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
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。

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
- 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。
- 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。

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。

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
- 写出五槽位配方。
- 在快速档上迭代,直到镜头、节奏和音频表现正确。
- 一次只改一个变量。
- 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。