博客

使用指南

wan2.6-flash 图生视频提示词配方:可直接复制粘贴的有效提示词

首帧描述、镜头与节奏措辞、原生音频提示、1080P 快速档权衡,以及一份负面提示词清单

2026年11月20日
深色水墨背景的扁平封面图,青瓷色与石板色的液态飘带相互交错、层叠翻折;指南文章封面。
本页内容

为什么图生视频提示词需要配方,而不是一段散文

大多数人第一次写图生视频提示词时,会写成一段话——把画面里的所有内容以及他们希望发生的一切都密集地描述出来。在文生视频模型上这说得通,因为模型没有别的依据。但在图生视频上,这样做会适得其反。

输入图像已经锁定了构图:主体位于何处、光线是什么样的、背景里有哪些物体、色彩搭配、镜头特性。如果你用散文把这些全部重新描述一遍,你就会把大部分提示词预算花在模型已经能看到的东西上,而留给那些它看不到的东西的空间就非常少:主体如何运动、镜头随时间如何表现、这一刻应该感觉快还是慢、以及场景应该听起来是什么样。

把静帧看作起始状态,把提示词看作叠加在它之上的一组指令。每条指令回答一个不同的问题:

  • 什么必须保持原样不变?
  • 什么在动,朝哪个方向动?
  • 镜头相对主体如何运动?
  • 整段视频的节奏是什么?
  • 我们听到什么?
  • 什么绝对不能出现?

这六个问题自然地对应到少数几个提示词槽位。配方不过是为这些槽位规定固定的填写顺序,让你生成的每个镜头都以同样的方式被描述。正是这种一致性让输出之间可以比较——而比较正是让你能改进提示词、而不是靠猜的关键。

一段散文会让模型以同等权重把所有东西混在一起。而配方让你能指向某一个槽位,改动一行,并知道是什么造成了差异。本指南的其余部分就是针对这些槽位的可直接复制粘贴的配方,以及在快速 1080P 档位上你会遇到的实际权衡。

静帧固定画面;提示词应当引导它分叉出的运动、镜头、节奏与音频之流。

五槽位提示词骨架

本文中的每个配方都是对同一个骨架的填写。每次都要按这个顺序写:

[1] FIRST FRAME:镜头里有什么,什么必须保持不变
[2] CAMERA:一个运动、方向、速度
[3] PACING:节奏,以及运动在整段视频中如何演变
[4] AUDIO:环境底噪 + 任何事件音效,与视觉节拍绑定
[5] CONSTRAINTS:要抑制的内容的简短清单

为什么顺序很重要

把首帧锚点放在第一位,因为模型最早的决策就是关于保持身份与布局。镜头放在第二位,因为在大多数镜头里它是运动的最大单一来源——如果镜头运动错了,其他任何东西都救不回这段视频。节奏放在第三位,这样节奏指令可以塑造你刚刚描述的运动,而不是与之对抗。音频放在第四位,因为它应当跟随你已经定义的视觉节拍。约束放在最后,作为一段紧凑的收尾。

一个填写完整的示例

FIRST FRAME:保持男子的面部、夹克以及湿滑街道上的反光不变。
CAMERA:缓慢推近,径直朝向主体,不旋转。
PACING:稳定、从容;运动在视频结束时完成。
AUDIO:轻柔的雨声环境;脚步声轻柔而连续。
CONSTRAINTS:无闪烁,无面部变形,无镜头抖动。

保持骨架简短

每个槽位应当是一到三个短句。如果某个槽位超出了这个长度,多出来的文字几乎总是那些不能引导运动的美学形容词。把它们删掉,把真正重要的内容作为负面项放进约束槽位。

填写骨架的两条规则

  1. 每个镜头只用一个镜头运动。一段视频里用两个运动,是造成抖动、难以辨认的运动最常见的原因。
  2. 用具体动词而不是形容词。“旗帜升起并卷曲”胜过“一种戏剧性、电影般的氛围”。

无论你是在给肖像、产品静帧还是风景做动画,骨架都是一样的。只有每个槽位的内容会变——而这正是下面这些配方所涵盖的。

五槽位骨架:五个堆叠的槽位,任何镜头都从上到下依次填写。

描述首帧,让运动有锚点

首帧槽位不是图像说明。它的职责是告诉模型哪些像素是承重的,这样模型就不会重新发明它们。

命名锚点,而不是描述场景

不要描述整张图,而是列出必须在整段视频中保持下来的元素:

FIRST FRAME:保留女子的面部和发型、她的灰色外套、她身后的
窗框,以及画面左侧的暖色台灯。

你不是在告诉模型这张图是什么。你是在告诉它哪些部分是定义身份的关键:面部、服装、标志、文字、有辨识度的道具,以及主光源方向。

把固定与运动分开

这个槽位里最有用的一句话,是把世界一分为二的那句:

FIRST FRAME:产品瓶身和桌面保持固定;只有背景窗帘
和瓶身表面的光线发生变化。

这一个模式就能抑制大多数不需要的全局运动,因为模型现在知道运动可以发生在哪里。

锚定起始姿态

对于人物和动物,说明首帧的姿态,这样运动就有了起点:

FIRST FRAME:主体坐姿,双手放在桌上,头略微
turn向左;在视频开头保持这个起始姿态。

锚定光线

光照方向是最容易漂移的东西。一个短句就能让它稳定:

FIRST FRAME:主光保持来自右上方,阴影不变。

应当省略什么

  • 不要重复图像已经展示的调色、胶片风格或镜头细节。
  • 不要描述不在画面中、且你不想让它出现的物体。
  • 不要用华丽的辞藻重新陈述主体的外观;一份简短的锚点清单比一整段描述更有力。

把首帧槽位当作一道围栏。你在里面点名的所有内容都受到保护;其他一切都可以自由运动——而运动方式由你在下一个槽位中说了算。

两个面板上的固定锚点保持完全一致;只有高亮的水流在帧之间移动。

真正能推动镜头的镜头与节奏措辞

镜头措辞对这个片段的改变比任何其他槽位都大,而含糊的风格形容词正是在这里造成最大破坏。“电影级镜头调度”什么也没告诉模型。“缓慢推近,不旋转”则告诉它一切。

使用一个小型镜头运动词汇表

保持一份简短、具体的清单,每个镜头只选其中一个:

  • push in(推近)——镜头朝主体移动
  • pull out(拉远)——镜头远离主体
  • pan left / pan right(左摇 / 右摇)——原地水平旋转
  • tilt up / tilt down(上仰 / 下俯)——原地垂直旋转
  • track left / track right(左移 / 右移)——沿主体侧面横移
  • orbit(环绕)——围绕主体转圈
  • static(静止)——完全没有镜头运动;运动只来自场景本身

始终加上速度:slow、steady 或 fast。并且始终加上你在意的反面情形:“no rotation”、“no handheld shake”、“no zoom”。

CAMERA:缓慢推近,正面直拍,不旋转,不抖动。

一个镜头运动搭配一个主体动作

干净的镜头通常恰好有一个镜头意图和一个场景内动作:

CAMERA:缓慢右移,让主体保持在画面中央。
PACING:主体在整个片段中转头跟随镜头,
在最后三分之一达到最终姿态。

把节奏写成时间线,而不是副词

“慢慢地”很弱,因为它没有参照点。把运动锚定到片段的时长上:

  • “运动在片段开头开始,并在结束时完成”
  • “在开场节拍保持第一个姿态,然后才运动”
  • “动作在最后三分之一内完成”

这种措辞能防止模型在第一秒就匆忙完成运动、然后冻住——这在短片段中是非常常见的失败。

针对每种意图的节奏配方

# 平静的产品镜头
PACING:非常缓慢、连续、无加速。

# 揭示
PACING:先保持,然后做一次平滑运动,在接近结尾时完成。

# 动作节拍
PACING:从首帧立即运动,匀速,不停顿。

应当避免什么

  • 一段视频里有两个镜头运动。
  • 堆叠形容词(“史诗般的横扫式戏剧性镜头”),没有方向或速度。
  • 只把节奏描述成一种情绪(“紧张”),没有时间参照。

如果你不确定,就选更简单的运动。一个有清晰主体动作的静止镜头,比一个雄心勃勃却会抖动的多运动镜头更实用。

在提示词中加入原生音频提示

当模型支持原生音频时,音频槽位不是装饰——它是一条第二条时间线,应当与你已经写好的视觉节拍对齐。

把环境声与事件声分开

每段音频描述都有两层:

AUDIO:
  环境声:路面上持续的雨声,远处交通的低鸣
  事件声:轻柔的脚步声,从主体的第一步开始,
          持续到片段结束

环境底噪是连续的;事件声是有时间点的。把它们分开写,可以避免把一条定时的提示埋在一大堆氛围声里。

把声音与视觉节拍绑定

引用节奏槽位,让音频和运动共用同一个时钟:

PACING:主体在片段的前半段抬起杯子。
AUDIO:咖啡馆的低语环境声;一声陶瓷轻响,在杯底
       落到碟子上的后半段响起。

对于短片段,一两个定时事件就足够了。再多,音频就会变得嘈杂,难以可靠地描述。

保持词汇的物理性

像描述物体一样描述声音:来源、材质、距离。

  • 好:“干燥的脚步声踩在碎石上,靠近镜头”
  • 弱:“戏剧性的音效设计”
  • 好:“低沉的风声,很远处,没有人声”
  • 弱:“电影级氛围”

不要把什么放进音频槽位

  • 对话和歌词。语音是一个独立且更难的问题;在音频槽位里描述台词并不可靠。如果你需要一个无声镜头,就明确说明:“仅环境声,无人声。”
  • 没有行为描述的音乐流派标签。“Lo-fi 节拍”不如“稳定的低频脉冲,无人声”有用。
  • 没有可见来源的声音。如果你要求一个声音,但它的成因不在画面中、也不在动作中,模型就没有依据来决定何时放置它。

一个安全的默认值

如果镜头不需要音频细节,一行环境声也比没有好:

AUDIO:只有安静的室内底噪,无人声,无音乐。

这一行可以防止随机的语音或音乐提示音,让片段在你先迭代视觉槽位时保持可用。

1080P 快速档:什么时候速度值得这个权衡

快速 1080P 档位的存在是为了让你能快速迭代。把它当作按镜头设置的旋钮,而不是项目级设置。

用通俗的话说这个权衡

更高的输出分辨率能带来更干净的细节、更稳定的精细纹理,以及更好的小特征保留——远处的面部、文字、细长结构。更快的档位则用一部分保真度和稳定性换取更短的周转时间。正确的选择取决于那一刻这个镜头是用来做什么的。

在以下情况使用快速档

  • 你还在寻找方案。构图、镜头运动和节奏决策即使精细细节看不清也能看出来。把你所有的提示词迭代都放在这里做。
  • 主体大而简单。近景肖像或纯色背景上的产品,几乎没有精细细节可丢失。
  • 镜头只是占位。剪辑时间、故事板动态分镜和剪辑测试不需要最终保真度。
  • 你需要很多变体。当你在比较十种候选运动时,速度比精致度更重要。

在以下情况多花成本

  • 精细纹理承载着镜头。织物纹理、发丝、植被、水花和密集背景,是保真度差异最先显现的地方。
  • 文字或标志可见。小号字体很快就会劣化。
  • 片段是最终交付物。任何面向观众发布的内容都值得做更高保真度的处理。
  • 你已经锁定提示词。一旦配方稳定,就用更高设置重新运行获胜的提示词,而不是把所有东西都重跑一遍。

一个实用工作流

  1. 写出五槽位配方。
  2. 在快速档上迭代,直到镜头、节奏和音频表现正确。
  3. 一次只改一个变量。
  4. 把锁定后的配方用更高保真度设置重新运行,得到最终版本。

关键的纪律是不要把这两件事混在一起。不要在镜头运动还不对的时候去打磨保真度,也不要在昂贵的设置上反复重roll构图。

你可以直接在 wan2.6-flash 图生视频模型页面 上尝试这些配方,并在那里的价格面板查看当前的档位详情,因为计费和档位可用性存在于站点自身的价格视图中,而不是本指南里的固定数字。

负面清单

负面提示词是便宜的保险,但一长串负面词会变成噪音。保持一份简短的常备清单,只追加你实际看到的失败。

常备清单

每个配方都以这段收尾开头:

CONSTRAINTS:无闪烁,面部和手部无变形,直线边缘
无扭曲,无不需要的镜头漂移,无文字或水印伪影。

这涵盖了最常见的失败:

  • 闪烁——亮度或纹理逐帧脉动。
  • 变形——面部、手部和小物体融合或溶解。
  • 边缘扭曲——直线(门框、桌边、产品轮廓)弯曲。
  • 镜头漂移——你要求静止时镜头却在缓慢移动。
  • 文字伪影——源图像中干净的文字变成了乱码。

根据证据添加负面词

不要预先写二十条负面词。当某次运行以特定方式失败时,只添加一行描述它:

CONSTRAINTS:无闪烁,无变形,无不需要的镜头漂移,
无额外人物进入画面。

最后一行是因为上一次运行引入了一个路人而添加的。把原因记在你的笔记里——而不是提示词里——才能让提示词保持干净。

想要的东西用正面表述

负面词只做抑制,不做创造。“不要模糊背景”不会产生清晰的背景。如果你想要某样东西出现,就在首帧槽位或镜头槽位用正面指令说出来,并把约束槽位留给抑制那些不应该出现的东西。

每个真实失败类别下不超过五项

如果你的约束行开始读起来像法律免责声明,那就拆分问题:在镜头槽位用“不旋转、不抖动”来修复镜头漂移,让约束收尾保持简短。一个大部分都是禁止项的提示词,留给真正让片段成立的运镜指令的预算就所剩无几了。

迭代配方而不迷失方向

本指南中的配方是起点,不是成品提示词。把它们变成可靠东西的工作流很无聊但有效:每次运行只改一个变量,并记下发生了什么。

一次只改一个槽位

如果片段不对,不要冲动地重写整个提示词。挑出最可能负责的槽位,只改那一个:

  • 运动方向错误 → 镜头槽位。
  • 运动太快或结束太早 → 节奏槽位。
  • 主体身份漂移 → 首帧锚点。
  • 随机声音或人声 → 音频槽位。
  • 重复出现的伪影 → 约束收尾。

每次运行只改一处,就意味着只有一处可归因的差异。一次性全部重写,你什么都学不到,即使下一个片段更好。

保留运行日志

每个镜头一份简短的无表格日志就够了:

shot:product_hero_01
recipe:v3
change:camera “缓慢推近” -> “static,无运动”
result:运动干净;主体动作现在读起来清晰
next:试试“非常缓慢地推近”做对比

三个字段——改了什么、发生了什么、下一步做什么——就足以让一个提示词在团队中可复现。当有人问为什么某个镜头看起来是这样,日志会给出答案。

冻结获胜的配方

当某个配方稳定下来,就停止编辑它。把它复制到一个共享库中,附上一个简短的名字并附上运行日志。新的镜头应当从最接近的已冻结配方开始,而不是从空白提示词开始。这就是提示词集如何成为资产,而不是一堆一次性字符串。

知道何时停止

迭代的回报是递减的。如果连续三次单变量改动都没有带来有意义的提升,问题通常出在输入图像上,而不是提示词——一个姿态含糊或背景拥挤的首帧会一直跟你作对。换掉静帧,然后重新运行锁定后的配方。

循环很简单:运行、比较、改一处、记下来。坚持这样做,你每完成一个镜头,配方用起来都会更快。如果你想找一个起点,就从 wan2.6-flash 图生视频模型页面 开始,并用上面的骨架填写这五个槽位。

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