述从“黄昏暖光”改成“正午强光”其他都不动。生成之后对比效果如果变好了就保留如果变差了就换一个光影词再试。这个方法虽然慢但能帮你建立起对每个提示词效果的准确认知。试过几十次之后你就能凭直觉知道该加什么词、该删什么词。6.2 提示词权重调整让AI知道什么最重要大多数工具都支持提示词权重调整语法通常是(关键词:权重值)权重值一般在0.5到1.5之间。权重越高模型对这个词的关注度越高。我常用的权重调整场景主体不够突出给主体描述加权重比如(穿红色连衣裙的女人:1.3)风格不够明显给风格词加权重比如(电影感:1.4)某个元素总是出现给负面提示词加权重比如(模糊:1.5)但权重不是越高越好。我试过把主体权重加到1.8结果画面里全是那个主体背景完全消失了。一般来说权重在1.2到1.4之间比较安全。6.3 从失败案例中反推提示词问题生成效果不好的时候不要急着删掉重写先分析一下问题出在哪儿。我总结了几种常见的失败模式和对应的修复策略失败模式可能原因修复策略主体变形主体描述太复杂或矛盾简化主体描述去掉冲突的元素动作不到位动作描述太笼统用时间切片法拆解动作画面闪烁运动幅度太大或帧率不匹配减小运动幅度降低镜头运动速度风格不统一风格描述词不够具体增加风格锚定词使用负面提示词排除不想要的风格色彩过饱和光影描述太强烈改用柔和的光影词如“柔光”“漫射光”这个表格是我踩了无数坑之后总结出来的基本上覆盖了80%的常见问题。你可以把它当作一个排查清单生成效果不好的时候逐条对照。7. 进阶技巧从“能用”到“好用”的关键跨越7.1 分镜提示词让多个片段保持连贯如果你要做一条超过10秒的视频通常需要分成多个片段生成然后再拼接。这时候分镜提示词就很重要了。分镜提示词的核心是“一致性锚点”每个片段的提示词里都包含相同的主体描述、风格描述和光影描述只改变动作和镜头。比如片段1中景穿红色连衣裙的女人站在花田中黄昏暖光电影感她缓缓抬起右手。 片段2近景穿红色连衣裙的女人黄昏暖光电影感她的右手轻轻触碰花瓣。 片段3特写穿红色连衣裙的女人面部黄昏暖光电影感她闭上眼睛微笑。这样生成出来的三个片段主体、风格、光影都是一致的拼接起来会很自然。7.2 运动强度与帧率的匹配关系运动强度和帧率的关系是一个容易被忽略的技术细节。如果你生成的视频帧率是24fps但运动强度设置得很高画面就会显得跳跃不连贯。反过来如果帧率是60fps运动强度太低画面又会显得拖沓。我的经验值是24fps适合慢节奏、文艺感强的视频运动强度设为低或中30fps适合大多数场景运动强度设为中60fps适合快速运动场景运动强度设为高在ComfyUI里帧率和运动强度都是可以单独设置的参数。在MiniMax和可灵里帧率通常是固定的你只能通过提示词里的速度词来间接控制运动强度。7.3 提示词模板化建立自己的可复用库当你调试出几组效果稳定的提示词之后建议把它们模板化建立自己的提示词库。我的提示词库按场景分类每个模板包含主体描述、动作描述、镜头描述、光影描述、风格描述五个部分用的时候只需要替换主体和动作就行。比如我的“人物特写”模板[主体描述][动作描述]近景特写镜头缓慢推进柔和的侧光浅景深电影感35mm胶片。用的时候把[主体描述]和[动作描述]替换成具体内容就行。这样能大幅提升效率而且能保证风格一致性。8. 常见问题与排查思路8.1 生成视频时爆内存怎么办爆内存是ComfyUI用户最常见的问题之一。我遇到过的原因主要有三个原因一模型太大。如果你用的是完整版模型而不是量化版显存占用会高很多。解决办法是换用量化版比如MiniMax H3的NVFP4量化版显存占用能降低40%左右。原因二分辨率太高。生成1080p视频比720p视频的显存占用高出一倍多。如果你的显存不够先把分辨率降到720p甚至480p跑通之后再尝试提高。原因三同时加载了多个模型。ComfyUI的工作流里如果同时加载了多个大模型显存会不够用。解决办法是在工作流里设置模型卸载节点用完一个模型就卸载释放显存。8.2 提示词明明写得很清楚生成结果却完全不相关这种情况通常是因为提示词里存在“冲突描述”。比如你写“一个穿红色衣服的女人穿着蓝色裙子”模型就不知道该听哪个。或者你写“白天夜晚的场景”模型也会困惑。解决办法是检查提示词里有没有互相矛盾的词有的话删掉一个。另外提示词太长也可能导致模型“注意力分散”建议控制在100-150个词以内。8.3 如何提高MiniMax H3的显存占用率这个问题听起来有点反直觉——为什么要提高显存占用率因为显存占用率太低说明模型没有充分利用硬件资源生成速度会变慢。提高显存占用率的方法增大batch size一次生成多个视频片段提高分辨率从720p提到1080p增加视频长度从5秒提到10秒使用更复杂的模型从量化版换成完整版当然前提是你的显存够用。如果显存不够还强行提高占用率就会爆内存。8.4 ComfyUI工作流分享与复用ComfyUI的工作流可以导出成JSON文件分享给别人或者在其他机器上导入。我建议你调试出一个稳定的工作流之后立刻导出备份。因为ComfyUI的插件更新有时候会导致旧工作流失效没有备份的话就得重新搭建。导入工作流的时候要注意插件依赖。如果别人的工作流里用了你没有的插件导入后会报错。解决办法是看报错信息里缺哪个插件去ComfyUI Manager里搜索安装。9. 我个人的一些实操体会说了这么多方法论最后分享几个我在实际操作中总结出来的零碎经验不一定系统但都是真金白银试出来的。第一个体会是提示词的长度和效果不是正相关的。我刚开始写提示词的时候总觉得写得越多越好后来发现超过一定长度之后模型反而会“抓不住重点”。现在我一般控制在80-120个词把最核心的信息写清楚就行。第二个体会是不同工具之间的提示词不要直接复制粘贴。MiniMax上效果很好的提示词放到Runway上可能完全不行。因为每个工具的模型架构和训练数据都不一样对提示词的理解方式也不同。换工具的时候提示词需要重新适配。第三个体会是生成视频的“废片率”远高于生成图片。我生成图片的时候大概三四张里能挑出一张能用的。但生成视频有时候十条里才能挑出一条满意的。所以做视频的时候要有耐心多生成几条不要指望一次成功。第四个体会是保存每次生成的提示词和参数。我现在的习惯是每次生成之后把提示词、参数设置、生成结果都记录在一个表格里。这样当你调出一个好效果的时候可以回溯是哪些改动起了作用。而且当你需要生成类似风格的视频时可以直接复用之前的配置。第五个体会是关于ComfyUI的不要一上来就搭复杂工作流。我刚开始用ComfyUI的时候看到别人的工作流有几十个节点觉得越复杂越厉害。结果自己搭了一个各种报错折腾了一整天都没跑通。后来我从最简单的“加载模型-编码提示词-采样-解码”四节点工作流开始跑通之后再逐步加节点反而学得更快。第六个体会是关于提示词里的“鹈鹕测试”的网上流传的那个“鹈鹕骑自行车”的提示词其实是一个很好的测试工具。因为它包含了主体鹈鹕、动作骑自行车、场景通常是在路上三个核心要素而且鹈鹕这个主体对模型来说比较陌生能很好地测试模型的泛化能力。你可以用这个提示词来快速判断一个工具的基础能力如果连鹈鹕骑车都生成不好那复杂场景就更不用指望了。最后说一个关于提示词工程的整体看法。文生视频的提示词工程还在快速演进中今天好用的技巧明天可能就过时了。但底层逻辑是不变的你写的每一个词都是在给模型“下指令”。指令越清晰、越具体、越一致模型就越可能给你想要的结果。所以与其追求“万能提示词模板”不如培养自己“把想法翻译成模型能理解的语言”的能力。这个能力一旦建立起来不管工具怎么变你都能快速适应。
文生视频提示词完全指南：从MiniMax到ComfyUI的实战方法论
文生视频这件事我踩过的坑比大多数人刷过的短视频还多。最开始我以为提示词就是“一只猫在草地上跑”这种描述结果生成出来的东西要么是猫变成了四不像要么是草地像塑料布要么干脆画面直接崩成抽象画。后来我才慢慢搞明白文生视频的提示词和文生图的提示词完全是两码事——图片只需要管好一帧画面视频要管的是连续几十帧甚至上百帧里主体、动作、镜头、光影、风格全部保持一致。这个难度不是线性增长的是指数级增长的。这篇内容我想把我在MiniMax、可灵、ComfyUI、Runway这几个主流工具上反复折腾出来的提示词方法论完整梳理一遍。不管你是刚接触文生视频的新手还是已经能生成一些片段但总觉得“差口气”的进阶用户我都会从最底层的逻辑讲起一直讲到可以直接复制使用的提示词模板和参数配置。核心关键词就几个AI视频生成、提示词、文生视频、MiniMax、ComfyUI围绕这些展开把每个环节的“为什么”和“怎么做”都说透。1. 先搞清楚文生视频提示词到底在控制什么1.1 视频提示词和图片提示词的本质差异很多人从文生图转过来做文生视频第一反应就是把图片提示词直接搬过来用然后发现效果完全不对。问题出在哪儿图片提示词控制的是一个静态瞬间你写“阳光透过树叶洒在女孩脸上”模型只需要把这一帧画好就行。但视频提示词要控制的是一个时间序列模型需要理解“阳光怎么变化”“树叶怎么动”“女孩的表情怎么过渡”。我自己的经验是视频提示词里至少有四个维度是图片提示词不需要特别考虑的时间维度动作的起始、中间、结束状态分别是什么样运动维度主体怎么动、镜头怎么动、环境元素怎么动一致性维度主体的外观、服装、颜色在整个片段里不能变节奏维度动作是快是慢镜头是平稳还是晃动举个例子你写“一个男人在走路”图片模型可能给你一个站着的男人但视频模型会尝试让他走起来。但如果你写“一个穿红色夹克的男人从画面左侧走向右侧步伐平稳镜头固定”视频模型就能更准确地执行。差别就在于你有没有把时间维度和运动维度写清楚。1.2 不同工具对提示词的“理解方式”差异MiniMax、可灵、Runway、ComfyUI这几套东西虽然都是文生视频但它们对提示词的解析逻辑差别很大。我实测下来的感受是MiniMax对中文提示词的理解相当到位尤其是场景描述和氛围营造类的词汇它能把“黄昏时分微风拂过麦田远处有炊烟升起”这种偏文学化的描述转化成比较自然的画面。但它在精确控制运动轨迹方面偏弱你写“镜头从左上角缓慢推进到右下角”它不一定能完全按你说的来。可灵在运动控制上比MiniMax强一些尤其是镜头语言的理解像“推拉摇移跟”这些术语它基本能识别。但它对复杂场景的细节还原有时候会打折扣比如你写“桌子上有五个不同颜色的杯子”它可能只给你三个。Runway的优势在于风格化处理如果你想要某种特定的视觉风格比如“赛博朋克霓虹色调”或者“16mm胶片颗粒感”它的表现很稳定。但它对中文提示词的支持不如前两者建议用英文写。ComfyUI则完全是另一套逻辑它本身不是一个模型而是一个工作流编排工具。你在ComfyUI里用的是什么模型提示词的效果就取决于那个模型。ComfyUI的好处是你可以把提示词拆成多个节点分别控制比如正面提示词、负面提示词、运动提示词分开写精确度更高但上手门槛也更高。1.3 提示词的基本结构从“一句话”到“五层框架”我刚开始写提示词的时候就是一句话扔进去效果全凭运气。后来我总结了一个五层框架基本上能覆盖大多数场景层级作用示例主体层定义画面里有什么一个穿白色连衣裙的女孩动作层定义主体在做什么在花田中缓慢旋转镜头层定义视角和运动中景镜头缓慢环绕光影层定义光线和色调黄昏暖光逆光拍摄风格层定义视觉风格电影感浅景深35mm胶片这五层不是必须全部写满但如果你发现生成效果不稳定大概率是某一层缺失了。比如你只写了主体和动作没写镜头模型就可能随机给你一个视角有时候是俯拍有时候是仰拍出来的感觉完全不一样。2. 主体与动作描述让AI准确理解“谁在做什么”2.1 主体描述的精确度阶梯写主体描述的时候精确度和自由度是一对矛盾。你写得太笼统模型自由发挥的空间太大结果不可控你写得太细又可能限制模型的发挥出来的画面僵硬不自然。我一般把主体描述分成三个精确度等级低精确度“一个女人”——模型完全自由发挥每次生成都不一样适合探索阶段。中精确度“一个穿红色连衣裙的年轻女人”——有了服装和年龄的约束一致性会好很多适合大多数场景。高精确度“一个穿红色连衣裙的年轻女人黑色长发披肩戴着一顶草帽”——细节拉满一致性最强但需要模型有足够强的理解能力否则可能出现元素冲突。我的建议是如果你要做系列视频需要角色保持一致那就用高精确度描述并且每次生成都复制粘贴同一段主体描述。如果你只是做单条视频中精确度就够了。2.2 动作描述的时间切片法动作描述是文生视频提示词里最容易翻车的部分。你写“一个女人在跳舞”模型可能给你一个站着手舞足蹈的人也可能给你一个完全静止的画面。问题在于“跳舞”这个词太宽泛了模型不知道你要的是哪种舞、什么节奏、什么幅度。我后来用了一个方法叫“时间切片法”就是把一个动作拆成起始、过程、结束三个阶段来描述起始女人双臂自然垂在身体两侧面朝镜头 过程她缓缓抬起双臂身体开始左右摆动裙摆随之飘动 结束她完成一个旋转双臂在头顶合拢面带微笑这样写出来的提示词模型对动作的理解会准确很多。当然不是每次都要写这么细但如果你发现动作总是不到位试试把动作拆开写。还有一个技巧是用“速度词”来控制节奏。比如“缓慢地”“迅速地”“轻柔地”“有力地”这些词能显著影响生成视频的节奏感。我实测下来“缓慢”和“轻柔”这两个词在MiniMax和可灵上效果最明显。2.3 多主体场景的分离描述策略当画面里有两个或更多主体时提示词的写法需要调整。如果你写“一个男人和一个女人在跳舞”模型可能会把两个人的特征混在一起或者让他们的动作完全同步看起来很假。我的做法是用“分离描述交互描述”的结构画面左侧是一个穿黑色西装的男人画面右侧是一个穿红色长裙的女人。男人伸出右手女人伸出左手两人的手在画面中央相握。他们缓慢地旋转男人引导方向女人跟随。这种写法的核心是把每个主体的外观和动作分开写然后再写他们之间的交互。虽然提示词变长了但生成结果的准确性会明显提升。在ComfyUI里你甚至可以用区域提示词节点来分别控制画面不同区域的内容精确度更高。不过那是进阶玩法新手先把基础提示词写好再说。3. 镜头语言视频提示词里最容易被忽略的胜负手3.1 镜头运动的基本类型与提示词写法镜头语言是区分“业余感”和“电影感”的关键。同样的主体和动作加一个“镜头缓慢推进”和什么都不加出来的效果完全是两个档次。我整理了几种最常用的镜头运动类型和对应的提示词写法镜头类型效果提示词示例推镜镜头向主体靠近镜头缓慢推进景别从中景变为特写拉镜镜头远离主体镜头缓慢拉远展现全景环境摇镜镜头水平或垂直转动镜头从左向右缓慢摇摄跟镜镜头跟随主体移动镜头跟随人物移动保持中景环绕镜头围绕主体旋转镜头围绕主体缓慢环绕180度固定镜头完全不动固定镜头无任何运动我自己的经验是新手最容易犯的错误是“镜头运动太多”。一个五秒的视频里又推又摇又环绕观众看着头晕。一般来说一个片段里只用一种镜头运动就够了最多加一个轻微的变化。3.2 景别与构图的提示词控制景别决定了观众看到的信息量。远景展示环境中景展示动作特写展示情绪。在提示词里明确景别能大幅提升生成结果的可控性。常用的景别提示词大远景人物在画面中很小主要展示环境远景人物全身可见环境占主导中景人物腰部以上动作清晰可见近景人物胸部以上表情可见特写面部或某个细节占满画面构图方面我常用的提示词包括“居中构图”“三分法构图”“对称构图”“前景遮挡”等。其中“前景遮挡”特别好用比如“画面前景有模糊的花枝主体在花枝后方”能瞬间增加画面的层次感。3.3 在ComfyUI里用节点精确控制镜头ComfyUI的优势在于你可以把镜头控制拆成独立的节点。比如你可以用一个节点控制相机位置另一个节点控制相机运动轨迹还有一个节点控制焦距变化。这种精细度是网页端工具做不到的。我常用的一个ComfyUI工作流是这样的先加载一个文生视频模型比如MiniMax H3的量化版然后在正面提示词节点里写主体和动作描述在运动控制节点里单独写镜头运动最后通过采样器节点把两者合并。这样即使镜头描述和主体描述有冲突你也可以单独调整其中一个不用重写整个提示词。不过ComfyUI的坑也不少。比如MiniMax H3的量化版在加载CLIP的时候5120和4096的维度不匹配问题我折腾了大半天才搞定。解决办法是确认你下载的CLIP模型版本和主模型版本是对应的如果不确定就去模型发布页看说明通常会标注配套的CLIP版本。4. 光影与风格决定视频“质感”的隐藏参数4.1 光影描述的实用词汇库光影是很多人写提示词时完全忽略的部分但它对画面质感的影响极大。同样的场景加一句“黄昏暖光”和加一句“正午硬光”出来的感觉天差地别。我整理了一套常用的光影描述词汇按场景分类自然光晨光、黄昏暖光、正午硬光、阴天柔光、月光、逆光、侧光、顶光人造光霓虹灯、烛光、暖色台灯、冷色荧光灯、聚光灯、轮廓光光影效果丁达尔效应、体积光、光斑、阴影、反射、折射我个人的偏好是用“黄昏暖光逆光”这个组合几乎适用于所有需要“电影感”的场景。逆光能勾勒出主体的轮廓暖光能让画面显得温暖柔和两者叠加效果很稳。4.2 风格锚定让视频保持统一的视觉调性如果你要做一系列视频风格一致性比单条视频的质量更重要。风格锚定的方法是在每条提示词里都包含相同的风格描述词。我常用的风格描述词包括电影感电影感、浅景深、35mm胶片、宽银幕动漫感日式动画风格、赛璐璐上色、新海诚风格写实感超写实、照片级、8K细节复古感16mm胶片颗粒、VHS质感、老电影色调需要注意的是不同工具对风格词的理解不一样。Runway对“电影感”的理解偏向好莱坞大片MiniMax对“电影感”的理解偏向文艺片。你需要根据工具的特点微调风格词。4.3 负面提示词告诉AI“不要什么”同样重要负面提示词在文生视频里的作用经常被低估。很多人只写正面提示词结果生成出来的视频总是有一些莫名其妙的瑕疵比如多出来的手指、扭曲的脸、闪烁的画面。我常用的负面提示词模板模糊、变形、扭曲、多余肢体、画面闪烁、色彩过饱和、噪点、水印、文字、低分辨率在ComfyUI里负面提示词是单独一个节点你可以写得很详细。在MiniMax和可灵里负面提示词的支持程度不一样有些版本可能没有单独的负面提示词输入框这时候你可以把“不要”的内容用自然语言写在正面提示词里比如“画面清晰稳定无变形”。5. 不同工具的提示词适配策略5.1 MiniMax中文提示词的优势与边界MiniMax是我用得最多的工具之一主要原因是它对中文提示词的理解确实好。你写“一个穿汉服的女子在竹林里抚琴阳光透过竹叶洒在她身上”它能生成出相当有韵味的画面。但MiniMax也有边界。我实测下来它在以下场景表现一般快速运动场景比如跑步、打斗容易出现画面撕裂多主体交互两个人以上的复杂交互容易出错精确镜头控制你写“镜头从左上角推进到右下角”它可能只给你一个推进针对这些边界我的策略是用MiniMax做氛围感强的慢节奏视频快节奏和复杂交互的场景换其他工具。另外关于MiniMax H3的显存问题如果你在本地跑量化版8G显存基本是底线。我试过在8G显存上跑生成5秒的视频大概需要3-4分钟速度可以接受但如果你同时开了其他占显存的程序就容易爆内存。建议跑之前把浏览器多余标签页关掉能省不少显存。5.2 可灵运动控制的强项与提示词技巧可灵在运动控制方面确实比MiniMax强尤其是镜头运动。你写“镜头跟随人物从画面左侧移动到右侧”它基本能准确执行。用可灵的时候我建议把镜头描述放在提示词的前面因为它在解析的时候似乎对前面的内容权重更高。比如镜头缓慢推进一个穿黑色风衣的男人站在雨中雨水顺着他的脸颊滑落霓虹灯在背景中闪烁。这种结构比把镜头描述放在最后效果更好。可灵的另一个特点是它对“动作幅度”比较敏感。你写“轻微地转头”和“猛地转头”出来的效果差异很明显。所以如果你想要细腻的动作一定要用“轻微”“缓缓”“慢慢”这类词。5.3 Runway英文提示词与风格化处理Runway对英文提示词的支持明显好于中文所以如果你用Runway建议直接用英文写提示词。它的风格化处理能力很强尤其是“电影感”和“艺术感”类的风格。我常用的Runway提示词结构[Shot type] [Subject] [Action] [Camera movement] [Lighting] [Style]比如Medium shot of a woman in a red dress walking through a neon-lit street, camera slowly tracking from left to right, cinematic lighting with warm tones, film grain, 35mm.Runway的另一个优势是它的“运动笔刷”功能你可以直接在画面上涂抹区域来指定运动方向。这个功能配合提示词使用精确度会高很多。5.4 ComfyUI工作流搭建与提示词节点化ComfyUI的提示词逻辑和其他工具完全不同。在ComfyUI里提示词不是一个文本框而是分散在多个节点里。你可以把正面提示词、负面提示词、运动提示词分别写在不同的节点里然后通过连线组合。我常用的ComfyUI文生视频工作流包含以下节点模型加载节点加载MiniMax H3或其他视频生成模型CLIP文本编码节点分别编码正面和负面提示词运动控制节点单独控制镜头运动采样器节点合并所有条件进行采样视频解码节点把潜空间数据解码成视频帧这种节点化的好处是你可以单独调整每个部分。比如你觉得镜头运动太剧烈只需要改运动控制节点的参数不用动提示词。缺点是搭建工作流的学习曲线比较陡新手可能需要花几个小时才能跑通第一个工作流。关于ComfyUI的安装秋叶整合包是目前最省心的方案。它把Python环境、依赖库、常用插件都打包好了下载解压就能用。但要注意的是整合包里的模型需要单独下载而且不同版本的整合包对模型的兼容性不一样。我建议下载整合包之后先看一遍说明文档确认支持的模型版本再下载模型。6. 提示词调试的实战方法论6.1 变量控制法一次只改一个参数很多人调试提示词的时候喜欢一次改好几个地方结果生成效果变好了也不知道是哪个改动起了作用变差了也不知道是哪个改动导致的。我的做法是“变量控制法”每次只改一个参数其他保持不变。比如你觉得画面太暗那就只改光影描述从“黄昏暖光”改成“正午强光”其他都不动。生成之后对比效果如果变好了就保留如果变差了就换一个光影词再试。这个方法虽然慢但能帮你建立起对每个提示词效果的准确认知。试过几十次之后你就能凭直觉知道该加什么词、该删什么词。6.2 提示词权重调整让AI知道什么最重要大多数工具都支持提示词权重调整语法通常是(关键词:权重值)权重值一般在0.5到1.5之间。权重越高模型对这个词的关注度越高。我常用的权重调整场景主体不够突出给主体描述加权重比如(穿红色连衣裙的女人:1.3)风格不够明显给风格词加权重比如(电影感:1.4)某个元素总是出现给负面提示词加权重比如(模糊:1.5)但权重不是越高越好。我试过把主体权重加到1.8结果画面里全是那个主体背景完全消失了。一般来说权重在1.2到1.4之间比较安全。6.3 从失败案例中反推提示词问题生成效果不好的时候不要急着删掉重写先分析一下问题出在哪儿。我总结了几种常见的失败模式和对应的修复策略失败模式可能原因修复策略主体变形主体描述太复杂或矛盾简化主体描述去掉冲突的元素动作不到位动作描述太笼统用时间切片法拆解动作画面闪烁运动幅度太大或帧率不匹配减小运动幅度降低镜头运动速度风格不统一风格描述词不够具体增加风格锚定词使用负面提示词排除不想要的风格色彩过饱和光影描述太强烈改用柔和的光影词如“柔光”“漫射光”这个表格是我踩了无数坑之后总结出来的基本上覆盖了80%的常见问题。你可以把它当作一个排查清单生成效果不好的时候逐条对照。7. 进阶技巧从“能用”到“好用”的关键跨越7.1 分镜提示词让多个片段保持连贯如果你要做一条超过10秒的视频通常需要分成多个片段生成然后再拼接。这时候分镜提示词就很重要了。分镜提示词的核心是“一致性锚点”每个片段的提示词里都包含相同的主体描述、风格描述和光影描述只改变动作和镜头。比如片段1中景穿红色连衣裙的女人站在花田中黄昏暖光电影感她缓缓抬起右手。 片段2近景穿红色连衣裙的女人黄昏暖光电影感她的右手轻轻触碰花瓣。 片段3特写穿红色连衣裙的女人面部黄昏暖光电影感她闭上眼睛微笑。这样生成出来的三个片段主体、风格、光影都是一致的拼接起来会很自然。7.2 运动强度与帧率的匹配关系运动强度和帧率的关系是一个容易被忽略的技术细节。如果你生成的视频帧率是24fps但运动强度设置得很高画面就会显得跳跃不连贯。反过来如果帧率是60fps运动强度太低画面又会显得拖沓。我的经验值是24fps适合慢节奏、文艺感强的视频运动强度设为低或中30fps适合大多数场景运动强度设为中60fps适合快速运动场景运动强度设为高在ComfyUI里帧率和运动强度都是可以单独设置的参数。在MiniMax和可灵里帧率通常是固定的你只能通过提示词里的速度词来间接控制运动强度。7.3 提示词模板化建立自己的可复用库当你调试出几组效果稳定的提示词之后建议把它们模板化建立自己的提示词库。我的提示词库按场景分类每个模板包含主体描述、动作描述、镜头描述、光影描述、风格描述五个部分用的时候只需要替换主体和动作就行。比如我的“人物特写”模板[主体描述][动作描述]近景特写镜头缓慢推进柔和的侧光浅景深电影感35mm胶片。用的时候把[主体描述]和[动作描述]替换成具体内容就行。这样能大幅提升效率而且能保证风格一致性。8. 常见问题与排查思路8.1 生成视频时爆内存怎么办爆内存是ComfyUI用户最常见的问题之一。我遇到过的原因主要有三个原因一模型太大。如果你用的是完整版模型而不是量化版显存占用会高很多。解决办法是换用量化版比如MiniMax H3的NVFP4量化版显存占用能降低40%左右。原因二分辨率太高。生成1080p视频比720p视频的显存占用高出一倍多。如果你的显存不够先把分辨率降到720p甚至480p跑通之后再尝试提高。原因三同时加载了多个模型。ComfyUI的工作流里如果同时加载了多个大模型显存会不够用。解决办法是在工作流里设置模型卸载节点用完一个模型就卸载释放显存。8.2 提示词明明写得很清楚生成结果却完全不相关这种情况通常是因为提示词里存在“冲突描述”。比如你写“一个穿红色衣服的女人穿着蓝色裙子”模型就不知道该听哪个。或者你写“白天夜晚的场景”模型也会困惑。解决办法是检查提示词里有没有互相矛盾的词有的话删掉一个。另外提示词太长也可能导致模型“注意力分散”建议控制在100-150个词以内。8.3 如何提高MiniMax H3的显存占用率这个问题听起来有点反直觉——为什么要提高显存占用率因为显存占用率太低说明模型没有充分利用硬件资源生成速度会变慢。提高显存占用率的方法增大batch size一次生成多个视频片段提高分辨率从720p提到1080p增加视频长度从5秒提到10秒使用更复杂的模型从量化版换成完整版当然前提是你的显存够用。如果显存不够还强行提高占用率就会爆内存。8.4 ComfyUI工作流分享与复用ComfyUI的工作流可以导出成JSON文件分享给别人或者在其他机器上导入。我建议你调试出一个稳定的工作流之后立刻导出备份。因为ComfyUI的插件更新有时候会导致旧工作流失效没有备份的话就得重新搭建。导入工作流的时候要注意插件依赖。如果别人的工作流里用了你没有的插件导入后会报错。解决办法是看报错信息里缺哪个插件去ComfyUI Manager里搜索安装。9. 我个人的一些实操体会说了这么多方法论最后分享几个我在实际操作中总结出来的零碎经验不一定系统但都是真金白银试出来的。第一个体会是提示词的长度和效果不是正相关的。我刚开始写提示词的时候总觉得写得越多越好后来发现超过一定长度之后模型反而会“抓不住重点”。现在我一般控制在80-120个词把最核心的信息写清楚就行。第二个体会是不同工具之间的提示词不要直接复制粘贴。MiniMax上效果很好的提示词放到Runway上可能完全不行。因为每个工具的模型架构和训练数据都不一样对提示词的理解方式也不同。换工具的时候提示词需要重新适配。第三个体会是生成视频的“废片率”远高于生成图片。我生成图片的时候大概三四张里能挑出一张能用的。但生成视频有时候十条里才能挑出一条满意的。所以做视频的时候要有耐心多生成几条不要指望一次成功。第四个体会是保存每次生成的提示词和参数。我现在的习惯是每次生成之后把提示词、参数设置、生成结果都记录在一个表格里。这样当你调出一个好效果的时候可以回溯是哪些改动起了作用。而且当你需要生成类似风格的视频时可以直接复用之前的配置。第五个体会是关于ComfyUI的不要一上来就搭复杂工作流。我刚开始用ComfyUI的时候看到别人的工作流有几十个节点觉得越复杂越厉害。结果自己搭了一个各种报错折腾了一整天都没跑通。后来我从最简单的“加载模型-编码提示词-采样-解码”四节点工作流开始跑通之后再逐步加节点反而学得更快。第六个体会是关于提示词里的“鹈鹕测试”的网上流传的那个“鹈鹕骑自行车”的提示词其实是一个很好的测试工具。因为它包含了主体鹈鹕、动作骑自行车、场景通常是在路上三个核心要素而且鹈鹕这个主体对模型来说比较陌生能很好地测试模型的泛化能力。你可以用这个提示词来快速判断一个工具的基础能力如果连鹈鹕骑车都生成不好那复杂场景就更不用指望了。最后说一个关于提示词工程的整体看法。文生视频的提示词工程还在快速演进中今天好用的技巧明天可能就过时了。但底层逻辑是不变的你写的每一个词都是在给模型“下指令”。指令越清晰、越具体、越一致模型就越可能给你想要的结果。所以与其追求“万能提示词模板”不如培养自己“把想法翻译成模型能理解的语言”的能力。这个能力一旦建立起来不管工具怎么变你都能快速适应。
