智谱清影的文生视频提示词怎么写？提示词是驱动 AI 视频生成的唯一指令源，可以按四要素组装：主体、动作、场景、镜头与氛围，其中动作与场景是决定成败的两块——动作写得具体，画面才有故事；场景铺得清楚，画面才有质感。新手与熟手的差距，主要就在这两项的写法上。这篇把四要素逐个拆开，给出能直接套用的句式与迭代判断的方法，帮你定住画面的焦点。
提示词四要素的拆解
一条合格的文生视频提示词，四个成分各司其职。主体是画面主角：一个人、一只猫、一件产品，人物还要带外貌与衣着特征。动作是主角在做什么：走路、转身、伸手接雨，动作是视频区别于图片的核心。场景是事情发生的地点与时间：雨夜街头、清晨书房、黄昏海岸，场景承担氛围的一半。镜头与氛围是补充项：机位角度、光线、色调、情绪基调。组装公式可以记成「谁＋在做什么＋在哪里＋什么镜头与氛围」，例如「一只橘猫（谁）伸爪扒拉窗帘（做什么），洒满阳光的客厅（在哪里），镜头缓慢推近，光斑浮动（镜头与氛围）」。四个成分写全，模型的理解空间被约束住，跑偏概率自然下降。
动作描述的写法细节
动作是视频提示词里最容易写糊的部分，几个原则值得记。第一，单个镜头聚焦一个主要动作：伸手拿杯子和转身走向窗台是两个镜头的事，塞进一句里模型会顾此失彼。第二，动作要具体到可画面化：「开心地玩耍」模型无从下手，「追着蝴蝶原地打转」才有画面。第三，给动作加速度与状态词：「缓缓抬头」「快速掠过」「轻轻摇曳」，速度词是调节画面节奏的旋钮。第四，人物动作从简：复杂的连续动作是目前所有视频模型的难点，走路、转头、挥手这类基础动作成功率高，翻跟头、精细手部操作失败率明显上升，非必要不写。第五，动作之间的先后关系用「然后」「接着」明示，模型对顺序词的响应比想象中好。
场景与氛围的铺垫方法
场景铺垫的诀窍是分层描述：先定大环境（城市街道、森林深处、办公室），再补光线（夕阳光、阴天散射光、霓虹灯），再点一两处细节（湿漉漉的路面、飘动的窗帘、桌上的咖啡杯）。三层写下来，画面质感就有了底盘，全部堆在一起也行，但按层次组织更不容易漏。氛围词收尾：温暖、清冷、紧张、宁静，一个词定情绪基调。两个注意事项：场景元素不宜超过四五个，描述太密，模型平均用力反而每个都画不精；场景要与动作匹配，让人物在暴风雪里悠闲喝咖啡，物理逻辑打架，模型只能硬凑，画面自然别扭。风格词也可以放在场景层：写实、动画风、水墨风，风格一旦确定整段提示词保持一致。
迭代改词的判断方法
文生视频很难一次到位，会改词比会写词更重要。改词前先诊断问题归属：主体长歪了，是主体描述不够具体，加外貌细节；动作不对，是动词写得模糊，换更准确的动词；画面太乱，是元素太多，删减场景层；镜头乱晃，是没写镜头描述，补一句固定机位或缓慢运镜。每轮迭代只改一个变量，固定其他条件，这样你才知道哪个改动起了作用，改动一大片等于盲试。好结果出现时把这条提示词存档，标注适用场景，积累一段时间后你就有了自己的提示词库。不同版本的清影对提示词的响应能力有差异，具体以智谱官方最新版本说明为准。成片对外发布时，记得按平台规则添加 AI 生成内容标识。
提示词里的动作和场景谁优先？
- 提示词有没有理想长度？：以四要素写全为准，中文通常几十到一百字左右足够，比长度更重要的是每个成分是否具体、有没有互相冲突。
- 同一个提示词每次生成的结果差别很大正常吗？：正常，生成带有随机性，同一提示词多出几版挑选是常规操作，稳定满意的提示词可以存下来复用。
- 参考图功能能替代文字描述吗？：能分担画面的部分，运动方式、镜头与氛围仍需要文字补充，图文配合的输入方式可控性更好，具体支持的输入形式以官方功能说明为准。
