博客

使用指南

Kling 3.0 Omni 图生视频提示词配方:面向开发者的复制粘贴模板

首帧/尾帧结构、镜头运动措辞、原生音频线索和稳定性负面清单——配有真实生成的片段

2026年11月10日
近黑的绿色背景上,扁平黄铜色与绿色缎带交错编织成开放式网格;这是 Kling 提示词配方指南的封面图。
本页内容
使用 kling-3.0-omni 图生视频生成的首帧到动态演示——文中拆解的正是这个可直接复制粘贴的提示词配方。

为什么提示词结构比长度更重要

大多数图生视频提示词失败,不是因为它们太短,而是因为它们没有顺序。一段混杂了主体描述、镜头意图、音频氛围和修复指令的文字,无法给模型提供从文本到运动的确定性映射。当生成的片段出错时,你无法判断是哪一句导致的——所以你无法修复,只能重抽。

实际可行的解决办法是分节纪律。把提示词视为一份固定的五块契约,始终按同一顺序排列:

  1. 帧锚定——哪张图是起始帧,哪张是结束帧,以及这种绑定的严格程度。
  2. 主体——画面中是谁或什么,以及必须在转场中保持不变的身份细节。
  3. 运动——两帧之间物理上发生了什么变化,用朴素的时间性表述。
  4. 镜头——视点如何移动(或明确保持静止)。
  5. 音频 + 负面——原生声音线索,然后是要抑制的失败模式。

这个顺序与模型解析约束的方式一致:它先锁定帧,再决定什么在动,然后决定观众站在哪里,最后填充非视觉输出。把音频和负面放在最后,意味着关于声音或修复的指令不会干扰视觉推理。

对工程团队来说,回报是可复现性。稳定的骨架意味着两个提示词版本之间的 diff 是可读的:你改的是镜头那一行,而不是整块内容。这也意味着提示词变成了参数而非散文——你可以在流水线中对它们做模板化、版本化和 A/B 测试,这正是后续章节要构建的方向。

长度是症状,不是杠杆。按固定顺序写的 60 词提示词,胜过把形容词堆在前面的 200 词段落。先把已有的每条提示词压缩进这五个槽位,删掉任何放不进槽位的内容。

基础配方:可直接复制粘贴的提示词骨架

以下是标准骨架。粘贴它,填写方括号内容,删掉你确实不需要的槽位——但保持顺序。

[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: [describe end state, or "none — open-ended continuation"].
Transition: [smooth continuous | single cut-free motion | holds start pose].

[SUBJECT]
[Subject identity + 2-3 invariant details that must not change].

[MOTION]
[What moves, direction, and how far — one sentence per moving element].

[CAMERA]
[Static locked-off shot | slow push-in | left-to-right pan | gentle orbit].
Pace: [slow and even | builds to a faster finish].

[AUDIO]
Ambience: [environment sound].
Music: [feel, not genre-name dropping].
Sync: [what the audio should land on].

[NEGATIVE]
flicker, morphing, warping text, extra limbs, identity drift

一个填好的示例——窗台上陶瓷杯的产品镜头:

[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: same cup, steam gone, light shifted warmer.
Transition: smooth continuous motion, no cuts.

[SUBJECT]
Matte white ceramic cup, thin dark rim, wooden windowsill.

[MOTION]
Steam thins and disappears over the shot; curtain edge drifts slightly.

[CAMERA]
Static locked-off shot, very slow push-in.
Pace: slow and even.

[AUDIO]
Ambience: quiet room tone, faint birds outside.
Music: soft, sparse, low volume.
Sync: birds chirp as steam vanishes.

[NEGATIVE]
flicker, morphing, warping text, extra limbs, identity drift

通过 kling-3.0-omni/image-to-video 运行,会生成一个杯子始终是杯子、变化清晰可辨、音频起支撑而非竞争作用的片段。它之所以有效,是因为每个分句只做一件事:锚定约束几何,主体护栏身份,运动是唯一被允许变化的东西,镜头是明确声明而非暗示,负面则作为独立闸门处理。

保持两个习惯:按时间顺序写运动(“变薄,然后消失”),永远不要让镜头和主体互相打架——如果主体向左走,就不要同时快速向左环绕,除非你想让画面失去稳定感。

槽位纪律

每个槽位只应包含它自己的关注点。如果你发现自己写下“镜头缓慢推近,同时杯子的蒸汽变形为一只鸟”,你就把镜头和运动合并进了一个分句,失去了独立调节任一方的能力。拆开它。

首帧与尾帧配方

使用两帧的图生视频是一个插值问题,不是生成问题。模型的工作是在两个固定状态之间找到一条可信的路径。当提示词描述的是场景而不是转场时,就会在这里失败——模型随后会重新解释内容,终点发生漂移。

配方:严格端点,最少发明

当两帧都存在,且你希望模型字面地连接它们时使用。

Start frame: provided image, preserved exactly.
End frame: provided image, preserved exactly.
The clip must begin on the start frame and end on the end frame.
Do not introduce new subjects or objects. Only intermediate motion.
Transition: continuous, no cuts, no scene change.
Motion: [the single physical change that carries start to end].
Camera: static locked-off shot.

关键句是只做中间运动。它告诉模型端点是约束,不是建议。声明静态镜头移除了另一个自由度,使插值稳定得多。

配方:开放式延续

当你只有起始帧并想要自然延伸时使用。

Start frame: provided image, preserved exactly.
End frame: none — open-ended continuation of the same scene.
Transition: continuous motion, same location, same lighting.
Motion: [primary action], resolving within the clip length.
Camera: [declared move].
Negative: scene change, new location, new characters.

没有结束图时描述结束状态

如果没有尾帧但你想要一个方向性结果,用外观术语描述结束状态,而不是事件:“液体已静止不再流动”“门完全打开”“蒸汽消失”。外观状态在视觉上可验证;事件描述(“角色决定离开”)会诱使模型发明调度。

两条规则可以防止大多数端点失败:

  • 明确声明起始帧的永久性。“精确保留”比“将图像用作参考”更强。
  • 保持转场数量为一。如果两件事必须变化,让一个领先、另一个跟随,按顺序书写。相互竞争的转场会被读作场景切换,模型会重新生成而不是插值。

镜头运动与节奏措辞

模糊的提示词最常在这里塌缩成随机漂移。解决办法是为每个镜头命名运动、命名目标、命名速度——三个词。

映射清晰的运动

  • 推近——“slow push-in toward [subject], centered.” 可预测,适合产品和肖像揭示。
  • 拉远——“slow pull-back revealing [context].” 当起始帧是细节时使用。
  • 摇镜——“left-to-right pan across [scene], constant speed.” 始终给出方向和恒定性。
  • 俯仰——“gentle tilt up from [lower element] to [upper element].”
  • 环绕——“slow orbit around [subject], subject stays centered.” 环绕最容易失败;居中的分句防止主体滑出画面。
  • 静态——“static locked-off shot, no camera movement.” 即使你认为显而易见,也要写出来。

不用无法验证的数字来表达节奏

你不必猜测帧数。用映射到节拍的副词描述节奏:缓慢而均匀、稳定、逐渐加速收尾、在最后一刻安定下来。这些会转化为加速和减速,契合短视频节拍,而你无需承诺一个无法测量的时间点。

对于短视频节奏,可靠的模式是每个片段一个镜头运动。一个推近变成摇镜再变成环绕,读起来像演示 reel,而不是一个镜头。如果你需要第二个运动,按顺序排列:“先缓慢推近,然后短暂保持。”

保持镜头与主体独立

在提示词中始终分行书写:

Camera: slow push-in toward the subject.
Pace: slow and even.
Motion: the subject turns slightly toward the camera.

三行,三个关注点。当你合并它们——“the camera pushes in as the subject turns”——你就失去了在不干扰另一方的情况下改变一方的能力,小编辑会产生大的不可预测波动。

最后,在重要时声明景别:“medium shot”“close-up”“wide establishing shot”。景别是一个廉价的约束,可防止模型在片段中途重新构图。

原生音频提示

kling-3.0-omni/image-to-video 会随画面生成原生音频。最常见的错误是把音频描述混入运动句子,导致音频线索被当作视觉指令读取。把音频放在自己的块中,只用声音术语书写。

三个槽位,始终按此顺序

Ambience: [continuous environment sound].
Music: [feel and density, not track names].
Sync: [what the audio should land on].

环境音是底床:房间底噪、风声、街道嗡鸣、水声。除非你想让它突出,否则将其描述为连续且低电平。

音乐应按感觉和密度描述——“稀疏而轻柔”“稳定低脉冲”“明亮轻盈”。命名流派比描述质感更弱,因为模型必须将短语映射到声音配置;形容词比标签映射得更一致。

同步是时间桥梁。命名一个视觉事件以及应落在其上的声音:“盖子合上时一声轻响”“蒸汽消失时鸟鸣”。每个片段一到两个同步点就足够。超过这个数量,音频会变得繁忙,画面也会被拉向匹配每个线索。

有效的线索

  • 起始:“声音随运动开始”——适用于切入片段。
  • 淡出:“环境音在结尾淡出”——防止突然截断。
  • 强调:“当[物体]落下时一声轻柔撞击”。
  • 克制:“无音乐,仅环境音”——一个合法且通常更好的选择。

混合而不冲突

如果环境音和音乐同时存在,声明一次它们的关系:“环境音低,音乐在其下。”这花费一个分句,防止两个底床打架。

一个警告:不要用拟声词或音效名称描述音频。“Whoosh”和“ding”在不同上下文中含义模糊。改为描述来源和特征——“布料掀起时一小阵轻柔的噗气声”。音频块应读起来像音效设计师的笔记,而不是漫画。

稳定性负面清单

负面是修复层,不是创意工具。保持简短、有针对性、可复制粘贴。以下是基础清单,然后是每个词针对的失败模式。

flicker, morphing, warping text, extra limbs, identity drift,
scene change, jitter, frame tearing, duplicated objects

失败模式 → 术语

  • 帧间亮度闪烁 → flicker
  • 物体在帧间融化或融合 → morphing
  • 招牌和字幕扭曲 → warping text
  • 手和肢体增生或塌缩 → extra limbs
  • 面部或产品身份在片段中途改变 → identity drift
  • 背景重新生成为新地点 → scene change
  • 本应静态的镜头出现微抖动 → jitter
  • 帧边界出现边缘伪影 → frame tearing
  • 运动模糊导致重复物体出现 → duplicated objects

条件性负面

仅在失败实际发生时添加这些——过长的负面清单会稀释每个词的效果:

  • 对于文字密集的帧:illegible text, scrambled letters
  • 对于产品镜头:shape distortion, color shift
  • 对于肖像:asymmetric face, warped eyes
  • 对于慢镜头:sudden motion, pop-in

将清单用作检查表

把它当作飞行前检查,而不是提示词配件。在运行一批任务之前,问你的场景暴露于哪些失败模式。静态产品镜头需要闪烁和形状扭曲护栏;运动主体需要身份漂移和肢体术语;含文字的帧需要文字术语。其余一切使用基础清单。

当片段失败时,只改一件事——添加一个负面,或收紧一行运动——然后重跑。一次批量编辑五个负面,无法告诉你哪一个起了作用。

将配方适配为 API 流水线

活在笔记本里的提示词无法扩展。最后一步是把骨架变成带变量的模板化字符串,使配方可以通过 HiAPI API 进行版本化、审查和批量运行。

将骨架模板化

PROMPT = """[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: {end_frame}.
Transition: {transition}.

[SUBJECT]
{subject}

[MOTION]
{motion}

[CAMERA]
{camera}
Pace: {pace}.

[AUDIO]
Ambience: {ambience}.
Music: {music}.
Sync: {sync}.

[NEGATIVE]
{negatives}
"""

每个变量都是配方中的一个槽位。模板本身从不改变——只有变量改变——这意味着提示词 diff 是一行的 diff,回归可以追溯到特定槽位。

将配方保存为数据

将每个配方存储为带名称和版本的字典:

recipes = {
  "product-static-v2": {
    "end_frame": "none — open-ended continuation",
    "subject": "matte white ceramic cup, thin dark rim",
    "motion": "steam thins and disappears",
    "camera": "static locked-off shot, very slow push-in",
    "pace": "slow and even",
    "ambience": "quiet room tone, faint birds",
    "music": "soft, sparse, low volume",
    "sync": "birds chirp as steam vanishes",
    "negatives": "flicker, morphing, warping text, extra limbs, identity drift",
  }
}

版本名要有意义,而不只是数字——product-static-v2 告诉你改了什么;v2 不能。当新失败出现时,添加新版本而不是原地编辑,这样旧输出保持可复现。

批量纪律

  • 调参时一次只渲染一个变量。只有在配方稳定后才批量运行。
  • 每次输出都记录填充后的提示词字符串。没有它,你无法归因一个坏片段。
  • 保持共享的负面基础,让配方扩展它,绝不替换它。

API 在哪里适用

配方结构是面向模型的,因此它可以完整地传递到 HiAPI 上的 kling-3.0-omni/image-to-video:你发送帧输入加上渲染后的提示词字符串,你在模板中强制执行的节顺序就是模型看到的节顺序。这就是骨架的全部意义——它同时是人类可读的文档和生产中的确切字符串。

从一条配方开始,为其建立版本,让变量名说话。有关端点细节和参数名称,请参阅 HiAPI API 文档。

立即开始构建持久 AI 产物

获取 API 密钥,通过一个基于任务(task)的 API 调用图像、视频和音频模型。

阅读 API 文档