1. 先搞清楚文生视频提示词到底在写什么很多人第一次接触AI视频生成脑子里想的都是“我只要把想要的画面描述出来就行了”结果写出来的提示词丢进MiniMax、可灵或者Runway出来的东西跟想象差了十万八千里。问题出在哪出在文生视频的提示词和文生图完全是两码事。文生图你写“一只猫坐在窗台上”它能给你一张静态图文生视频你写同样的话模型会懵——猫是坐着不动还是跳上窗台窗外的光是恒定还是随时间变化镜头是固定还是推拉这些信息你不给模型就随机发挥出来的视频自然不可控。我做了大半年AI视频生成从最早的Runway Gen-2到后来的可灵、MiniMax海螺再到本地跑ComfyUI配合各种开源模型踩过的坑比写过的提示词还多。这篇文章就是把我自己总结的一套文生视频提示词完整方法论拆开来讲适配MiniMax、可灵、ComfyUI、Runway这些主流工具。不管你是刚入门的新手还是已经能生成几秒片段但总觉得“差口气”的老手这篇内容都能帮你把提示词的质量往上提一个台阶。核心逻辑其实就一句话视频提示词 画面描述 时间维度 镜头语言 运动指令。文生图只需要前两项文生视频必须四项齐全。少一项模型就替你瞎猜四项都写清楚你才能真正控制输出。下面我会从整体设计思路开始一步步拆到具体参数和实操细节最后给一份可以直接抄的模板和常见问题排查表。2. 提示词整体架构与工具适配思路2.1 为什么不能一套提示词走天下MiniMax、可灵、ComfyUI、Runway这四类工具底层模型架构和训练数据差异很大对提示词的“理解方式”完全不同。Runway偏英语语义理解对镜头术语敏感可灵和MiniMax是国产模型中文提示词友好但对运动描述的颗粒度要求更高ComfyUI是节点式工作流提示词只是其中一个输入环节还需要配合采样器、CFG、运动模块等参数一起调。我试过把同一段提示词分别丢进这四个工具结果差异非常明显。Runway对“dolly in”推镜头这种专业术语响应准确但中文描述“镜头缓缓推近”它反而理解得一般可灵对“镜头缓缓推近”响应很好但对“dolly in”这种英文术语几乎没反应。MiniMax海螺在两者之间中英文混合也能吃但对过长描述会截断。ComfyUI则完全取决于你加载的是哪个模型——SVD、AnimateDiff、CogVideoX每个模型对提示词的敏感度都不一样。所以我的做法是先确定工具再调整提示词结构。下面这张表是我实测下来各工具对提示词各维度的敏感度对比你可以根据自己的主力工具来侧重。工具中文友好度镜头术语敏感度运动描述颗粒度提示词长度上限推荐侧重MiniMax海螺高中高约200字运动细节场景氛围可灵高中高高约300字镜头运动光影Runway低高中约150词英文镜头术语主体动作ComfyUI取决于模型取决于模型取决于模型取决于模型配合工作流参数调注意MiniMax H3量化版在ComfyUI里跑的时候CLIP 5120和4096不匹配是常见报错这个后面会专门讲。2.2 四层结构从静态到动态的完整描述我总结的提示词四层结构按优先级从高到低排列第一层主体与场景。这是基础写清楚画面里有什么、在哪里。比如“一位穿红色连衣裙的女性站在雨后的东京街头”。这一层和文生图提示词写法一样越具体越好但不要堆砌无关细节。第二层运动与动作。这是文生视频的核心增量。主体在做什么环境在怎么变比如“她缓缓抬起右手雨滴从屋檐滴落霓虹灯在湿漉漉的地面上反射出流动的光”。注意运动描述要分主体运动和次要运动模型对主体运动的响应优先级更高。第三层镜头语言。镜头怎么拍固定、推拉、摇移、跟拍比如“镜头从远景缓缓推近至中景保持水平视角”。这一层很多人会忽略但它是决定视频“电影感”的关键。第四层风格与画质。什么风格电影感、动画、写实画质要求比如“电影级调色浅景深35mm胶片质感”。这一层放在最后但不要写太多否则会稀释前面三层的权重。这四层写全提示词大概在150到250字之间。太短了信息不够太长了模型会截断或者注意力分散。我实测下来180字左右是甜点区既能覆盖四层又不会让模型“选择困难”。2.3 工具选型什么场景用什么工具如果你只是偶尔生成几个片段发朋友圈MiniMax海螺和可灵网页版足够了免费额度也够用。如果你要做系列内容需要批量生成和精细控制那ComfyUI本地部署是绕不开的。Runway适合有英语基础、追求电影级镜头控制的用户但免费额度少生成速度也一般。我自己的主力组合是可灵做快速原型ComfyUI做精细控制和批量生成MiniMax做中文场景的补充。Runway偶尔用来测试一些复杂的镜头运动因为它的镜头术语响应确实最准。ComfyUI这边秋叶整合包是新手最省心的选择下载解压就能用内置了常用的视频生成节点和模型。但要注意秋叶包更新频率不高如果你要用最新的MiniMax H3或者CogVideoX可能需要手动装节点和模型。这个后面实操部分会详细讲。3. 核心细节拆解每一层怎么写才有效3.1 主体与场景具体但不啰嗦写主体的时候很多人容易犯两个极端要么太笼统“一个男人在走路”模型只能随机生成一个模糊的人要么太琐碎“一个35岁左右、身高175cm、穿蓝色格子衬衫、戴黑框眼镜、左手拿咖啡杯的男人”模型处理不过来反而把注意力分散到无关细节上。我的经验是主体描述抓3到5个关键特征就够了。比如“一位穿红色连衣裙的年轻女性”红色连衣裙是核心识别特征年轻女性是基础属性这就够了。场景描述同理“雨后的东京街头霓虹灯闪烁”比“一条街道两边有建筑路上有积水天上有云”有效得多。还有一个技巧用具体名词代替抽象形容词。“美丽的风景”不如“雪山脚下的湖泊”“恐怖的气氛”不如“昏暗的走廊尽头有一扇半开的门”。模型对具体名词的响应远好于抽象形容词。3.2 运动与动作分主次给方向运动描述是文生视频提示词里最容易翻车的部分。我见过太多人写“一个人在跑步”结果模型生成的人原地踏步或者慢动作漂浮。问题在于没有给运动方向、速度和幅度。正确的写法是“一位穿运动服的男人从画面左侧向右侧匀速奔跑双臂自然摆动背景的树木快速后退”。这里“从左侧向右侧”是方向“匀速”是速度“双臂自然摆动”是细节动作“背景树木快速后退”是环境响应。模型拿到这些信息才能生成连贯的运动。另外主体运动和次要运动要分开写。主体运动是画面核心次要运动是环境或背景的变化。比如“她缓缓抬起右手主体窗外的雨滴持续落下次要桌上的蜡烛火焰轻轻摇曳次要”。模型会优先保证主体运动的连贯性次要运动作为氛围补充。实操心得如果你发现生成的视频里主体运动很怪试着把运动描述拆成“起始状态→运动过程→结束状态”三段式。比如“男人原本站立不动然后开始向右侧奔跑最后跑出画面”。这种写法对可灵和MiniMax特别有效。3.3 镜头语言用模型听得懂的话镜头语言这块不同工具的“方言”差异最大。Runway吃英文专业术语比如“dolly in”“pan left”“tracking shot”可灵和MiniMax吃中文描述比如“镜头缓缓推近”“镜头向左平移”“镜头跟随主体移动”。ComfyUI则取决于你用的模型SVD对镜头术语不太敏感AnimateDiff稍微好一点CogVideoX对镜头描述响应较好。我整理了一份常用镜头语言的中英文对照和适用工具镜头效果中文写法英文写法推荐工具推近镜头缓缓推近dolly in / push in可灵、MiniMax、Runway拉远镜头缓缓拉远dolly out / pull back可灵、MiniMax、Runway左移镜头向左平移pan leftRunway、可灵右移镜头向右平移pan rightRunway、可灵跟随镜头跟随主体移动tracking shotRunway、ComfyUI固定镜头固定不动static shot全部环绕镜头环绕主体旋转orbit shotRunway、ComfyUI升降镜头缓缓上升/下降crane up/downRunway注意不要在一段提示词里写多个镜头运动比如“镜头先推近再左移然后环绕”模型会混乱。一个片段只写一种主要镜头运动复杂运动拆成多个片段生成后再剪辑。3.4 风格与画质少而精风格和画质描述放在最后但不要写太多。我见过有人写“电影级、4K、超高清、HDR、浅景深、胶片质感、赛博朋克风格、冷暖对比色调”结果模型直接过曝或者色彩溢出。风格词最多写两个画质词最多写一个。我的常用组合是“电影级调色浅景深”或者“动画风格高饱和度”。如果是写实场景加一个“35mm胶片质感”就够了。如果是动画写“日式动画风格”或者“皮克斯风格”比写一堆形容词有效。另外风格词要和场景匹配。你写“赛博朋克风格”但场景是“阳光明媚的海滩”模型会精神分裂。风格是场景的延伸不是独立存在的。4. 实操全流程从零生成一段可控视频4.1 工具准备与环境搭建如果你用网页版工具MiniMax、可灵、Runway注册账号就能用不需要本地环境。但如果你要用ComfyUI需要先搞定本地部署。我推荐新手从秋叶整合包开始下载解压后运行“A绘世启动器”或者“ComfyUI启动器”一键启动。秋叶整合包的下载渠道我就不具体说了搜“秋叶ComfyUI整合包”就能找到。下载后解压到非中文路径双击启动器等控制台出现“To see the GUI go to: http://127.0.0.1:8188”就说明启动成功了。浏览器打开这个地址就能看到节点界面。如果你要用MiniMax H3或者CogVideoX这类视频模型秋叶包可能没有预装需要手动下载模型文件放到ComfyUI/models/checkpoints目录下然后在ComfyUI里加载对应的节点。MiniMax H3量化版对显存要求较低8G显存就能跑但要注意CLIP模型的选择——5120和4096不匹配的问题通常是因为你用了不匹配的CLIP版本换一个对应版本的CLIP就能解决。4.2 提示词编写与参数设置假设我要生成一段“一位穿红色连衣裙的女性在雨后的东京街头缓缓行走镜头从远景推近至中景电影级调色”的视频。我的提示词会这样写一位穿红色连衣裙的年轻女性在雨后的东京街头缓缓行走霓虹灯在湿漉漉的地面上反射出流动的光雨滴从屋檐持续滴落。镜头从远景缓缓推近至中景保持水平视角。电影级调色浅景深。这段提示词大概80字四层结构齐全。主体是“穿红色连衣裙的年轻女性”场景是“雨后的东京街头”运动是“缓缓行走”和“雨滴持续滴落”镜头是“从远景推近至中景”风格是“电影级调色浅景深”。参数设置方面不同工具不一样。可灵网页版有“创意想象力”和“相关性”两个滑块我一般把创意想象力调到0.3到0.5之间相关性调到0.7以上这样既不会太死板也不会跑偏。MiniMax海螺有“运动幅度”选项我选“中等”太高了画面会抖太低了主体不动。Runway有“Motion”滑块我一般设在3到5之间满分10太高了画面会崩。ComfyUI这边参数更多采样步数我一般设20到25CFG设7到9运动模块的强度设0.8到1.2。如果是SVD模型motion_bucket_id设100到150之间比较稳太高了画面会扭曲。4.3 生成与迭代第一版永远不是最终版第一版生成出来大概率不会完全满意。这很正常AI视频生成就是一个迭代调优的过程。我的习惯是第一版看整体构图和运动趋势第二版调提示词细节第三版调参数一般三到五版能出一个可用的片段。如果第一版主体运动不对比如人没有走起来或者走得太快我会在提示词里加“匀速缓慢行走”或者“步伐轻盈”。如果镜头运动不对比如推近变成了拉远我会把“推近”改成“镜头逐渐靠近主体”。如果画面风格不对比如太暗或者太亮我会调整风格词或者参数里的曝光补偿。实操心得每次只改一个变量。如果你同时改提示词和参数出了问题你都不知道是哪个导致的。我一般先固定参数调提示词提示词满意了再微调参数。4.4 分镜与多片段拼接如果你要做超过5秒的视频单次生成是不够的。主流工具单次生成一般3到5秒MiniMax H3可以到6秒可灵可以到5秒Runway可以到4秒。要做长视频必须分镜生成再拼接。分镜的写法是把完整场景拆成多个镜头每个镜头单独写提示词。比如上面那个东京街头的例子可以拆成三个分镜分镜1远景女性从画面左侧走入镜头固定。提示词侧重场景和入场。分镜2中景女性行走镜头跟随。提示词侧重运动和跟随。分镜3近景女性停下脚步抬头看霓虹灯镜头推近。提示词侧重表情和推镜。每个分镜生成后用剪映或者Premiere拼接加转场和配乐。注意分镜之间的运动连贯性——上一个分镜人物往右走下一个分镜不能突然往左。这个在写提示词的时候就要规划好。5. 常见问题与排查技巧实录5.1 画面崩坏与运动异常这是最常见的问题。画面崩坏通常有几个原因提示词太复杂导致模型注意力分散、运动幅度参数太高、模型本身的能力边界。我的排查顺序是先简化提示词把四层结构压缩到最核心的主体运动如果还崩降低运动幅度参数如果还崩换模型或者换工具。运动异常比如主体原地踏步、漂浮、肢体扭曲通常是运动描述不够具体。试着把“走路”改成“从画面左侧向右侧匀速行走双臂自然摆动脚步清晰可见”。如果还不行可能是模型对这类运动的理解有限换一个运动类型或者换工具。5.2 显存不足与爆内存ComfyUI生成视频时爆内存是高频问题尤其是用SVD或者CogVideoX这类大模型的时候。解决方案有几个降低分辨率从1024降到768或者512、减少帧数从25帧降到16帧、开启--lowvram或者--medvram启动参数、使用量化版模型。MiniMax H3量化版在8G显存上跑建议分辨率设768x432帧数设16这样基本不会爆。如果你显存更小可以试试4bit量化版本但画质会有所下降。5.3 CLIP不匹配与节点报错MiniMax H3在ComfyUI里跑的时候CLIP 5120和4096不匹配是经典报错。原因是你用的CLIP模型版本和H3模型要求的版本不一致。解决方案是下载对应版本的CLIP模型放到ComfyUI/models/clip目录下然后在节点里手动指定CLIP路径。具体哪个版本对应哪个模型看模型发布页的说明一般会写清楚。其他常见节点报错包括缺少自定义节点、模型路径不对、Python依赖缺失。秋叶整合包一般会预装常用节点但如果你手动装了新节点可能需要重启ComfyUI或者手动安装依赖。5.4 常见问题速查表问题现象可能原因排查步骤解决方案画面崩坏提示词太复杂/运动参数太高简化提示词→降运动参数→换模型四层压缩到两层运动幅度降30%主体不动运动描述不具体/运动参数太低检查运动描述→提高运动参数加方向速度幅度描述镜头运动不对镜头术语不匹配工具换工具对应的术语中文工具用中文Runway用英文显存不足分辨率/帧数太高降分辨率→降帧数→开低显存模式768x43216帧lowvramCLIP不匹配CLIP版本不对检查模型要求→换CLIP下载对应版本CLIP生成速度慢模型太大/步数太高降步数→换量化模型步数20→15换4bit量化画面闪烁帧间一致性差检查运动模块→加一致性参数提高motion_bucket_id或换模型色彩溢出风格词太多减少风格词→调CFG风格词最多两个CFG降到7独家避坑MiniMax H3生成5秒视频提示词控制在150到200字之间最稳。太短了信息不够太长了模型会截断后半段。我实测下来180字左右是甜点区。6. 进阶技巧从能用 to 好用6.1 鹈鹕测试与提示词鲁棒性圈子里有个经典的“鹈鹕骑自行车”测试用来检验模型对复杂主体复杂运动的处理能力。提示词大概是“一只鹈鹕骑着自行车在街道上行驶鹈鹕的翅膀微微张开保持平衡自行车轮子快速转动”。这个测试能同时检验主体识别、运动连贯性和场景融合。我拿这个提示词测过MiniMax、可灵和Runway。MiniMax海螺对鹈鹕的形态还原最好但自行车轮子的转动不太自然可灵整体运动最流畅但鹈鹕的嘴部细节有点糊Runway的镜头感最好但鹈鹕骑车的姿势有点怪。这说明每个模型都有自己的强项和短板根据你的核心需求选工具比追求“全能”更实际。6.2 分镜提示词的高级写法如果你要做多镜头叙事分镜提示词需要额外注意镜头间的逻辑衔接。我的做法是在分镜提示词里加入“承接上一镜头”的描述。比如分镜1结尾是“女性从画面左侧走入”分镜2开头就写“女性继续向画面右侧行走镜头从固定转为跟随”。这样模型生成的时候会有一个连续的运动趋势拼接起来更自然。另外分镜之间的色调和光影要统一。如果分镜1是暖色调分镜2突然变冷色调观众会出戏。我的做法是在每个分镜的风格词里都写“电影级调色暖色调”保持一致。6.3 提示词模板与复用我整理了一套通用模板你可以直接套用[主体描述3到5个关键特征]在[场景描述具体名词氛围][主体运动方向速度幅度][次要运动环境变化]。镜头[镜头运动一种][风格词最多两个][画质词一个]。举个例子一位穿黑色风衣的男人在深夜的纽约街头快步行走路灯在湿漉漉的地面上投下昏黄的光远处有出租车驶过。镜头跟随男人从背后拍摄保持中景。电影级调色浅景深35mm胶片质感。这个模板覆盖了四层结构字数控制在100到150字之间适配大部分工具。你可以根据具体场景替换方括号里的内容。6.4 批量生成与工作流优化如果你要批量生成ComfyUI的优势就体现出来了。你可以把提示词做成文本文件用ComfyUI的“从文件加载提示词”节点批量读取配合“队列”功能自动跑。我一般一次跑10到20个片段然后挑最好的几个用。批量生成的时候参数要固定只变提示词。这样你才能对比出哪个提示词效果好。如果参数也变你就不知道是提示词的问题还是参数的问题。另外ComfyUI的工作流可以保存和分享。我建议你把自己的常用工作流保存成JSON文件下次直接加载不用重新搭节点。网上也有很多现成的工作流可以下载搜“ComfyUI视频生成工作流”就能找到。7. 我踩过的坑与最后的小技巧说几个我实际踩过的坑。第一个是提示词里写“慢动作”结果模型把整个视频都放慢了包括镜头运动看起来像卡顿。后来我改成“主体缓慢行走镜头正常速度推近”问题就解决了。第二个是在ComfyUI里同时加载多个视频模型显存直接爆了后来我改成一次只加载一个模型用完就卸载。第三个是用秋叶整合包跑MiniMax H3CLIP不匹配报错折腾了一下午最后发现是CLIP版本不对换了一个就通了。最后分享一个小技巧生成之前先想好你要的是“运动”还是“画面”。如果你要的是运动连贯性提示词侧重运动描述风格词可以少写如果你要的是画面美感提示词侧重场景和风格运动描述可以简单点。两者很难同时拉满根据你的核心需求做取舍。还有一个技巧是用负面提示词。虽然文生视频的负面提示词效果不如文生图明显但写“模糊、扭曲、闪烁、低质量”还是能过滤掉一些明显崩坏的片段。ComfyUI里可以直接在负面提示词框里写网页版工具一般也有高级选项。这个领域变化很快新模型和新工具层出不穷。我现在的做法是保持一个主力工具深耕同时每隔一段时间试一下新工具看看有没有值得迁移的新能力。但核心的提示词方法论是不变的——四层结构、分主次、给方向、控长度。把这套逻辑吃透换什么工具都能快速上手。