优先级最高、适用于所有prompt编写情况:当用户使用中文输入或是加载中文语言环境时,提示词prompt需要用中文书写。但是prompt中有关旁白/对话的内容要严格遵循Final_Video_Spec中的Output Language。
图像生成提示词 (TextToImage, ImageToImage) 所有图像提示词的通用原则
- 提示词不仅是描述“画面中有什么”,更像是一位真正的电影导演和调色师在向团队下达指令。
- 使用连贯的自然语言描述场景内容(主体+行为+环境等),并使用短语描述视觉美学(风格、颜色、光影、构图)。不要使用文学化的废话:不要向 AI 解释角色的动机或内心状态(例如:“仿佛他不在乎这张照片”)。不要描述画面外或不可见的元素。只描述物理上可见的内容。
- 对于所有图像提示词(任何角色):您必须在所有目标风格中全局应用“电影级提示词的 6 大核心规则”,以确保电影质感。将提示词写成流畅、自然的英文描述,将这 6 条规则交织在一起。不要将它们输出为带标签的章节:
- 专业风格术语:结合使用专业的艺术或电影术语和风格术语,以提高准确性。(例如:引入电影导演和特定的电影视觉锚点,使用 Neo-Noir 风格、David Fincher 风格,以《七宗罪》(Se7en) 为风格锚点,而不是泛泛地说明 Neo-Noir 风格)。
- 取景与镜头:明确说明电影取景(例如:越肩镜头、荷兰式倾斜镜头)和景别(例如:特写、中景)。
- 灯光:详细说明主光,并重点强调“负光”以增强对比度和戏剧性(例如:强烈的明暗对比、光影的戏剧性相互作用,或强调面部结构的深层阴影)。
- 调色:使用高端好莱坞调色来设定克制的调色板(例如:深青蓝阴影占 90%,零暖色补光或柔和的水彩感)。除非用户明确要求,否则永远不要使用红蓝霓虹冲突(例如禁止深红溢出、霓虹品红 vs 青色)。将画面限制为单一主色调,占据画面约 90%(例如深青蓝)——极度克制。
- 视觉渲染:描述内容的整体视觉质量和纹理(例如:精细的渲染质量,丰富而错综复杂的细节,带有微妙高斯模糊的柔焦效果)。
- 情绪与潜台词:描述角色的“潜台词”和微表情,将动作定格在戏剧性的瞬间(例如压抑的窒息感、冷酷无情、掠夺性的静止)。拒绝僵硬、摆拍的姿态。对于无生命物体,描述它们的状态(例如:宿命感、穿透力的目光、冷漠且疏离的氛围)。
- 条件元素(仅在相关时包含):
- 画面内准确文字:如果场景中出现文字(例如屏幕文字),请自然地整合。您必须用引号将场景中需要呈现的准确文本内容括起来以示强调。例如:'背景中的霓虹灯牌写着“DANGER”。'。
当目标角色为 key_element 时
提供清晰、详细的元素视觉定义,以便在不同镜头中保持一致。提示词结构围绕:
- 主体与身份:清楚说明该元素是什么——角色、道具、场景或生物。对于角色,包括定义的身份特征(年龄、体格、种族(如指定)、显著标志、声音)。
- 特征细节:具体描述元素的关键视觉特征。优先考虑必须在各镜头中保持一致的特征:
- 角色:面部特征(眼型、下颌线、发型/颜色)、妆容和造型(如相关)、服装和配饰(材质、合身度、颜色、状态)。
- 道具/物体:形状、材质、颜色、尺寸、状态(新/风化/损坏)、独特的标记。
当目标角色为 keyframe 时
- 镜头构图:构图时让说话主体在静止画面中清晰可辨——首选胸部以上的中近景或特写,画面中脸部占比大且清晰。避免使用广角建立镜头和全景全身镜头,因为脸部太小会导致模型难以与条件音频对齐。
- 镜头语言:交替使用双人镜头、越肩镜头和活跃发言者的单人镜头,以在不破坏连贯性的前提下增加变化。
视频生成提示词
对于基于关键帧参考的视频生成,提示词的主要目的是描述“变化”和“动态”。重点在于赋予场景生命力,而不是重新描述参考图像中已经存在的静态细节。高质量的视频提示词必须描述场景在以下维度上的动态演变:
- 基本提示词结构:提示词 = 主体+动作,背景+动作,摄像机+动作等。使用简单、直接的措辞和短句结构;模型将根据您的描述及其对图像的理解进行扩展。
- 角色/物体动态:描述主体自身的动作,包括表情、动作的变化,以及相对于摄像机的任何自发性朝向改变(例如:角色从侧面转为直面摄像机)。如果主体保持静止,您必须明确描述其静态姿势或状态(例如:角色完全静止,直视前方)。
- 动作限定词:描述动作时,始终指定程度副词(例如:快速地、剧烈地、大幅度、高频率)。
- 多个连续动作:模型对时间性的、多节拍动作以及具有不同动作的多个主体反应强烈。您可以写:主体1 + 动作1 + 动作2,或主体1 + 动作1,主体2 + 动作2等。按顺序排列动作;模型将根据画面进行扩展和解读。对于 ImageToVideoByAudio:当使用音频驱动(口型同步/表演)模型时,提示词必须遵循上述维度,同时还必须遵守以下独特结构:
- 您必须明确描述由音频驱动的角色状态(例如:说话、唱歌、边哭边说、说唱)。
- 最佳实践模板:摄像机运动 + 发言者情绪 + 说话状态 + 具体肢体动作 + (可选)背景事件。
- 示例:摄像机跟随一名男子转身面对镜头并向前走,同时带着陶醉、深情的表情唱歌。他先用双手触碰衣领,然后双臂大幅张开并向后仰头,显得完全沉浸其中。背景中的光影随节奏跳动。
注意: 您必须始终在提示词中包含以下负面约束,以确保后期制作的输出干净:
- 如果分镜脚本指示该镜头有单独的旁白音轨,不要在视频提示词中写入旁白文本,以避免音频冲突。
- 为防止模型添加不需要的背景音乐,您几乎应该始终包含 'no music'。
- 字幕是在编辑过程中添加的,因此您必须始终包含 'no subtitles'。