把图片提示词直接搬到 AI 视频工具上，效果通常不对。原因不在模型笨，在于视频多了两个维度：时间和运动。一句「一只猫坐在窗台上，阳光很好」能生成一张好图，生成视频时模型只能猜猫要不要动、镜头要不要走。PixVerse 这类工具的提示词写法，核心就是把这两个维度的空白补上。
三要素之外，还缺一层时间
主体、动作、镜头，这三样是骨架。缺主体，画面随机；缺动作，出来接近静帧；缺镜头，构图由模型决定。但三样齐全仍可能出一段「在动却不知道在动什么」的片子，少的是时间结构：动作从哪开始、到哪结束、中间有没有转折。
「女人在走路」是状态，「女人从画面右侧走入，走到一半停下回头」是过程。后者给了模型两个锚点，画面有起点有终点，剪辑时也更容易找到接点。
一个可以反复套的句式
把五段连起来写，比自由发挥稳定：镜头（景别与运动）+ 主体（外形特征）+ 动作（起止）+ 环境与光线 + 风格质感。顺序固定下来，改动时很容易定位是哪一段出了问题。
举例：「中景，镜头缓慢左移。一个穿灰色连帽衫的男人蹲在路边修自行车，从低头拧螺丝到抬头擦汗。傍晚，街灯刚亮，路面有积水反光。写实，轻微颗粒。」这段里每一句都对应一个可执行的信息，没有一句是评价。
写完做一次删减：形容词删到只剩能看见的。温柔、震撼、高级这类词对画面没有约束力；暖黄、逆光、低角度才有。
镜头词要落到可执行
| 想表达的效果 | 可以写的词 | 适用场景 | 判断标准 |
|---|---|---|---|
| 放大人物情绪 | 特写、浅景深、镜头微微推进 | 人物反应、手部与眼神 | 画面里只有一处该被看见 |
| 交代空间关系 | 全景、广角、镜头横移或升降 | 开场、场景转换 | 一眼能看出人在哪、周围有什么 |
| 制造压迫或紧张 | 低角度、手持晃动感、快速推近 | 冲突、追赶 | 主体占画面的比例明显变大 |
| 表现时间流逝 | 固定机位、光影变化、延时感 | 过渡、氛围镜头 | 机位不动而画面内容在变 |
这张表可以反着用：先想清楚这段要承担什么功能，再挑对应的镜头词。一段片子里镜头动机不明，观众会觉得晃得没道理。
负向描述怎么写
负向描述的作用是排除，不是许愿。写「不要变形」用处有限，写「不要出现第二个人」「不要出现文字」更有效，因为后者是可数的对象。把常犯的问题列成三五条固定短语，附在描述末尾，比每次临时想更稳。
另一类该删的是情节。「她走进咖啡馆，点单，坐下，打开电脑」在几秒里做不完，模型会平均分配，每件事都做一半。删到只剩一个动作，成片率立刻不同。
图生视频的写法不一样
有源图时，主体外形不用再描述，写了反而可能和原图冲突。要写的是什么在动、镜头怎么动：头发被风吹动、水面泛起波纹、镜头从画面中心缓慢拉远。源图已经定下构图和光线，描述里再改这两项，容易得到一张被扭曲的画面。
判断源图能不能用，看三个条件：主体清晰、背景不杂乱、画面里留有可动的元素（衣角、烟雾、水面、光斑）。全静态的图硬要动，通常只能靠镜头位移，观感像在推一张照片。
它做不到的部分
它不能确保同一个描述两次给出同样的结果。生成带随机性，同一段文字跑两遍，人物脸型、背景细节都可能变。要稳定，只能靠固定种子或参考图（如果你的版本提供这类入口），并且把可用的版本立刻存下来。
它也装不下因果关系。「他因为看到消息而愣住」需要前因镜头，一条几秒的片段只能表现愣住这个结果。复杂叙事要靠分镜和剪辑，提示词再长也补不回来。画面里的文字、手部细节、快速交叠的动作，仍是这类工具容易失手的区域。
想提高稳定性，除了改描述，还可以借助外部环节：把分镜拆成一句一条，用文本模型先理顺序（什么时候该让模型先想再答），把每次的提示词与结果存档（历史记录怎么管理），或者直接改编现成模板（官方提示词库怎么改成自己的）。这三件事跟用哪家视频工具无关，换工具也能带走。
写完先自查四句
- 主体能不能被画出来，而不是被理解
- 动作有没有起止，还是只有一个状态
- 镜头有没有方向，还是只写了「有电影感」
- 一条描述里是不是塞了两件以上的事
三个具体问题
- 提示词写多长合适？：够用就停。能覆盖五段即可，多写的形容词多半无效。描述过长时，模型会平均分配注意力，反而丢掉关键动作。
- 中文写还是英文写？：都可以试。同一段描述两种语言各跑一版，比较哪个更贴近预期。镜头术语用英文有时更准，但不必为此硬翻，语义清楚比语言正确重要。
- 导出的视频带水印，能商用吗？：看产品条款。水印通常与套餐绑定，商用权限也写在条款里，不要只看导出按钮能不能点。
判断一段提示词好不好，有个便宜的办法：发给没看过你想法的人，让他说出大概会看到什么画面。说不出来，说明描述还不够具体；说出来的和你想的不一样，说明你漏了某一段。写提示词这件事，本质是把脑子里的画面翻译成别人也能看见的文字。
