AI 视频提示词生成器
给 Veo、Sora、Runway 和 Kling 的电影感提示词
像导演给摄影指导讲戏那样描述你的镜头：主体、动作、取景、运镜、光。这个免费生成器会把这些选择拼成一段结构化的提示词，让文生视频模型稳定地读懂它，而不是一串靠猜堆出来的形容词。
AI 视频模型对按固定顺序排列的真实电影语法反应最好：景别、主体、动作、场景、运镜、光、镜头质感、风格、情绪。这正是这个工具搭出来的结构，输出可直接复制的文本或 JSON。
提示词拼装是确定性的，且完全在你的浏览器里运行。你输入的内容不会被发送到任何服务器。
挑好取景、运镜和质感。不需要的留空，提示词会更精简。
你的提示词
在上面描述一个主体，你的提示词就会在这里拼出来。
工作原理
生成器按文生视频模型最容易读懂的顺序排列你的选择：先取景，再主体和动作，然后是场景、运镜、光、镜头、风格和情绪。每个选项都来自真实的电影摄影词汇，和镜头表上会用的景别与运镜是同一套，模型收到的于是是指令，而不是气氛形容词。JSON 标签页把同一个镜头输出为结构化字段，方便接进流水线和批量流程。
怎么写真正有效的 AI 视频提示词
AI 视频最常见的失败不在模型，而在提示词：一堆风格形容词，没有清晰的主体，没有具体的动作，也没有关于摄影机的指令。模型会用自己的想象填满每一个没说清的空档，所以每次生成的结果都在漂。
有力的提示词读起来像镜头描述，不像情绪板。一个主体、一个摄影机拍得下来的动作、一种取景、一次运镜。「一个饱经风霜的侦探在湿透的小巷里点燃一支烟的近景，缓慢推进，霓虹夜光」在所有主流模型上都胜过「氛围感黑色电影，4K，杰作」。
镜头之间的一致性来自重复，不是运气。把主体和场景的描述逐字锁死，在这个序列的每一条提示词里重复使用，只改镜头语法。用 AI 做电影的人，就是这样让一个角色从远景到近景都还认得出来的。
适合谁
- 用 AI 做电影的人 为整个序列生成一组彼此匹配的提示词，而不是凭记忆一条条即兴。
- 做预演的导演 为同一个瞬间生成远景、中景和近景，在真正开拍前测试镜头覆盖。
- 内容创作者和工作室 拿到可复用、商业可用的镜头提示词，不必再去零散的论坛帖子里学那些提示词玄学。
AI 视频提示词生成器：完整指南
它用真正的电影语言拼出结构化的提示词：景别、运镜、光线、镜头质感、风格和情绪，顺序按文生视频模型最容易解析的方式排。
这类工作的核心问题很清楚：大多数 AI 视频提示词是临时堆起来的形容词，结果每次生成都在漂移，从来对不上创作者真正想要的那个镜头。不解决，它就会在后面的环节制造摩擦，让决策变慢。实际要达到的是稳定、符合电影语法的提示词，明确告诉 Veo、Sora、Runway、Kling 或 Seedance 要造哪一个镜头。
需要记住的限制：它做的是提示词，不是视频：每个模型对语言的理解不同，而跨镜头的人物或场景一致性靠的是一套方法，不是一条提示词。
进阶用法：认真做 AI 影片的人会为每场戏留一张提示词表，把反复出现的人物和场景描述逐字锁死，几次生成之间只改镜头语法。
一步步怎么做
- 用平实具体的语言描述主体和动作：摄影机真正会看到什么。
- 选这个时刻需要的景别和运镜，就像你给摄影指导下的指令。
- 选光线、镜头质感、风格和情绪，然后复制拼好的提示词或它的 JSON 形式。
- 同一场戏的每个镜头都复用完全一样的主体和场景措辞，这样连贯性才守得住。
按角色分的使用场景
- AI 影片创作者：为一个段落生成成套的提示词，而不是一条一条现编。
- 导演：用同一时刻的全景、中景和特写，把这场戏的覆盖预演出来。
- 内容创作者：拿到可复现的商业级镜头，不用去零散帖子里学提示词偏方。
常见的坑
- 堆十个风格形容词，而不是给出一个明确主体、一个动作、一条运镜指令。
- 镜头之间改了主体描述，然后奇怪人物的脸怎么变了。
- 写情绪上的抽象词，而不是画面里实际可拍的物理描述。
行业里的做法
- 一条提示词，一个镜头：描述一个机位，不是一整场戏的覆盖。
- 具体胜过抽象：「雨水从消防梯上滴下来」比「忧郁的氛围」有效得多。
- 为每个反复出现的人物保留一段锁定的描述，每条提示词里原样粘贴。
把这个工具的输出当成决策的辅助，而不是写作本身的替代。一个好剧本被记住，靠的是具体的选择、准确的情绪，以及戏剧动作的清晰。工具的作用是把噪音去掉，让你的精力落到真正要紧的地方：人物、冲突、升级和兑现。每过一轮就回看一次结果，把接受的改动记下来，你的工作方式会一稿比一稿更快、更可预期。这种稳定正是专业合作者看重的东西：意外更少，理由更清楚，剧本朝着有意识的方向长。
延伸问答
什么样的 AI 视频提示词算好？
一个明确的主体、一个具体的动作、一条运镜指令，然后才是光线和风格。模型对结构化的电影语法的解析，远好过一堆形容词，而这正是这个生成器在拼的东西。
同一条提示词在 Veo、Sora、Runway 和 Kling 上表现一样吗？
核心结构在主流模型之间迁移得不错，但每个模型对语言的理解略有不同。生成的提示词是一个很好的起点，每个模型预留一两轮微调。
怎么让人物在多个镜头之间保持一致？
把人物的外形描述逐字锁死，在每条提示词里复用。一致性来自完全相同的措辞，而用结构化工具做这件事，比凭记忆容易得多。
该用文本还是 JSON 提示词？
多数模型接受自然语言，这里默认输出的就是它。JSON 适合结构化流程、批量作业，以及接受字段输入的模型和工具。
为什么每次生成的结果都不一样？
含糊的提示词把一切自由都交给了模型。主体、动作、构图和光线写得越具体，模型的自由度越小，结果就越可复现。
能用它做一部完整的 AI 短片吗？
能，把每条提示词当成分镜表里的一个镜头。先规划段落，锁死主体和场景的描述，然后一个镜头一个镜头地生成，就像剧组拍覆盖那样。
常见问题
能。它生成的提示词结构（取景、主体、动作、场景、运镜、光、风格）可以在所有主流文生视频模型之间通用。每个模型对语言的理解略有差异，所以每换一个模型都要预留一轮微调。
不是。它用真实的电影语法，在你的浏览器里确定性地拼装你的选择，不调用任何 API。同样的输入永远得到同样的提示词，而这正是镜头之间保持一致所需要的。
文本适用于所有主流模型的提示词输入框。JSON 适合结构化的流水线、批量生成，以及那些按字段接收输入的工具。
在这个序列的每一条提示词里，逐字复用同一段主体描述，两次生成之间只改镜头类型、运镜和动作。
模糊的提示词让模型可以自由重新发明所有没被交代的东西。你把主体、动作、取景和光说得越具体，它的自由度就越窄，你的结果也就越可复现。
