用 MiniMax 做电商商品展示视频：提示词模板直接抄

电商做商品展示视频，卡住大多数人的不是工具，而是提示词。同一件商品，有人生成的画面总是歪的、光不对、时长不够；有人一次出片就能直接上架。差别就在你怎么写。MiniMax 这套能力组合正好适合这个场景：H 系列视频生成（含原生音频）负责画面，语音克隆与 TTS 负责口播，M 系列文本模型长上下文、支持多模态输入，可以直接喂商品图让它帮你写分镜和卖点文案，海螺系产品里也有面向普通用户的产品入口。下面按视频、语音、文案三块，给你能直接抄的模板。

一条视频提示词该包含哪些要素

商品展示视频最常见的翻包原因是：镜头描述太笼统（只写"展示产品"）、没交代主体外观、没指定画幅和节奏。写视频提示词时建议按这个顺序组织：主体外观 → 场景与光 → 镜头运动 → 节奏与氛围 → 画幅比例。另外 MiniMax 的视频生成支持原生音频，记得在提示词里明确写上需要什么环境音，不要留空让模型猜。

下面是可直接复制的模板，方括号里替换成你的信息：

【商品】一款[颜色]+[材质]的[品类]，例如：一款奶白色磨砂陶瓷的马克杯，杯身有细密均匀的釉面颗粒感
【场景】干净的[场景描述]，例如：原木色桌面，右侧窗光斜射，背景虚化带绿色植物剪影
【镜头】[镜头运动]，例如：镜头从杯口特写缓慢环绕下降至 45 度俯视，全程浅景深
【节奏】[时长与动作]，例如：5 秒内完成环绕，中途热咖啡缓缓注入杯中产生蒸汽
【氛围】[光与情绪]，例如：柔和暖调，晨间宁静感
【画幅】[比例]，例如：9:16 竖屏
【声音】[环境音]，例如：轻微的咖啡注入声与瓷器轻碰声，无配乐

要点：外观描述越具体越不跑偏，颜色+材质+一个可辨识细节基本够用；镜头运动一次只写一种，别贪多；原生音频明确写"要什么声音"，不想要配乐就写明"无配乐"。

口播配音：语音克隆模板

有画面没声音，转化差一截。用语音克隆功能时，先按平台要求上传参考音频样本（样本时长和质量要求以官方页面为准），然后用这样的结构写口播稿：

【产品名】[产品名]，[一句话定位]，例如：小方盒收纳包，通勤出差的随身收纳方案
【痛点】例如：充电线、口红、门卡全塞一个口袋，找东西翻半天
【方案】例如：三个独立分区，开门秒取，尺寸刚好放进公文包侧袋
【行动号召】例如：点击下方链接，今天下单送同色防尘袋

合成要求：语气自然口语化，语速偏快但吐字清晰，整体控制在 15 秒内，
重音落在[产品名]和[行动号召的关键词]上，结尾不带拖音。

注意口播稿别写成书面语，"该产品采用…工艺"这种句式念出来很怪。另外克隆音色的使用要拿到声音本人的授权，这是平台通行的合规要求。

用 M 系列文本模型批量出分镜和卖点

一件商品要做多个平台版本（主图视频、详情页、短视频号），手动逐条写提示词太慢。M 系列模型长上下文、支持多模态输入，可以把商品图直接发给它，让它按你的模板批量生成分镜和文案：

你是一名电商短视频编导。我会上传一张商品图和商品资料，请基于图中商品的真实外观写分镜，不要编造图中不存在的细节。

商品资料：[粘贴卖点、材质、尺寸]

请输出：
1. 3 条不同风格的 5 秒视频提示词，每条按以下字段输出：
   主体外观 / 场景与光 / 镜头运动 / 节奏与动作 / 氛围 / 画幅 / 声音
2. 每条配一段 15 秒内的口播稿，口语化，结尾带行动号召
3. 3 组短视频标题和封面文案，各不超过 15 字

约束：外观描述必须与上传图片一致；每个提示词只含一种镜头运动；
明确写出需要的环境音或"无配乐"。

拿到输出后逐条检查外观描述是否和实拍商品一致，AI 对图中细节的还原偶尔会出错，上架前人工核对一遍能省掉大量返工。

三类素材的协作流程

推荐流水线：先用文本模型出分镜和口播稿 → 视频生成跑画面（含原生环境音）→ TTS 或克隆音色出正式口播 → 剪辑合成。文本模型这一步别省，它决定了后面所有素材的下限。视频生成单条时长有上限，具体数值以官方页面为准，长视频靠多段生成再拼接，段与段之间让首尾镜头描述衔接上，剪辑痕迹会小很多。

迭代才是出片的关键

别指望第一条就完美。跑出来后从四个维度复盘：外观是否跑偏（改外观描述）、镜头是否太复杂（拆成两段）、氛围是否不对（重写光和情绪词）、声音是否多余（明确写"无配乐"或指定音效）。每轮只改一个变量，两三轮基本能收敛到可上架的素材。把验证过的提示词存成自己的模板库，下次换商品只替换主体和场景字段，产能立刻翻倍。

模板已经给到这一步了，剩下的就是拿你手头正在推的那款商品，今晚就跑第一条试出来。