视频生成提示词：为什么你的画面总在『漂移』？

一致性是 AI 视频最大的痛

用 AI 生成视频，最让人崩溃的是画面漂移：第一秒还是黑发女主，第三秒变成金发；上一镜在咖啡馆，下一镜莫名到了海边；衣服颜色从红变蓝。

模型生成能力越来越强，但跨镜头 / 跨帧的稳定性依然是要靠方法解决的问题。本文讲清成因和可复用的解法。

成因一：提示词本身不稳定

模型对模糊描述的理解每次都可能不同。写”一个美丽的女生”，模型每帧对”美丽”的脑补都不一样。

解法是把描述结构化、具体化：

• 主体：年龄、发型、发色、服装（颜色 + 材质）
• 场景：地点、时间、光线
• 镜头：景别、运镜、焦段
• 风格：色调、质感、参考导演/影片风格

关键词越具体、越少歧义，漂移越小。 “一位 25 岁亚洲女性，黑色齐肩直发，穿米色针织开衫”远胜”一个美女”。

成因二：缺少跨镜头的锚定

单镜头内部稳定了，镜头之间还是会漂。因为模型不知道”上一镜那个人”就是”这一镜这个人”。

解法是建立锚定机制：

• 参考图 / 首帧锚定：用同一张人物图作为每个镜头的起始帧
• 角色 token 复用：如果工具支持自定义角色，把它锁定复用
• 固定种子（seed）：相同种子 + 相似提示，跨镜更稳定
• 环境描述复制粘贴：场景描述在不同镜头里保持完全一致，一个字都别改

一致性靠”重复”，不靠”差不多”。 你少写一个字，模型就可能给你换一个场景。

成因三：单镜头太长

时间越长，漂移积累越明显。一个 10 秒镜头，后 3 秒最容易崩。

解法：

• 切短镜头：把长镜头拆成 2–3 秒的短镜，再剪辑拼接
• 关键帧驱动：用首帧 + 尾帧控制，限定模型在两点间过渡
• 动作简单化：一句话里塞太多动作，模型会手忙脚乱

能用剪辑解决的，别指望一次生成。 专业成片也是靠一堆短镜拼出来的。

一套可复用的工作流

1. 先定角色卡：写好主体描述，生成一张满意的角色图
2. 用角色图做首帧锚定，生成第一个镜头
3. 复制角色 + 场景描述，只改动作和镜头，逐个生成其余镜头
4. 每镜控制在 2–3 秒
5. 后期剪辑拼接，加转场、配乐、调色

核心是”标准化描述 + 锚定素材”，让每个镜头都在同一套坐标系里生成。

提示词模板

[主体]：25 岁亚洲女性，黑色齐肩直发，米色针织开衫，浅蓝牛仔裤 [场景]：清晨的日式咖啡馆，靠窗座位，暖色自然光，浅景深 [镜头]：中景，缓慢推近，35mm [动作]：端起咖啡杯，轻轻吹气，微笑 [风格]：日系清新，柔和色调，胶片颗粒

每个镜头只改 [动作] 和 [镜头]，其余原封不动。这样能让模型把注意力集中在变化的部分。

常见坑

• 每镜重写描述：描述一改，人物场景就变
• 贪长：一个镜头写 10 秒动作，后段必崩
• 忽略种子：换种子 = 换世界观
• 不做锚定：没有参考图 / 首帧，全靠模型脑补，必漂

一句话总结

AI 视频一致性的解法就三件事：提示词结构化、跨镜锚定、单镜切短。记住核心心法——一致性靠重复，不靠差不多。把描述标准化、把素材锚定住、把镜头切碎，画面就不会再漂。