生视频提示词工程 | 从画面描述到镜头调度

摘要：AI 生视频和 AI 生图最大的区别在于：图像提示词描述一帧，视频提示词描述一段运动。想让 Sora、Veo、Runway 这类视频模型稳定出片，提示词不能只写“一个人在街上走”，还要写清楚镜头类型、主体动作、环境变化、摄像机运动、时长、节奏、风格、音效、连续性和不要出现的内容。本文整理 OpenAI Sora、Google Veo、Runway Gen-4/Gen-4.5 等官方资料中的共通方法，给出一套可复用的生视频提示词框架，并说明如何用 4sAPI 做视频 API 工作流管理。

关键词：生视频提示词、大模型API中转站、4sAPI、Sora、Sora2、Veo、Runway、视频生成API、Prompt Engineering、AI视频、镜头语言

适合读者：AI 视频创作者、短视频运营、广告创意团队、导演/分镜师、AI 应用开发者、自动化工作流用户，以及正在用 Sora2、Veo、Runway 做视频生成的人。

资料来源：本文参考 OpenAI Sora 文本生成视频介绍、OpenAI Video Generation API、OpenAI Sora 2 Prompting Guide、Google DeepMind Veo Prompt Guide、Google Cloud Veo Video Prompt Guide、Runway Gen-4 Video Prompting Guide 和 Runway Gen-4.5 Creating Guide。

1. 开篇：视频提示词不是图像提示词加一句“动起来”

很多人生视频时，会这样写：

text

一个女孩走在雨夜的街道上，电影感。

结果经常是：

人物动作乱；
镜头突然漂移；
背景不连续；
主体一会儿变脸；
雨水、灯光、衣服细节乱跳；
画面好看，但不像一个可用镜头。

原因是视频不是一张图。

视频至少包含三件事：

text

画面里有什么
画面如何变化
镜头如何运动

所以生视频提示词的核心不是“描述静态画面”，而是“描述一段可拍摄的镜头”。

2. 官方资料的共识：视频提示词要写运动

Runway Gen-4.5 文档明确提到，Text to Video 应该描述视觉元素和运动；Image to Video 则应该重点描述场景运动。

OpenAI Video Generation API 也强调，Sora 可以从文本创建视频、用图片参考引导生成、复用角色素材、延展已完成片段、编辑已有视频、下载生成结果。

Google Veo 的提示词指南也强调，要先定义视频类型和视觉风格，再描述角色、动作、场景、镜头、声音和氛围。

这些官方资料的共同结论是：

text

视频提示词 = 视觉描述 + 动作描述 + 镜头描述 + 时间描述

如果只写主体和风格，模型只能自由发挥。

如果写清楚运动和镜头，模型才更容易生成可用片段。

3. 生视频提示词的10个核心要素

3.1 视频类型

先告诉模型你要什么类型的视频。

示例：

text

写实广告片
电影感短片
纪录片镜头
产品展示视频
动画短片
定格动画
社交媒体竖屏视频
游戏预告片

不要一开始就写复杂剧情。先定义类型，模型才知道应该遵循什么视觉语法。

3.2 主体

主体要稳定。

弱提示：

text

一个人在街上走。

强提示：

text

一位穿深灰色风衣的年轻女性，黑色短发，手里拿着透明雨伞，沿着湿润的霓虹街道缓慢前行。

视频里主体稳定比图像更难，所以人物、服装、动作和外观要尽量具体。

3.3 动作

视频必须有动作。

动作要清楚、单一、可拍。

示例：

text

缓慢走向镜头
抬头看向远处
把咖啡杯放到桌上
打开一本旧书
机器人转身看向城市天际线
镜头中水滴从叶尖滑落

不要一次写太多动作：

text

她跑步、转身、跳舞、看手机、上车、消失在雨夜里。

短视频模型更适合一个镜头一个主要动作。

3.4 场景变化

视频不是静态背景。

可以描述环境如何变化：

text

雨水持续落下，路面积水反射霓虹灯
窗帘被微风轻轻吹动
太阳从云层后露出，光线逐渐变暖
咖啡表面有轻微蒸汽升起
远处车流缓慢经过

这些细节会让视频更像真实拍摄。

3.5 镜头类型

镜头类型决定画面语言。

常用词：

text

wide shot
medium shot
close-up
macro shot
over-the-shoulder shot
tracking shot
handheld shot
drone shot

中文可以写：

text

远景
中景
特写
微距
跟拍镜头
手持镜头
航拍镜头
过肩镜头

示例：

text

中景跟拍镜头，摄像机在人物前方缓慢后退。

3.6 摄像机运动

这是视频提示词最重要的部分之一。

常见运动：

text

slow push-in
slow pull-back
pan left
tilt up
dolly shot
tracking shot
orbit around the subject
locked-off camera
handheld subtle shake

中文可写：

text

镜头缓慢推进
镜头缓慢拉远
镜头向左平移
镜头向上摇
环绕主体一圈
固定机位
轻微手持晃动

如果你不希望镜头乱动，直接写：

text

固定机位，镜头不移动。

3.7 时长和节奏

视频要有时间感。

示例：

text

5 秒镜头
8 秒广告片段
前 2 秒镜头推进，中间 4 秒主体转身，最后 2 秒定格
节奏缓慢，动作自然，不要快速剪辑

如果不写节奏，模型可能会在短时间里塞太多动作。

3.8 风格和质感

风格决定整体视觉。

示例：

text

cinematic realism
documentary style
high-end product commercial
anime style
claymation
retro VHS
IMAX nature documentary
fashion film

中文可写：

text

写实电影感
高端产品广告
纪录片风格
复古胶片质感
时尚短片
动画电影风

风格尽量统一，不要把多个风格混在一起。

3.9 声音和对白

Veo 等新一代视频模型已经开始支持音频、对白或环境声提示。即使某些模型不生成音频，写清楚声音也能帮助定义氛围。

示例：

text

背景是轻微雨声和远处车流声
角色低声说：“我们终于到了。”
没有对白，只有风声和脚步声

如果你不需要声音，可以写：

text

无对白，无字幕，画面中不要出现文字。

3.10 限制条件

视频模型容易出现不可控细节，所以要写限制。

示例：

text

不要切镜头
不要出现字幕
不要人物变脸
不要多余手指
不要突然出现新角色
不要夸张镜头晃动
不要卡通化
保持角色服装一致
保持背景连续

限制不是越多越好，但关键风险一定要写。

4. 通用生视频提示词模板

可以直接套这个模板：

text

生成一个【时长】的视频镜头。

视频类型：【写实广告片/电影短片/产品展示/动画等】
主体：【人物/物体/动物/场景主角】
场景：【地点、时间、环境】
动作：【主体在这段时间里做什么】
场景变化：【光线、天气、背景、物体如何变化】
镜头类型：【远景/中景/特写/微距等】
摄像机运动：【推进/拉远/跟拍/固定/环绕】
节奏：【缓慢/紧张/平稳/快速】
风格：【电影感/纪录片/广告/动画/复古等】
光线和色彩：【布光、色调、氛围】
声音：【对白、环境声、是否无声】
限制：【不要出现的内容、保持一致的内容】
比例和清晰度：【16:9 / 9:16 / 1:1，分辨率要求】

示例：

text

生成一个 8 秒的写实电影感视频镜头。

主体：一位穿深灰色风衣的年轻女性，黑色短发，手里拿着透明雨伞
场景：雨夜的赛博朋克街道，霓虹灯反射在湿润路面上
动作：她缓慢走向镜头，最后抬头看向远处的蓝色广告牌
场景变化：雨水持续落下，远处车辆缓慢经过，路面积水有细微波纹
镜头类型：中景跟拍
摄像机运动：摄像机在人物前方缓慢后退，保持人物居中
节奏：缓慢、克制、电影感
风格：cinematic realism，高对比夜景，浅景深
光线和色彩：蓝紫色霓虹光，柔和背光，低饱和暗部
声音：无对白，只有雨声和远处车流声
限制：不要切镜头，不要字幕，不要人物变脸，不要新增角色
比例和清晰度：16:9，高清

5. Text to Video 和 Image to Video 写法不同

Runway 文档里有一个很重要的区分：

text

Text to Video：描述视觉元素和运动
Image to Video：重点描述运动

5.1 Text to Video

你从零生成视频，必须把画面也说清楚。

示例：

text

一只白色机械鸟站在未来城市天台边缘，清晨阳光从高楼间穿过。镜头从远景缓慢推进到机械鸟特写，机械鸟展开金属翅膀，翅膀边缘反射金色阳光。写实科幻电影感，固定单镜头，节奏缓慢，不要字幕。

5.2 Image to Video

如果你已经上传参考图，不要重复描述整张图，更应该描述“图怎么动”。

示例：

text

保持参考图中的人物外观、服装和背景不变。让人物轻轻转头看向镜头，头发被微风吹动，背景灯光轻微闪烁。镜头固定，不要改变构图，不要新增人物。

Image to Video 的重点是：

text

保留什么
怎么动
镜头动不动
不要改变什么

6. 多镜头视频：先写分镜，不要一口气乱塞

如果你想做 20 秒以上的视频，不建议一个提示词塞完整剧情。

更稳的方法是按镜头拆分：

text

镜头1：建立场景
镜头2：主体动作
镜头3：关键细节
镜头4：情绪收束

示例：

text

镜头1，5秒：远景，雨夜城市街道，霓虹灯闪烁，空镜头，固定机位。
镜头2，5秒：中景，主角撑伞走入画面，镜头缓慢跟拍。
镜头3，5秒：特写，雨滴落在透明雨伞上，背景霓虹虚化。
镜头4，5秒：主角停下脚步抬头看向远处广告牌，镜头缓慢推进。

如果使用支持视频延展的模型，可以先生成第一段，再用 extension 继续延展。OpenAI Video Generation API 明确支持继续已完成片段和编辑已有视频，这比一次生成长片更可控。

7. 连续性：角色、物体和场景怎么保持一致

视频生成最难的是连续性。

OpenAI Video Generation API 提到可以复用角色资产，增强多次生成中的视觉一致性。Runway Gen-4 也强调基于输入图像和文本提示来控制生成。

实操上有几条建议：

重要角色尽量使用参考图；
每次提示词重复关键外观特征；
服装、发型、道具写具体；
不要在同一镜头里让角色做过多动作；
多镜头时保持相同角色描述；
用固定短语命名角色，例如“女主 A”；
不要频繁改变光线、角度和风格。

示例：

text

女主 A：黑色短发，深灰色风衣，透明雨伞，银色耳环。所有镜头都保持这个外观，不要改变发型、服装和道具。

8. 4sAPI视频模型接入教程

视频生成比文本和图片更需要工作流管理。

原因很简单：

生成慢；
成本高；
经常是异步任务；
需要轮询状态；
需要下载内容；
失败要重试；
多镜头需要队列管理。

如果你通过 4sAPI 接 Sora2 或其他视频模型，建议把视频生成单独做成一组 Key 和工作流。

8.1 准备API Key和视频模型ID

先在 4sAPI 后台完成：

text

1. 创建视频生成专用 API Key
2. 在模型广场选择 Sora2 或其他视频模型
3. 复制对应模型 ID
4. 给视频 Key 设置独立额度

视频生成比文本和图片更容易消耗预算，所以一定要和普通聊天、代码生成、图片生成分开。

8.2 Sora2异步视频接口三步走

视频生成通常不是一次请求直接返回 MP4，而是异步任务。

推荐工作流：

text

创建视频任务
  -> 轮询状态
  -> 获取视频内容
  -> 保存到对象存储
  -> 记录 prompt、seed、模型、费用和结果

如果你用的是 Sora2 官方异步格式，要特别注意：

text

POST /v1/videos：创建视频任务
GET /v1/videos/{id}：查询状态
GET /v1/videos/{id}/content：获取视频内容

这也是上一篇 Sora2 排障文里最核心的坑：状态接口不会直接给视频，真正取视频要走 /content。

8.3 第一步：创建视频任务

请求：

http

POST https://4sapi.com/v1/videos

cURL 示例：

bash

curl --location 'https://4sapi.com/v1/videos' \
  --header 'Authorization: Bearer sk-xxxxxxxxxxxxxxxx' \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "sora_video2",
    "prompt": "生成一个 8 秒写实电影感视频镜头：一位穿深灰色风衣的年轻女性撑透明雨伞，缓慢走在雨夜赛博朋克街道上。镜头中景跟拍，摄像机在人物前方缓慢后退，霓虹灯反射在湿润路面上。不要字幕，不要切镜头，不要人物变脸。",
    "size": "1920x1080",
    "seconds": "8",
    "n": 1,
    "watermark": false,
    "private": false,
    "storyboard": false
  }'

这一步返回的重点是任务 id。

后面查状态和取视频，都要用这个 id。

8.4 第二步：查询视频状态

请求：

http

GET https://4sapi.com/v1/videos/{id}

cURL 示例：

bash

curl --location --request GET 'https://4sapi.com/v1/videos/sora-2:task_xxxxxxxxxxxxx' \
  --header 'Authorization: Bearer sk-xxxxxxxxxxxxxxxx' \
  --header 'Content-Type: application/json'

这一步只用来查询任务是否完成。

注意：状态接口不等于下载接口。

如果你在这里没有看到视频链接，不代表生成失败。

8.5 第三步：获取视频内容

任务完成后，再请求：

http

GET https://4sapi.com/v1/videos/{id}/content

cURL 示例：

bash

curl --location 'https://4sapi.com/v1/videos/sora-2:task_xxxxxxxxxxxxx/content' \
  --header 'Authorization: Bearer sk-xxxxxxxxxxxxxxxx' \
  --output output.mp4

真正的视频内容在 /content 这一步获取。

很多人说“API 请求成功但拿不到视频”，就是因为只做了前两步，没有调用 /content。

8.6 Node.js轮询示例

const API_KEY = process.env.FOURSAPI_API_KEY;
const BASE_URL = "https://4sapi.com/v1";

async function createVideo(prompt) {
  const res = await fetch(`${BASE_URL}/videos`, {
    method: "POST",
    headers: {
      Authorization: `Bearer ${API_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      model: "sora_video2",
      prompt,
      size: "1920x1080",
      seconds: "8",
      n: 1,
      watermark: false,
      private: false,
      storyboard: false,
    }),
  });

  if (!res.ok) {
    throw new Error(`create failed: ${res.status} ${await res.text()}`);
  }

  return await res.json();
}

async function getVideoStatus(id) {
  const res = await fetch(`${BASE_URL}/videos/${encodeURIComponent(id)}`, {
    headers: { Authorization: `Bearer ${API_KEY}` },
  });

  if (!res.ok) {
    throw new Error(`status failed: ${res.status} ${await res.text()}`);
  }

  return await res.json();
}

async function getVideoContent(id) {
  const res = await fetch(`${BASE_URL}/videos/${encodeURIComponent(id)}/content`, {
    headers: { Authorization: `Bearer ${API_KEY}` },
  });

  if (!res.ok) {
    throw new Error(`content failed: ${res.status} ${await res.text()}`);
  }

  return await res.arrayBuffer();
}

实际状态字段以 4sAPI 当前返回为准。工程里建议加最大等待时间，例如 5 到 10 分钟，避免无限轮询。

8.7 工作流平台怎么拆节点

如果你在 Dify、n8n、Coze 或自研工作流里接视频模型，建议拆成 5 个节点：

text

节点1：创建视频任务
节点2：等待 5-10 秒
节点3：查询任务状态
节点4：条件判断，完成则继续，未完成则回到等待
节点5：获取视频内容并保存

不要把视频生成写成一个同步节点。

视频模型天然是异步任务，拆开才能稳定。

9. 常见错误

9.1 只描述静态画面

错误：

text

一个机器人站在城市天台，电影感。

改法：

text

一个白色机器人站在城市天台边缘，镜头从背后缓慢推进，机器人转头看向镜头，远处城市灯光逐渐亮起。

9.2 动作太多

错误：

text

女孩跑步、跳跃、转身、打开门、上车、回头微笑。

改法：

text

女孩沿着街道慢跑，最后回头看向镜头，动作自然流畅。

9.3 镜头没有约束

错误：

text

做一个电影镜头。

改法：

text

固定机位，中景，镜头不移动，主体从画面左侧走到右侧。

9.4 忽略比例

短视频平台要竖屏，广告片常用横屏。

提示词里要写：

text

9:16 竖屏，用于短视频平台。
16:9 横屏，用于网页头图。

9.5 让模型生成复杂文字

视频里的文字更容易抖动或变形。

更稳的方式是：

text

画面中不要出现字幕或文字，后期再加标题。

10. 合规提示：不要拿视频模型做危险或侵权内容

视频生成更容易涉及肖像、版权、品牌和误导风险。

建议避免：

未授权复刻真人；
仿冒品牌广告；
生成误导性新闻画面；
生成未经授权的影视角色；
生成可能被误认为真实事件的内容；
绕过平台水印或安全限制；
用于骚扰、诈骗或违法宣传。

商业项目里，最好建立素材授权、人物授权和生成记录管理。

11. 总结：视频提示词是分镜脚本

生图提示词像视觉 brief。

生视频提示词更像分镜脚本。

稳定的视频提示词要写清楚：

text

类型
主体
场景
动作
环境变化
镜头类型
摄像机运动
时长节奏
风格光线
声音
限制
比例

如果要做产品级视频生成，不要只关心提示词，还要关心 API 工作流：

text

创建任务
轮询状态
获取内容
记录日志
控制成本
失败重试

提示词决定画面质量，4sAPI 决定工作流能不能稳定跑起来。

1. 开篇：视频提示词不是图像提示词加一句“动起来”

2. 官方资料的共识：视频提示词要写运动

3. 生视频提示词的10个核心要素

3.1 视频类型

3.2 主体

3.3 动作

3.4 场景变化

3.5 镜头类型

3.6 摄像机运动

3.7 时长和节奏

3.8 风格和质感

3.9 声音和对白

3.10 限制条件

4. 通用生视频提示词模板

5. Text to Video 和 Image to Video 写法不同

5.1 Text to Video

5.2 Image to Video

6. 多镜头视频：先写分镜，不要一口气乱塞

7. 连续性：角色、物体和场景怎么保持一致

8. 4sAPI视频模型接入教程

8.1 准备API Key和视频模型ID

8.2 Sora2异步视频接口三步走

8.3 第一步：创建视频任务

8.4 第二步：查询视频状态

8.5 第三步：获取视频内容

8.6 Node.js轮询示例

8.7 工作流平台怎么拆节点

9. 常见错误

9.1 只描述静态画面

9.2 动作太多

9.3 镜头没有约束

9.4 忽略比例

9.5 让模型生成复杂文字

10. 合规提示：不要拿视频模型做危险或侵权内容

11. 总结：视频提示词是分镜脚本

推荐阅读

AWS Bedrock Structured Outputs 报错排查 | JSON Schema、Claude路径与4sAPI接入建议

Agent 工作流全解析：企业级落地的几种编排模式

生图提示词工程 | 从一句话到可控出图

让 AI 帮你挖项目漏洞：实测开源神器 DeepAudit，它已经挖到 49 个 CVE 了