视频提示词和图片提示词差在哪？多了时间

用 AI 出过图再去做视频的人，常有一个错觉：提示词写法是通用的，把出图的提示词直接搬去出视频就行。结果常常出戏：图里人物神态到位，视频里人物却在画面里乱动，镜头不知为何乱晃。差别来自一个新维度——时间。图片提示词描述「一帧长什么样」，视频提示词还要描述「几秒内怎么变」。这篇把两者的差异拆开讲：哪些能力通用、哪些是新变量、写法要怎么调整；提示词长度本身的误区，另见提示词长度的边际递减一篇。

图片提示词管一帧：主体、风格与构图

图片提示词的职责清单很明确：主体是什么、什么风格、什么视角与构图、什么光线。它不需要考虑先后——一帧之内所有元素同时成立即可。这份清单直接搬到视频里，只解决了「每一帧画得对」的问题，而视频真正的难点不在单帧好不好看，在帧与帧之间变不变、怎么变。所以视频提示词并不必推倒重来，它是在图片清单之上加盖一层：运动这一层。通用部分照旧写，主体、风格、光线这些描述一帧的字段，两种提示词是同一套语言；新增的部分，才是做视频要专门补的课。

时间轴入场：运动成了新变量

视频提示词多出的第一组变量是运动，而且分两个层面。一是画面内的运动：主体动不动、往哪动、多快——「人物向左走过街角」「树叶随风摆动」，这些描述在图片里无处安放，在视频里直接决定成败；只给一段静景描述，模型可能给你一条一动不动的「动态图片」。二是镜头的运动：推拉摇移跟，机位怎么走、速度多快，这是视频独有的第二层运动，五个术语各自的画面效果，见运镜术语一篇。两层运动可以组合，也可以都写「静止」——静态镜头同样是一种选择，但要主动写出来，让模型知道这是有意的安排。

一致性门槛：一帧成立与处处成立

图片只需一帧成立，视频要求每个瞬间都成立，这就是一致性的门槛。人物的长相与服装要前后一致，场景的布局要连贯，光线的方向不能中途跳变。提示词能做的是帮模型「锚定」：写清人物的外貌特征，而不只写身份——「短发、米色风衣」就比「一位女士」稳；写明光线的来源方向，而不只写氛围词。锚不住的部分，工程上有别的办法兜底：用首尾帧把画面的来去固定住，中间交给模型补全，见首尾帧一篇。一致性也是视频生成波动大的主要原因：任何一处没锚定的细节，都可能在某个瞬间漂移出去。

写法差异：从描述画面到描述过程

落到具体写法，两边的心法不同。图片提示词像写说明书：把一帧的要素摆全即可，顺序影响不大。视频提示词像写分镜：有时间结构的意识——先交代场景与人物，再给运动，再给镜头怎么动；时长也是信息，「缓缓推近」配上「三秒」与配上一秒，节奏完全不同。还有一条经验：一次生成几秒的短片里，装不下一场戏，装得下一两个动作，把提示词聚焦在一个完整的动作单元上，成功率远高于要求「人物坐下、端起杯子、微笑、转头看窗外」的四连动作。想练手，可以用同一句提示词在出图与出视频工具里各跑一次，让 DeepSeek 对比两次结果的差异出在哪些字段；再让豆包把你写的视频提示词拆成「画面层、运动层、镜头层」三行，检查哪一层缺失。

视频与图片提示词差异速查

• 通用层：主体、风格、光线，两边的语言一致
• 新增层：画面内运动与镜头运动，视频独有两个层面
• 一致性：一帧成立容易，处处成立要靠锚定与首尾帧
• 写法：图片像说明书，视频像分镜，时长也是信息
• 聚焦：几秒短片装得下一两个动作，别塞四连动作

关于视频提示词的常见疑问

• 出图的提示词完全不能复用吗？：画面层的部分可以照搬，主体、风格、光线的写法两边通用；需要补的是运动与镜头两层。直接搬运不做加法，正是「视频变幻灯片」或画面乱动的常见原因。
• 运动写得越具体效果越稳吗？：写到方向与幅度即可，不必到物理细节。模型对复杂运动序列的执行能力有限，一个提示词里塞进多层动作容易互相干扰；复杂运动拆成多段分别生成再拼接更稳。
• 时长可以在提示词里指定吗？：可以描述节奏快慢与动作耗时，实际输出时长以工具能力为准；速度词与节奏词是通用的控制手段，各家支持的粒度不同，以产品文档为准。