面向开发者的 Kling 4.0 文生视频提示词配方

为什么提示词结构比措辞更重要

大多数团队从措辞入手。他们反复调整形容词、替换近义词，指望下一次渲染效果更好。这对单条片段可行，但一旦进入 API 流水线——同一条提示词必须在几十甚至几百次请求中产出一致结果——这种做法就彻底失效了。

措辞是表层细节。结构才是让输出可预测的关键。

当你调用 kling-4.0/text-to-video 时，模型接收的是一个字符串。在这个字符串内部，模型需要同时解决若干独立决策：主体是什么、环境长什么样、镜头如何运动、以及所请求的片段长度能容纳多少叙事。如果这些决策纠缠在一个流畅的句子里，你就无法判断是哪句话导致了糟糕的渲染，也无法在不干扰其他维度的前提下调整某一维度。

结构化提示词把这些决策分离到稳定的槽位中。这带来三项实际收益：

• 隔离性。 当镜头感觉不对时，你只改镜头槽位。场景描述保持不变，因此你的对比才有意义。
• 复用性。 同一个场景块可以在一个批次中与不同的镜头块组合，这正是低成本探索变体的方式。
• 可诊断性。 当模型或参数变更后输出出现回归时，你可以对比提示词版本，而不是靠猜。

结构胜出还有第二个原因：视频生成的迭代成本很高。每次渲染都消耗时间和预算，且你无法查看中间状态。因为你只能看到最终片段，提示词实际上是你唯一的调试界面。读起来像规格说明的提示词给了你可推理的东西；读起来像诗的则没有。

最后，结构化提示词能经受交接。一个队友能读懂、填写并版本化的配方是资产。一条巧妙的一次性提示词活在某个人的草稿文件里，然后死在那里。

这就是为什么本指南中的配方围绕一个骨架组织，而不是一列神奇短语。短语很重要，但只有嵌入你可控的形状中才能发挥作用。

核心提示词骨架

本指南中的每个配方都是同一个四段式模板的填充。保持顺序稳定，这样你的 diff 才可读。

[SUBJECT] + [SCENE] + [CAMERA] + [PACING]

以下是每个槽位应包含的内容：

主体（Subject）

片段关于谁或什么，附带一两个必须在运动中保持的物理细节。保持具体且视觉化。"一个穿被雨水浸透的风衣的女人" 优于 "一个神秘的人"。这里避免抽象的情绪标签；模型渲染的是身体和物体，不是意图。

场景（Scene）

环境、光照和时间。电影感质量就在这里。指定光的方向和质感，而不是情绪词。"低角度阳光从镜头左侧斜射，硬阴影，空气中的尘埃" 比 "戏剧性光照" 告诉模型更多信息。

镜头（Camera）

景别加运动，作为一个独立分句陈述。因为它是独立槽位，你可以整体替换。一个固定远景和一个缓慢推进共享同样的主体和场景，但产出完全不同的片段。

节奏（Pacing）

片段中应该发生什么，与你请求的时长匹配。短片段支持一个节拍；较长片段可以容纳一个小弧线。

一个填充示例如下：

SUBJECT: a lone cyclist in a dark windbreaker, water beading on the helmet
SCENE: empty coastal road at dawn, overcast sky, wet asphalt reflecting grey light
CAMERA: wide shot, slow lateral tracking at walking pace
PACING: single continuous action, cyclist pedals steadily, no cuts

展平为一条发给 kling-4.0/text-to-video 的请求字符串：

A lone cyclist in a dark windbreaker, water beading on the helmet, on an empty coastal road at dawn, overcast sky, wet asphalt reflecting grey light. Wide shot, slow lateral tracking at walking pace. Single continuous action, cyclist pedals steadily, no cuts.

两条约定让这个骨架在实践中奏效。第一，槽位之间用句号，而不是逗号。这给提示词一种自然的节奏，分隔了各项决策。第二，永远不要意外留空一个槽位。如果你不在意镜头，也要写一个明确的选择，比如 "static medium shot"，这样模型就不会即兴发挥。

把骨架当作契约。当你改变它时，要有意识地改，并提升提示词版本号。

电影感场景措辞配方

电影感输出来自对光和空间的具体描述，而不是听起来像电影的形容词。下面的模式用物理事实替代情绪词。

配方：方向性光照

SCENE: interior workshop at night, single warm lamp from upper right casting long shadows across a cluttered bench, dust visible in the light beam, dark background falling into black

注意是什么在起作用：光源、方向、质感，以及光揭示了什么。"Warm" 和 "night" 设定色调；"upper right" 固定几何关系；"dust visible in the beam" 增加深度。把灯换成窗户，同样的骨架无需改动主体或镜头就能产出不同的场景。

配方：环境纵深

SCENE: narrow alley after rain, foreground puddles with reflections, midground fire escape and hanging cables, distant streetlight haze behind, cool blue-grey palette

明确分层前景、中景和背景，给模型一个深度规划。它也减少了提示词只描述一个平面时出现的模糊中间画面。

配方：带质感的主体动作

SUBJECT: a chef in a white apron, flour dusting the forearms, hands working dough
PACING: continuous kneading motion, flour puffing with each press, no cuts

把动作描述为模型能持续维持的物理循环。连续、可重复的动作在整个片段中比一次性事件更连贯——一次性事件可能被模型提前完成，然后空转。

配方：天气与氛围

SCENE: city rooftop at dusk, thin fog moving through the frame, wind pushing loose fabric, distant skyline softened by haze, low contrast, desaturated

氛围应被描述为会运动的东西，因为视频奖励运动线索。雾、风、雨和飘动的粒子都给画面持续的质感。

应避免的反模式

• 堆叠形容词。 "Epic, stunning, cinematic, beautiful" 没有增加模型能渲染的任何信息。
• 场景里混入镜头词。 把 "slow dolly" 挡在场景槽位之外，这样你才能单独调整它。
• 矛盾。 "Bright night scene" 会不可预测地解析。选一个光照方案并坚持。
• 主体太多。 每增加一个角色或物体都会争夺模型的注意力，增加其中一个畸形的概率。

镜头与景别控制配方

镜头是杠杆率最高的槽位，因为它不改变内容就能改变片段的质感。保持它隔离，以便在批次中替换。

景别词汇

每个镜头分句都以景别开头：极远景、远景、中景、特写、极特写。这一个词决定了主体占据画面的多少以及环境可见多少。

CAMERA: medium close-up, static tripod

运动配方

以下每条都是可直接替换的镜头分句：

CAMERA: wide shot, slow push-in toward the subject
CAMERA: medium shot, lateral tracking left at walking pace
CAMERA: close-up, slow handheld drift with slight instability
CAMERA: wide shot, static, subject moves through frame
CAMERA: medium shot, slow tilt up from hands to face

关键纪律是每个分句只一个运动。把推进、俯仰和滚转组合在同一请求中通常产出糊状结果，因为模型必须混合相互冲突的运动规划。

速度修饰词

对感知质量而言，运动速度比运动方向更重要。使用朴素的修饰词：slow、steady、walking pace、gradual。避免数字速度，因为它们无法可靠地转化为模型的运动规划。

手持与稳定

如果你想要纪录片式的真实感，明确写 "handheld, slight instability"。如果你想要商业级的精致感，写 "stabilized, smooth motion"。不指定这一点是片段感觉不对却找不到明显原因的最常见诱因之一。

在批次中替换镜头

因为镜头是独立槽位，你可以保持主体、场景和节奏不变，生成受控对比。构建一个小型镜头分句数组，循环它，其他一切固定：

cameras = [
    "wide shot, static tripod",
    "medium shot, slow push-in",
    "close-up, handheld with slight drift",
]
for cam in cameras:
    prompt = f"{subject}. {scene}. {cam}. {pacing}."
    # send prompt to kling-4.0/text-to-video

输出集告诉你哪种构图对该内容读起来最好，而且对比是诚实的，因为只动了一个变量。

时长与节奏配方

提示词细节必须匹配片段长度。在短片段中描述三个节拍的提示词会产生仓促、故障的结果。在长片段中只写一个小动作的提示词会产生死时间。

短片段：一个节拍

对于较短时长，描述一个连续的单一动作，不包含叙事进展。

PACING: one continuous gesture, subject turns head slowly toward the light, nothing else changes

剥离任何暗示序列的内容。"then"、"after" 和 "finally" 这类词会诱使模型压缩事件并失去连贯性。

中等片段：一个动作加环境运动

添加环境运动，而不是第二个主体动作。

PACING: subject stands still breathing, cloth shifting in the wind, background smoke drifting continuously

环境运动填充时间，而不要求模型编排新事件。

较长片段：一个小弧线

如果你的时长支持，你可以描述起始和结束状态。保持两个节拍，并让过渡是物理的。

PACING: subject begins facing away, slowly turns to face camera, expression settles into a neutral gaze by the end

陈述起始、运动和结束位置。这给模型一条可插值的轨迹，而不是一段空白时长去填充。

词语与秒数匹配

作为经验法则，每个节拍描述一个物理动作，短片段大致预算一个节拍。如果你发现自己在节奏部分写了超过两句话，要么片段长到足以容纳弧线，要么你过度指定了。

常见节奏错误

• 隐含剪辑。 "Shot one, then shot two" 很少奏效；单次生成是一个连续镜头。
• 说话并运动。 对白加复杂运动是困难组合。倾向于其中一个。
• 时间变化。 片段中的日落很难控制；选一个光照状态并保持。
• 人群编排。 多个独立运动的形象会迅速劣化。把人群当作质感，而不是演员。

在流水线中测试配方

提示词配方就是代码。它应该像代码一样被版本化、测试和记录。

把提示词作为资产版本化

把每个配方存储在一个文件中，附带版本标识符和填充好的槽位。不要把它们作为字符串埋在应用逻辑里。当你改动一个短语时，那就是新版本，旧版本保持可用以进行对比和回滚。

{
  "id": "cyclist_coastal_v3",
  "subject": "a lone cyclist in a dark windbreaker...",
  "scene": "empty coastal road at dawn...",
  "camera": "wide shot, slow lateral tracking...",
  "pacing": "single continuous action..."
}

运行小型对比批次

在把配方提升到生产之前，生成一个小批次——少数几个变体，不是几百个。一次只改一个槽位。按你在意的维度给输出打分：主体保真度、运动稳定性、构图，以及片段填充时长的程度。提升优胜者并记录决策。

把提示词、参数和输出一起记录

每次请求都应写入一条记录，包含提示词版本、填充的槽位、请求参数、输出标识符和你的质量分。当之后出现回归时，那条日志是五分钟诊断和一天瞎猜之间的差别。

log = {
    "prompt_id": recipe["id"],
    "prompt": flattened_prompt,
    "params": {"prompt": flattened_prompt},
    "output": response_id,
    "score": manual_score,
}

保留回归集

一旦配方进入生产，保留一小套冻结的提示词及其被接受的输出。在任何模型或参数变更后，重跑该集合并对比。这能在用户发现之前捕捉到静默漂移。

一个简单的提升循环

从骨架起草配方，填充槽位，针对某个槽位的替代方案运行小批次，打分，然后把优胜者提升为带完整日志的版本化资产。随着内容需求变化重复。

把每个配方当作可测试的产物，流水线就不再是老虎机。你可以从 kling-4.0/text-to-video 端点开始，在其上构建自己的版本化库。